杨哲轩谈数据编译:结构化语言如何让机器人重新进入真实世界
▲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,问题恰恰在这里

一只瓷杯能变成可复用的数据资产,前提是编译发生在每次操作之后。
桌上放了几只茶杯。采集者戴上头戴设备,把杯子一个个拿起来、挪开,再放回原处。连续视频和惯性测量单元(IMU)数据都被设备记了下来。看起来,动作已经完整留存。然而任务一结束,这段经验往往就到此为止,并不会顺理成章地变成下一次能调用的能力。
杨哲轩的看法是,问题恰好出在这里:动作被记录下来,不过是开头。视频讲清了发生过什么,却没告诉模型下一步怎么做。动力学、意图、空间关系,以及失败后怎么恢复,这些它都没有。要把一次整理茶杯的动作变成可复用的智能,系统还得把任务拆成步骤,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,变成下一次可以调用的智能。

桌上放着几只茶杯。动作被记录下来,仅是开始。
具身智能眼下正走向数据规模化,采集的量上得很快,可真正高质量的数据缺口一点没小。36氪今年5月的一篇报道曾引用业内普遍看法:要训练出具备通用泛化能力的具身模型,数据量起码得达到千万小时级别;而到2026年初为止,全球高质量真实物理交互数据加起来只有约50万小时,连大语言模型训练数据的万分之一都不到(原文写的是两万分之一,此处按原文保留:不足两万分之一)。
杨哲轩打过一个更直观的现场比方:外购1000小时数据,筛完之后可能只剩约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鸿沟。
智域基石想补的正是这套结构。公司把自己摆在采集和模型训练中间,靠Physical AI DBMS和物理因果模型,把真实任务里的多模态观测编译成可训练、可评测、可查询、可复用的操作级数据资产。目标还不止于此——让物理世界的每个动作都成为可复用的智能,让具身智能重新走进工厂、商场、家庭和其他真实场景,成为能承担具体任务的劳动力。
数据与模型学习需求之间存在三重错位
杨哲轩并不认为数据会因“采够了”而贬值。模型每往前一步,新的短板就冒出来,数据需求也跟着变。就像考试不断出新题,模型进入真实工作环节后,也会不断提出新问题。
说到底,现有数据和模型之间还有不少错位。
最直接的一重错位在学习对象上。视频记下了物体在哪儿、手动过什么,却未必包含模型需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,而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上。
第二重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,照样可能不知道怎么办。杨哲轩说,这类场地容易起量,却很难带来场景泛化性。
第三重错位源于本体差异。人和机器人、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。

同一只杯子,人和机器看到的并不是同一个位置。
这正是智域基石重点盯住、也在积极摸索的方向:怎么缩短human-to-robot的embodiment gap,让人类攒下的动作经验能被不同机器人理解、映射和复用。这道鸿沟一旦缩短,受影响的就不只是某个任务或某一类机器人,具身智能把数据规模转成实际能力的效率也会跟着变。
杨哲轩判断,到今天为止,还算相对确定的一件事是scaling会继续发生。再往下拆,关键就是找更陡的scaling斜率,让模型能力以更低的成本往上长。
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,适合特定任务的后训练。杨哲轩举例说,要把某个具体任务的成功率继续往上推,就一定得采真机数据做后训练。
那会儿OpenAI第二次组建机器人模型研究团队后的人事变动、Anthropic发布Fable 5.2这些事,外界还都不知道。杨哲轩当时聊的话题,已经越过了单个模型、单次发布,落到语言和数据结构怎样充当具身智能的底座上。再往后,行业里的公开动作一件接一件冒出来,回过头看,那更像是提前给出的一次行业判断。
行业这边,中国信通院等机构8月发布的报告提到,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。不过中国信通院与清华大学电子工程系等单位10月联合发布的《具身智能发展报告(2026年)》同样提到,具身智能目前还处在向试点应用过渡的阶段。
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差别,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。”于是智域基石选择用结构化语言组织任务,同时补上动力学、空间位置和运动意图等信息,并已据此搭起并应用了五环节数据编译管线。
还是拿整理茶杯来举例。视频进了管线,头一道关是数据质检:丢帧的、IMU漂移的、关键动作被挡住的、操作不合规的片段,统统筛掉;外部服务商产出的数据也得过这一关。过关之后是数据底座重构,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(IR),多模态数据的时间基准和空间坐标也在这一步统一。

