杨哲轩:结构化语言才是具身数据对齐关键
▲从一只瓷杯到可复用的数据资产——编译发生在每一次操作之后。 桌上摆着几只茶杯。采集者戴上头戴设备,把杯子逐一拿起、移开,再放回原位。设备记录了连续视频和惯性测量单元(IMU)数据。看上去,动作已经被完整保存。可一旦任务结束,这段经验通常也就结束了。它没有自然地变成下一次可以调用的能力。 但在杨哲轩看来...
一只瓷杯,也能沉淀成可复用的数据资产——编译就发生在每次操作完成之后。
桌面上放着几只茶杯。采集人员戴上头戴设备,逐一拿起杯子、挪开、再放回原处。连续视频被设备记录了下来。
杨哲轩的看法是,问题恰恰出在这里:动作被存下来,只是开头。视频能说明发生过什么,却没法告诉模型下一步该做什么。动力学、意图、空间关系,还有失败后如何恢复,这些它都没有。想让整理茶杯的一次动作变成可复用的智能,系统得先把任务拆成步骤,用结构化语言对齐,再把手的姿态、运动轨迹和动作意图补回去。
他的判断很明确:“我的判断,语言,特定地说,结构化的语言,才是唯一可以对齐的东西。”在杨哲轩看来,只有先把任务写成模型能理解、能检索、能复用的结构,物理世界里的动作才有可能从一次性经验变成下一次能调用的智能。
桌上摆着几只茶杯。动作被记录下来,只是开始。
放到行业里看,具身智能进入数据规模化阶段以后,采集量涨得快,高质量数据的缺口却还是很大。36氪今年5月曾援引行业共识称,要训练具备通用泛化能力的具身模型,至少需要千万小时级数据;而截至2026年初,全球高质量真实物理交互数据总量只有约50万小时,不到大语言模型训练数据的两万分之一。
杨哲轩在现场打了个更直白的比方:外购1000小时数据,筛完可能只剩约100小时能用。采集规模和有效供给之间,横着一道要靠工程能力填平的沟。
智域基石想做的,就是把这套结构补上。公司站在采集与模型训练中间,用
数据与模型学习需求的三重错位
杨哲轩认为,数据不会因为“采够了”就贬值。模型每往前走一步,新的短板就冒出来,数据需求也跟着变。好比考试总出新题,模型进入真实工作环节后,也会不断抛出新的问题。
真正的问题在于,现有数据和模型之间还有不少错位。
最直接的一种错位出在学习对象上。视频拍下了物体在哪、手动了什么,却未必包含模型要理解的物体状态变化、动作后果、操作顺序、失败恢复和接触关系。智域基石内部把模型在操作层面要掌握的能力归成十类。杨哲轩认为,模型在这些方面普遍欠缺,只记录画面的视频不会自动给出答案。
同一段经验被拆成画面、轨迹与接触关系,三份记录却常常对不齐。
第二种错位出在任务分布上。标准化采集场地最容易扩量:一个2000平方米的场地,按每个工位约10平方米算,能安排约200人。可模型在这里学会“怎么拿起一个物体”,换到商场、厨房或工厂,还是可能不知道该怎么办。杨哲轩说,这类场地容易起量,场景泛化性却很难给出来。
第三种错位来自本体差异。人与机器人、不同机器人之间,身体结构、动作空间、控制方式都不一样;人类数据要复用到机器人身上,得经过相机标定、任务Schema定义、动作映射和本体适配。Physical Intelligence去年12月的一项研究也发现,只有预训练数据在场景、任务和本体上足够多样,人类视频向机器人的迁移能力才会显现出来。
同一只杯子,人和机器看到的位置并不一样。
这也是智域基石正在重点关注和积极探索的方向:如何缩短human-to-robot的
杨哲轩的判断是,到今天为止,相对确定的一件事仍是scaling会继续发生。再往下细看,关键就在于寻找更陡峭的
