4月19日欧洲杯体育，北京亦庄机器东谈主马拉松决出输赢。

300余台机器东谈主参与竞逐，它们或是自主导航，或是东谈主类遥控完成了比赛。比较前年，机器东谈主的知道才调大幅普及。面前机器东谈主除了赛马，还也曾登上春晚舞台，参加工场活水线。这种技艺越过有目共睹，而遗憾也一目了然：机器东谈主依然不够聪颖。

机器东谈主面前困于数据凄迷里。高质地数据，比石油还稀缺，阻难了东谈主工智能技艺参加竟然世界的脚步。“具身智能一定会出现涌当前刻的，况兼涌当前刻一定是和数据量与数据构成挂钩的。”觅蜂科技董事长兼CEO姚卯青不久前对第一财经记者默示。

缺口有多大

具身智能以机器东谈主的形态，走出实验室、奔赴千行百业。

东谈主形机器东谈主也曾不错以自主的形式跑完半场马拉松，它们也参加龙旗科技的平板工场完成坎坷料责任，更毋庸提在舞台上技击扮演了。但机器东谈主面前跑步的时候如故左摇右晃，工场活水线上只可完成特定要领的责任，舞台扮演看上去还有些憨傻。

这些机器东谈主，能完成一些责任，但确乎还不太聪颖。诳言语模子比如ChatGPT、DeepSeek都也曾见证了智能清晰，而机器东谈主智能还在恭候这一刻的到来。

高质地、尺度化、规模化的数据，是驱动机器东谈主奔向智能化时间的中枢基石。姚卯青认为，机器东谈主的智能涌当前刻一定是和数据量与数据构成挂钩的。

“东谈主形机器东谈主是一个比汽车更大更具思象力的空间，咱们正在这个时间的来源。诚然万亿产业蓄势待发，但通盘行业却濒临着很大的瓶颈和挑战——数据凄迷。”姚卯青在17日的智元合作伙伴大会上默示。

诳言语模子的数据获取资本比较低，不错从互联网的多样日常应用内部松驰获取。迪士尼的动画、电子版的苏东坡词集，都不错成为诳言语模子的高质地数据。

“面前最最初的诳言语模子，比如GPT5用了100万亿token的查考语料。”姚卯青说，1个token相似于0.75个英语单词，正常东谈主要是每分钟朗诵150个单词，需要100亿个小时才能读完这些语料集。

机器东谈主所需数据的获取难度高好多。高质地的真机数据，需要机器东谈主去竟然世界里摸爬滚打。比如机器东谈主上手搬运行李、清洁房屋，才能获取这些动作响应的数据。要是说诳言语模子需要的是一维的文本贵府，机器东谈主需要的即是三维怒放世界的常识，数目级、复杂度、获取资本都不厚味舌不分。

从数据供给侧来看，夙昔两年寰球各地陆络续续出现数据集中企业，它们有场景资源，有集中才调，可是短缺尺度化的运营和顾问体系，以及一套竣工熟习的数据后处理、贬责和知道的才调。唯有原始数据是远远不够的，它们需要经过好多的加工和标注，才能为东谈主工智能企业所用。这导致一些数据集中企业空有资源却没法变现。

从数据的需求侧来看，AI大模子公司、科技大厂的具身团队、初创的东谈主形机器东谈主公司都需要海量的高质地数据，可是却无法找到能结识、快速地供给和高质地的决策，严重拖慢了AI类产品的落地。

极佳视界是一产品身智能和通用机器东谈主的独角兽公司，4月份刚刚完成新一轮的15亿融资。在智元合作伙伴大会的圆桌要领，极佳视界聚集创举东谈主朱政默示，该公司在查考模子的流程中，大致使用了几十万个小时的数据。这些数据主要有两个来源，第一是多样网上公开的数据，包括合作伙伴，包括学术机构开源出来的数据；第二则是极佳视界我方集中的数据。

“大部分数据都是在实验室环境下，或者说在东谈主工配置好的场景下集中的。咱们以为还不够竟然，但愿数据更多一些泛事业场景、工业场景，致使家庭场景，愈加竟然咱们以为更好。”朱政说。

外购数据质地往往不达标，数据质地杂沓不都。

“咱们之前作念多模态模子的时候，一张图可能给它几千句话的标注，选藏地形色这张图内部的布景、出路、发生了什么，以及不同标注员对它的交融。面前的视频数据，除了我方采讲究的数据以外，都口舌常节略地标注，对通盘环境的标注、对任务的形色远远不够。”朱政默示。

姚卯青深有同感。

“这些数据内部，标注好多是不太门径的，多样传感器之间的空间标定，时期上的同步也有好多问题。标注质地也比较大肆，脏数据如故充斥着通盘市集的。”姚卯青说，面前的大模子都是数据驱动，什么样的数据就产生什么样的模子。“garbage in、garbage out，要是你是垃圾数据进，就垃圾模子出。”