▲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。
制造业还有另一面,就是质检。产品出厂前要检,数据交付前也一样。杨哲轩说:“自动化做不到全流程无人。”所以智域基石把基于模型的自动化、人在环的多级质检和统计抽检,摆到了同一条生产线上。
再往下是数据编译这个核心环节。任务先被拆成多个步骤,再和语言对齐;手部姿态、6DoF位姿、空间轨迹、深度、运动意图在这一步被还原出来,注入数据。据智域基石介绍,编译好的数据能按场景、物体、技能等条件做智能检索和组配,最后按客户要求的格式标准化打包交付。
撑起这条管线的,是四层架构:观测级数据输入、Physical AI DBMS、物理因果模型、操作级数据输出。
Physical AI DBMS是公司内部的数据底座,管的是异构数据的组织、索引和版本追溯。杨哲轩是数据库出身,在他看来,自动质检、标注算法、物理因果模型的运行都靠这个底座撑着,不然系统扛不住工作负载。物理因果模型管的是理解任务本身——阶段怎么分、状态怎么变、物理接触在哪、失败原因是什么、恢复路径怎么走,最终输出训练数据集、基准、场景数据包、评估资产和可复用的任务模板。
外界常把数据生意看成劳动密集型行当,杨哲轩不这么看:“数据其实是一个有高科技属性的制造业。”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。手把作业的重要区域遮住时,信息提不出来,只能靠模型还原,这得有大量无遮挡数据来训练,再用真值去验证。“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。智域基石的做法,是把自动化和多级质检、统计抽检搭在一起。
说到底,数据编译是一门有技术门槛的制造业。它不是简单清洗、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
编译之后,原始观测数据变成了可训练、可评测的操作级数据资产。但这不等于数据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。各家的机器人在身体结构、动作空间、控制系统上都有差异,数据要进到具体机器人的训练和应用里,还得做本体适配。
这也就意味着,跨本体复用不是把同一份数据或动作指令直接拷到不同机器人上。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和经验。它们能给不同本体的数据生产和训练当参考,但具体的数据处理和动作映射,还得结合机器人自身的特点来做。
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的是人的操作过程,场景和任务多样性是它的优势,主要给预训练阶段的泛化能力打底;真机数据更贴近特定机器人本体和它的实际执行反馈,适合围着具体任务做后训练。两类数据对应不同的训练需求,替代不了彼此。
这些技术边界,也划出了智域基石的业务边界。公司主营方向不是机器人本体和通用基础模型研发,但模型训练也不是完全不碰。团队会做小规模预训练,用来评测自产数据的效果;同时靠参数规模不大的模型保持对模型需求的理解,验证新的技术想法。
“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后训练上发力,帮机器人进入具体场景完成真实任务。
对智域基石来说,数据编译的核心工作,是把物理世界的操作经验转成模型能用的数据资产。至于模型怎么掌握这些经验、又怎么变成机器人的实际能力,还得靠模型研发和本体适配等环节一起完成。
从一次性采集,走向持续的真实任务供给
数据编译要持续转起来,就得不断有真实任务进来。智域基石在官网上提了“真实任务网络”的构想,想把产业园区、机器人企业、模型团队和科研机构连起来,让任务入口、作业环境、机器人本体和模型需求接进同一套数据体系。
目前公司两条腿走路:真机数据和人类第一视角数据同时采,外部服务商参与生产,内部团队负责任务定义、加工和验收。杨哲轩觉得,做数据难的不是雇多少人,而是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里采真实任务和动作的原因。
硬件是另一笔投入。智域基石自研了ArcheGo系列可穿戴采集设备,分双目和六目两个版本,覆盖头戴主视角和双腕。杨哲轩坦言,做硬件是为了把物理规律、物体接触这些信息更完整地送进数字世界。

▲智域基石自研的ArcheGo系列可穿戴采集设备(双目/六目)。
谁在为操作级数据付费
智域基石现在的客户主要有三类: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。杨哲轩认为,数据价格被一再压低,很大程度是因为有效率太低。“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越来越强,重复的数据几乎带不来提升。
模型团队为什么还要找第三方?自己搭队伍不是不行,可跨任务、跨本体的数据要持续产出,就得长期砸人砸钱,更难的是判断下一步到底该要什么数据。
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。”照他的说法,队伍得自己懂模型,摸得清模型能力的边界,也看得准它往后往哪走。
第三方能提供的,是把这些真正要紧的能力做成能持续交付的服务。从行业里看到的情况看,手里有垂直场景和敏感数据的大型产业方,未必乐意对外开放,杨哲轩判断,它们更可能在自己的体系里把数据闭环做完。
因为对客户摸得比较透,智域基石眼下选择从项目入手: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按客户要求打包,直接送到客户算力所在的地方。杨哲轩把这层关系说成“数据跟着算力走”。
不过公司不打算一直只交数据。任务和数据越攒越多之后,智域基石计划进一步下场参与模型部署,围着真实场景做大规模后训练,把数据编译的能力伸到模型训练、部署和执行反馈里头,帮机器人在具体环境里干更复杂、更稳的活。
这些事最后都指向同一个目标:让物理世界里的动作经验能被模型继承下来,推着具身智能重新走进真实世界,变成能扛具体任务的劳动力。
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,接下来的变化,可能会落在几个层面上。
最先变的,可能是采购方式。模型团队对数据有没有效的判断越来越成熟,采购数据就不再按采集小时算钱,会慢慢转向看任务覆盖、数据质量和训练价值。
采购逻辑一改,供给结构也跟着动。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。
再往下,产业分工也可能被重新划一遍。专业第三方的数据编译服务,和大型场景方内部的闭环,很可能长期并行,数据基础设施则会慢慢变成连接真实任务与模型训练的关键一环。

▲下一阶段比的不是谁采得多,而是谁的斜率更陡。
这些判断还得靠时间来检验。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、能评、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,比的或许不再是采集量,而是谁能真正把数据编译成智能。