所以两类数据的分工并不一样。人类第一视角数据容易规模化,主要服务预训练阶段在场景、任务和动作上的泛化;真机数据更贴近具体本体和执行反馈,适合特定任务的
杨哲轩当时聊的内容已超出单个模型或某次发布的范畴,落点在语言与数据结构怎样充当具身智能的底子。OpenAI 二度搭建机器人模型研究团队之后有哪些后续变动、Anthropic 发布 Fable 5.2 等消息,那阵子都还没对外公布。等到行业里的公开动作接连冒出来再回看,这更像一场抢在事前发生的行业预判。
中国信通院等机构8月发布的报告显示,到今年6月底,全国建成并启用的具身智能训练场已经超过70家。但中国信通院与清华大学电子工程系等单位10月发布的《具身智能发展报告(2026年)》同样提到,具身智能眼下还在往试点应用过渡。
判断数据有没有效,看的是它能不能覆盖模型要学的能力;采集时长本身不算判据。行业要争的,也从采得更多转向留下更有训练价值的部分。
数据编译:从观测记录到操作级资产
杨哲轩认为,观测级数据和操作级数据的核心区别,在于有没有一套结构化体系把数据对齐。缺的不是更多标签,而是一套能把不同信号放进同一坐标系的语言。用他的话说:“我的判断,语言,特定地说,结构化的语言,才是唯一可以对齐的东西。”所以智域基石选择用结构化语言组织任务,同时补充
还是拿整理茶杯来说。视频进入管线,先过数据质检这一关:丢帧的、IMU漂移的、关键动作被挡住的、操作不合规的片段都会被剔除,外部服务商产出的数据同样躲不过这道筛。之后进入数据底座重构,系统把便于写入的录制数据转成读写平衡的自研中间格式(▲编译管线:左端是未经整理的观测,右端是可检索、可交付的数据资产。
接下来才是核心的数据编译:任务被拆成多个步骤,并与语言对齐,手部姿态、
撑起这条管线的,是观测级数据输入、Physical AI DBMS
外界往往把数据生意归到劳动密集型那一类,杨哲轩不这么看:“数据其实是一个有高科技属性的制造业。”在他眼里,劳动密集是这门生意的特点,但不等于没有壁垒。高科技属性就体现在手部姿态生成和轨迹提取上——手挡住作业的关键区域时,信息提不出来,只能靠模型还原,而这需要大量无遮挡数据来训练,再拿真值去验证。“这个工作不是说我组织一大堆人就能解决,需要你有卡、有数据、有算法人才。”
制造业的那一面落在质检上。产品出厂前要质检,数据交付前也一样,自动化没法完全闭环。“很多同行都在宣称100%自动化标注与质检,这是做不到的。如果你能做到了,就意味着模型不需要你的数据了。”杨哲轩说。所以智域基石把自动化、多级质检和统计抽检放在同一条生产线上。说到底,数据编译是一门有技术门槛的制造业,不是简单清洗或贴标签,而是靠数据库工程、物理因果理解、算法和质量控制,把一次性的观测记录稳定加工成模型能用的数据资产。
数据编译的能力边界
经过编译,原始观测数据变成可训练、可评测的操作级数据资产。但这不代表数据已经能直接驱动机器人干活。杨哲轩强调,编译后的数据“还没有走到机器人层面”,不是能直接下发给任意机器人的控制指令。不同机器人在身体结构、动作空间和控制系统上各有差异,数据要进入具体机器人的训练和应用,还得做本体适配。
这也意味着,跨本体复用不是把同一份数据或动作指令直接复制到不同机器人上。真正能复用的,更多是任务定义、失败分类、观测规则、质量门禁和恢复模式这些方法与经验,它们能给不同本体的数据生产和训练提供参考;至于具体的数据处理与动作映射,仍要结合机器人自身的特点来完成。
