技术深度解析
从以算法为中心到以数据为中心的具身智能转变，是由一个硬核工程现实驱动的：推动大语言模型的缩放定律并不能直接迁移到物理世界。在自然语言处理中，更多的token几乎总是带来更好的性能。在机器人学中，如果数据不够多样化、不够接地气、不能代表目标部署分布，更多的数据实际上可能有害。
群核科技的合成数据工厂
群核科技以其室内设计平台Coohom而闻名，它重新利用了其3D场景生成引擎，为具身智能体创建合成训练环境。其方法建立在模块化管道之上：一个场景合成器生成数百万个独特的室内布局，具有随机化的家具摆放、光照条件和物体几何形状。每个场景都自动标注了地面实况物理属性——质量、摩擦力、关节限制——这些属性几乎不可能从真实世界扫描中获得。生成的数据集随后被输入到域随机化强化学习循环中。
这里的关键技术创新是使用“场景语法”——一种概率上下文无关语法，定义了物体之间有效的空间关系。这确保了合成场景虽然是程序化生成的，但在物理上仍然是合理的。桌子不能悬浮在半空中；椅子必须放在桌子附近，而不是墙里。与天真的随机放置相比，这种语法极大地缩小了“模拟到现实的差距”。
然而，根本限制依然存在：合成数据缺乏真实世界物理的“长尾”。真实的仓库地板可能有一滩油渍、一个略微变形的纸板箱，或者由灰尘引起的传感器故障。这些几乎不可能在规模上通过合成方式建模。开源社区已经探索了替代方案；例如，Isaac Gym仓库（NVIDIA，12k+星标）提供了一个用于强化学习的物理模拟环境，但它仍然需要大量手动调优才能匹配真实世界的动力学。
百度的数据管道架构
百度的策略更具基础设施性。他们不是生成数据，而是构建数据流的“管道系统”。其内部称为“Apollo Data Lake”（从其自动驾驶管道演变而来）的系统由四个阶段组成：数据摄取、数据策管、数据标注和反馈循环。数据摄取层支持异构数据源——LiDAR点云、RGB-D摄像头、触觉传感器和本体感受关节编码器。数据策管层使用一个经过学习的“数据质量评分器”来过滤掉低价值或冗余样本，根据内部基准测试，这可将存储成本降低约40%。数据标注层采用混合人机回环系统，其中80%的简单标签是自动化的，20%的复杂边缘案例则交给人类标注员。反馈循环是最关键的：当部署的机器人在某个任务上失败时，失败事件会被自动标记、上传，并用于重新加权训练分布。
| 数据管道阶段 | 百度的做法 | 行业平均水平（估计） | 关键指标 |
|---|---|---|---|
| 数据摄取 | 多模态（LiDAR、RGB-D、触觉） | 单模态（仅视觉） | 3倍数据多样性 |
| 数据策管 | 学习型质量评分器 | 基于规则的过滤 | 40%存储缩减 |
| 数据标注 | 80%自动化，20%人机回环 | 50/50比例 | 2倍吞吐量 |
| 反馈循环 | 自动化失败标记 | 人工审查 | 10倍更快的迭代速度 |
数据要点： 百度的管道是为效率而非数量而设计的。自动化失败标记带来的10倍更快的迭代周期是一个决定性优势——这意味着他们的模型可以在数小时内（而非数天内）从真实世界的错误中改进。
京东的真实世界竞技场
京东的做法是数据最密集的，但也是成本最高的。他们在“亚洲一号”智能仓库中部署了超过2000台自主移动机器人。每台机器人每天产生约500GB的传感器数据，包括高频IMU读数、立体摄像头画面以及来自抓取尝试的力-扭矩传感器日志。关键洞察在于，京东不仅收集成功的轨迹；他们明确记录失败案例。掉落的包裹、在湿滑表面上的抓取失败、由临时障碍物引起的导航错误——这些都被标记、存储并用于训练鲁棒的恢复策略。
京东机器人部门2024年的一项内部研究表明，在包含至少15%失败案例的数据集上训练的模型，在完成新任务时比仅基于成功演示训练的模型成功率高出34%。这是一个强有力的实证论据，证明了“负面数据”的价值。
关键参与者与案例研究
| 公司 | 核心策略 | 关键技术 | 部署规模 | 数据量（估计） |
|---|---|---|---|---|
| 群核科技 | 合成数据生成 | 场景语法引擎、域随机化 | 1000万+合成场景 | 50TB+ |
| 百度 | 数据管道架构 | Apollo Data Lake、学习型质量评分器 | 自动驾驶车队+机器人 | 数PB |
| 京东 | 真实世界数据采集 | 大规模AMR部署、失败日志系统 | 2000+ AMR | 每日1PB+ |