机器人训练数据瓶颈

机器人训练数据的匮乏是当前具身智能发展的最大瓶颈。中泰证券研究报告指出，对比不同模态的数据量，文本模态约15T tokens，图片6B图文配对，视频2.6B视听特征，而机器人模态仅有240万个数据片段，数据缺口高达5-6个数量级。为突破数据瓶颈，业界正并行探索四种数据积累方法：远程操作（质量高但采集效率低）、AR（降低采集门槛）、仿真（最有望规模化，但需巨大算力）、视频学习（利用海量互联网视频，但存在控制与感知Gap）。英伟达DexMimicGen可从5个源演示生成1000个灵巧手操作演示，策略成功率从源演示的0.7-62%大幅提升至69.3-97.3%。宇树、智元、特斯拉等厂商均通过开源或自建数据工厂加速数据积累。数据瓶颈的突破速度将直接决定具身智能产业化的时间表。

机器人AI发展的最大瓶颈是训练数据的极度匮乏。对比不同模态的数据量：文本模态约15T tokens（用于训练GPT等大语言模型），图片模态有6B图文配对数据，视频模态有2.6B视听特征数据。而机器人模态仅有240万个数据片段——仅为文本数据的约1/6000万、图片数据的约1/2500、视频数据的约1/10000。数据缺口如此巨大，是因为机器人数据采集需要物理硬件、专业操作人员和大量时间成本。一个单臂机器人任务的数据采集通常需要多个操作员、数月人力投入；类人机器人的双臂+多指灵巧手控制更复杂，数据采集困难呈指数级上升。数据稀缺直接制约了具身大模型的训练效果和泛化能力。

业界正并行探索四种数据积累方法。远程操作：由实验人员操作机械手柄远程控制机器人积累数据，质量高但采集效率低，类人机器人遥操作界面成本高昂难以规模化。AR：通过增强现实提供视觉反馈和触觉警告，指导用户收集高质量演示，降低数据采集门槛。斯坦福ARCap系统使新手用户也能收集与机器人运动学匹配的可执行数据。仿真：通过海量算力模拟运算生成训练数据集，最有可能实现规模化数据生成。英伟达DexMimicGen从5个源演示生成1000个演示，策略成功率大幅提升。视频学习：通过多模态大模型让机器人直接从YouTube等视频中学习，可利用海量互联网数据，但面临控制Gap（无机器人本体运动数据）和感知Gap（人类视角vs机器人视角）的挑战。

H3：仿真突破——DexMimicGen的5→1000演示放大

英伟达等研究机构的DexMimicGen展示了仿真数据生成的巨大潜力。DexMimicGen基于少量人类演示（5个源演示生成1000个演示），通过物理仿真中的演示转换和重放，自动生成大量适用于双手灵巧操作场景的训练数据。研究团队从60个源演示中总共生成了21000个演示，涵盖9种不同任务。实验结果显示：仅依赖源演示训练的BC-RNN成功率在多种任务中仅为0.7-62%；而基于DexMimicGen数据集训练的机器人成功率大幅提升至69.3-97.3%，几乎所有任务中性能都实现了质的飞跃。且随着DexMimicGen数据量的增加，策略性能持续提升。仿真方法的规模化能力（可生成任意规模数据）使其成为最有可能突破数据瓶颈的路径。

H4：开源生态加速数据积累——宇树、智元、特斯拉

主要厂商正通过开源或自建数据工厂加速数据积累。宇树机器人2024年12月开源数据采集工具（Robot OS模拟包、Apple VisionPro遥操作、RLGYM仿真）和数据集（5种操作，640×480分辨率，手臂和灵巧手七维状态数据）。智元机器人在上海建设数据采集工厂（近百台机器人，日均采集3-5万条数据），开源AgilBotWorld数据集（超100万条真实操作数据，覆盖家居40%、餐饮20%、工业20%、商超10%、办公10%五大场景，80余种技能，3000多种物品），2025年2月开源仿真框架AgilBotDigitalWorld。特斯拉招募“数据收集操作员”穿戴动作捕捉服、VR头显模拟机器人动作。开源策略有助于降低行业数据采集门槛，加速整体数据积累。未来随着数据量从百万级向亿级跨越，具身智能的能力将迎来质的飞跃。

表：不同模态数据量对比

模态	数据量	数据来源
文本	15T tokens	互联网文本
图片	6B图文配对	互联网图像
视频	2.6B视听特征	互联网视频
机器人	240万片段	遥操作/仿真/视频