数据低质，变成的深档次问题是，要是有一个好的算法，查考后却莫得得到好的遵守，机器东谈主企业将难以区别，到底是数据不好，如故模子出了问题，致使可能因此而狡赖掉优秀的算法。

“今天通盘行业的高质地数据汇聚在沿途，凑凑可能就50万小时的规模。”姚卯青认为，要达到智能涌当前刻，1亿小时的查考数据可能都不够。高质地真机数据的供需之间，存在千千万万倍的差距。

规模怎样填平

各家机器东谈主企业，数据尺度各利己战。

不少机器东谈主企业在自主出产数据，但数据体式、标注等都是自成体系。

“它们都是一个个的孤岛，很难互通复用。这就变成了企业与企业之间、上游与下贱、应用方与数据出产方等的互助资本相配高，通盘产业很难形成协力快速地往规模化发展。”姚卯青分析说。

真机数据资本腾贵，集中一小时数据大致需要200元致使更高。按照这么的资本核算，东谈主类只怕会因为总体资本太高而难以集中几百亿小时数据。仿真数据等诚然查考遵守不足真机数据，是一个退而求其次的选拔，但也变得不能或缺。

智元挑升配置了觅蜂科技以集中和加工数据。字据觅蜂科技的倡导，2026年欧洲杯体育要罢了千万小时级的数据产能，其中包括真机、仿真，也包括东谈主类数据。

“数据金字塔包括三层，最上头这一层是真机的数据，它一定是最有针对性、质地最高的数据；中间这一层是仿真数据；底下这一层是视频数据、互联网数据，面前我认为可能更具代表性的是东谈主类数据。”光轮智能CEO谢晨默示。

数据的中枢问题，谢晨认为不在数据自己，而是在模子评价上。面前贫穷一个实足怒放的、实足竟然的，且可规模化的落地到竟然场景的具身模子评价形式。要是莫得符合的评价体系，企业就不知谈用什么样的数据能够作念好具身模子。

这个可规模化的评价体系，谢晨认为底层需要的是仿真，是以他认为真机数据、仿真数据、东谈主类数据都至关遑急。它们都是智能清晰的必要条目。

就如同特斯拉FSD有上百万辆车，束缚地从竟然场景拿回数据。具身智能需要用东谈主类的作为与全世界多样种种的物体进行交互以获取数据。具身数据的难度、数据需求的规模可能会在特斯拉FSD的1000倍。

谢晨认为，比照特斯拉的100万辆汽车，具身智能需要10亿个数据生成器，这需要动员真机、仿真和东谈主类三大中枢来源。

在数据稀缺的情况下，面前对数据的应用遵守还很低，亟待提高。

据朱政清晰，极佳视界用了几十万个小时的数据查考模子，为此每年要在GPU算力上花掉几千万东谈主民币。要是按照当下的数据使用遵守，极佳把查考数据扩增100倍致使1000倍的时候，单单为GPU烧掉的钱就会高出它所能承受的支付才调。

“咱们一方面要扩增数据，一方面要神勇地改善模子的架构，提高运行的遵守。”朱政说。

在本年的北京亦庄机器东谈主马拉松上，东谈主形机器东谈主驰驱的速率也曾追平东谈主类知道员。但东谈主形机器东谈主企业探寻高质地数据的马拉松才刚刚启动。

举报 第一财经告白合作，请点击这里此履行为第一财经原创，文章权归第一财经所有。未经第一财经籍面授权，不得以任何形式加以使用，包括转载、摘编、复制或诱骗镜像。第一财经保留根究侵权者法律职守的权益。如需赢得授权请关系第一财经版权部：banquan@yicai.com 文章作家

彭海斌

有关阅读 东谈主类马拉松迈入“1时间”，巨匠知道品牌加快科技武备赛

马拉松比赛成巨匠体育巨头顶端科技试真金不怕火场。

2331 04-27 21:59 荣耀一家包揽前六名后，机器东谈主行业离“大厂通吃”还有多远

机器东谈主行业远未到款式落定、巨头通吃的时刻。

7 2499 04-21 13:01 那些没跑完半马的机器东谈主，卡在哪儿了？

跌倒即数据，限时即倒逼，东谈主形机器东谈主需要在压力中完成迭代。

7 3456 04-20 19:10 清华大学赵明国：机器东谈主单项超越东谈主类不虞外，色泽年有望“东谈主机共跑”

来岁的赛场或将看到机器东谈主更多强烈的动态博弈 。

8 2958 04-19 16:38 智元生态再扩容，旗下觅蜂科技抢滩具身智能数据赛谈

2026年，被平素认为是具身智能数据元年。除了觅蜂科技，本年启动行业内也曾有多家企业布局具身智能数据基建，数据武备竞赛开启。

10 633 04-17 08:52 一财最热 点击关闭