除了本体差异,数据来源本身也决定了适用范围。人类第一视角数据记录的是人的操作过程,胜在场景和任务多样,主要支撑预训练阶段的泛化能力;真机数据更贴近特定机器人本体及其实际执行反馈,适合围绕具体任务开展
“我觉得我们公司,包括我的职业生涯、我的基因,应该是不会去大规模做预训练的。”杨哲轩说。他更希望公司未来在大规模
从一次性采集,走向持续的真实任务供给
数据编译要持续运转,就得不断拿到真实任务。智域基石在官网上提出了“
现阶段,公司同时采集真机数据和人类第一视角数据,外部服务商参与生产,内部团队负责任务定义、加工和验收。杨哲轩认为,做数据的难点不在雇多少人,而在于能不能站在模型训练的角度先把任务定义好——这也是公司坚持在真实场景中采集真实任务和动作的原因。硬件是另一项投入。智域基石自研了▲智域基石自研的
谁在为操作级数据付费
智域基石目前的客户主要有三类:国内外专注预训练的基础模型公司、头部具身智能企业,以及有预训练需求的机器人本体厂商。这些客户看重的不是采集时长,而是来自真实场景、能进入训练和评测流程的数据资产。
数据的定价逻辑也跟着变了。杨哲轩的看法是,价格之所以被一压再压,根子在于有效率太低。“我从你这儿买了1000小时,最后要花人去质检、花人去处理,筛选下来可能就10个小时,所以你只能无限地去压这个价格。”另一边,模型公司的查重能力在不断增强,重复的数据基本带不来什么提升。
模型团队为什么还要找第三方?自建团队当然做得成,可要跨任务、跨本体长期持续产出,投入不是一天两天的事。更难的一关是:下一步该要什么数据,得有人判断得准。
杨哲轩打了个比方:“数据这个事情特别像服装行业。大家都卖衣服,但是有些衣服流入大卖场,有些衣服进到高档商场,想做到后者,需要提前预判下一季流行什么。”这话的意思是,团队自己得懂模型,摸得清模型能力的边界,也看得见它往后往哪走。
第三方能提供的价值,是把这些真正要紧的能力做成可以持续交付的服务。从行业观察看,手握垂直场景和敏感数据的大型产业方,未必乐意对外开放。杨哲轩的判断是,它们更可能在自己的体系里把数据闭环跑完。
智域基石眼下选择从项目切入,这一做法来自对客户的深入观察:按客户的训练需求划定任务、组织采集,再把编译好的任务数据集和评估资产依客户要求打包,直接送到客户算力所在的地方。杨哲轩把这种关系概括为“数据跟着算力走”。
不过,交付数据并不是公司的终点。任务和数据越积越多之后,智域基石打算再往前走一步,下场参与模型部署,围绕真实场景开展大规模
这些事最终都指向同一个目标:物理世界里的动作经验能被模型继承下来,具身智能借此重新进入真实世界,成为能承担具体任务的劳动力。
数据竞争的下一阶段
具身智能的数据赛道刚经历一轮快速扩张,接下来要变的地方,可能有好几个层面。
最先动的或许是采购方式。模型团队对数据有没有效的判断越来越成熟,采购会从按采集小时计价,慢慢转向看任务覆盖、看数据质量、看训练价值。
采购逻辑一变,供给结构也跟着调整。人类第一视角、真机和仿真数据会围绕不同的训练阶段互相补位,数据供给不再依赖单一采集方式,而是走向多源协同。
再往后,产业分工也可能被重新划定。专业第三方的数据编译服务,和大型场景方内部的データ闭环,很可能长期并行;数据基础设施则会慢慢成为连接真实任务与模型训练的关键环节。
▲下一阶段比拼的不是采得更多,而是斜率更陡。
这些判断还得靠时间检验。智域基石正在做的,是把物理世界里的每一次操作,都变成模型能学习、能评测、能持续复用的资产。具身智能的数据竞争已经进入下一阶段,比的或许不再是谁采得多,而是谁能真正把数据编译成智能。