田晏林从凹非寺发来报道，内容来自量子位公众号。

AI已经在研究怎么自己教自己了，机器人却还得靠人类动作补课，这反差够大的。

Agent、Coding Agent、RSI（递归自我改进）这些词，眼下在AI圈里一个赛一个热。

做具身智能的人压力不小，心里甚至有点「要被通用大模型比下去」的恐慌。

就在前几天，Claude方面发文称，Fable 5.2没有针对特定任务做过专门训练，却表现出操控物理机器人的本事。

没过多久，Google DeepMind也推出新一代VLA模型，并称其为目前能力最强的同类模型。

技术比拼打得热闹，厂商真正抢的其实是更下面一层的东西——数据。

眼下业界比较认可的路径，是采集真实的人类操作数据（Human Data），拿大量现实交互把通用机器人喂出来。

想法听着挺好，真动手才知道没那么简单。

视频是拍下了操作过程，可手指一旦被挡住，细小的动作就可能看不清楚；就算动作全拍进去了，接触发生在哪一刻、力度有多大，只看画面照样判断不出来。

那给人手装传感器呢？设备本身可能干扰自然操作，材料形变和信号干扰也会让触觉数据出现偏差。

况且一项任务要记的不止手部动作，从靠近目标、调整身体姿态到完成操作，前后一整套动作都得录下来。

结果Human Data采了一大堆，决定操作成败的关键信息反倒漏了不少。

11月9日，在2026 CoRL（机器人学习会议）上，简智机器人推出DAS 2.0旗下两款新品，想从底层硬件和系统层面入手解题。

其中一款是第一视角头戴式多模态数据采集设备DAS Ego 2.0，另一款是灵巧手数据采集手套DAS Dex 2.0。

此外还配合Ego+Wrist Camera（腕部相机）双视角采集方案，补上第一视角容易漏掉的手部细节。这一方案目前也受到不少前沿AI实验室关注。

这么一来，人类那些常被忽略的「小动作」，也能被机器人逐帧拆解研究了。

人类数据采集，是时候升级了。

说到底，Human Data并不是架个摄像头、把人类干活的过程录下来就算完。

同样一段人类操作，记录的信息不同，机器人最终学到的本事可能差出很远。

况且不同任务所需的数据也各不相同。

有些任务要看清完整操作流程，有些要盯住手指的细微动作，还有些只看视频远远不够，必须把真实接触测出来。

可要真为了采全数据，难道得让每个采集员从头到脚都套上设备？

简智的做法，是让各类采集设备各有分工、又能协同作业：一部分管全局，一部分专盯手部细节，还有的负责测量真实接触。到了需要联合采集的时候，这些训练信号可以在时间和空间两个维度上对齐。

眼下，其Gen DAS数据采集体系主要给出三种配置。Ego担纲第一视角，把人类操作时的环境、动作和任务过程记下来，场景差异、操作习惯，乃至操作失败后怎么调整，都在记录范围内。

如果觉得头上的摄像头离手太远，可以在Ego基础上再加一个Wrist Camera，等于给手部操作开了个「专属机位」。头戴相机能看见人伸手去拿零件，可手掌一挡，零件怎么对准、手指又做了哪些细微调整，就未必看得清了。

腕部相机离操作区域更近，手与物体之间的相对运动、接近方向，以及画面里可见的局部形变，都能持续记录下来。再配合相机标定和轨迹重建，不同视角记录的动作还能对应起来。

再往下，碰上要精确测量手指动作和真实接触的任务，就得请出Dex数据手套。Ego+Dex的组合能直接记录关节运动和触觉信息，视觉难以判断的物理接触，由此补上实测依据。

三种配置分别覆盖任务背景、局部动作和原生物理测量，需要什么信息，就搭配相应的设备。

而在这套体系里，简智首先升级的是机器人的「眼睛」。

DAS Ego 2.0这次最直观的变化，是摄像头更能打了：整机搭载6颗全局快门摄像头，支持30fps同步成像，水平视野扩大到340°。

340°是什么概念？水平方向差不多绕了一整圈。除了身后很小一块区域，周围大多数方向都能被镜头覆盖。

人干活时，注意力也许集中在眼前的零件上，可周围环境同样在影响下一步动作。从货架上取下物品，转身放到另一张工作台，途中怎么移动、周围有没有障碍、目标在什么位置，都可能左右任务能否顺利完成。

视野更广，设备就有机会在同一时刻留下更多环境信息和动作线索。机器人以后要学的，也不必只有手上那几秒钟。

除了视野，摄像头像素提升是另一个大升级。6颗摄像头中，2颗主相机升级至500万像素，另外4颗为200万像素，指尖追踪标称精度可达4mm。

在相同视场和拍摄距离下，从200万到500万像素，图像宽、高方向的采样密度各增加约58%。

手指、物体边缘这些细小结构，有机会获得更丰富的图像信息。

但模型训练不是拍高清纪录片。新增的细节没被用进训练，拍了也等于白拍。

怎么让这500万像素真正派上用场？其实有两条路子可走。

第一条路，是把监督标签做得更好。

画面清晰度上来之后，算法定位手部关键点、重建运动轨迹都会更准，动作标注的偏差也能压下去。

哪怕训练时喂给模型的是低分辨率画面，更可靠的动作标签照样能带来好处。

第二条路，是让模型实实在在看到更多细节。

否则，前面辛苦拍下的高清素材，训练时一律压成小图，手指和物体之间的那些关键变化又丢了。

训练阶段可以用局部裁剪、多尺度输入等做法，尽量把手部操作区域的视觉信息留住，让新增的像素真正起作用。

只是训练时想用上这些细节，采集现场就得先把画面完整地存下来。

录到一半设备没电，或者头发挡住了镜头，画质再高也没用。

Ego 2.0支持磁吸电池包不停机更换，单包续航约2.5至3小时。

配套App能检查头部姿态、识别头发遮挡，还提供一键录制、标准MCAP格式和批量后处理等功能。

单拎出哪一项看，似乎都算不上特别炫酷的技术。

可一旦几十人、几百人同时采数据，少一次中断、少一段废片，采集流程就更统一，数据质量也更有保障。

这些细小的改进攒到一起，就是效率和质量的实打实差距。

眼下，Ego 2.0单季度「有效数据」交付量已从十万小时级提升到百万小时级。

手指上的真实接触，怎么才能采得准？

当然，头戴设备再能打，也有自己搞不定的事。

尤其是手指碰到物体的那一刻。

拧瓶盖时有没有打滑？拿起杯子时握得够不够紧？这些藏在接触面上的变化，摄像头未必看得见。

可具身智能圈早就发现，想把人类的真实「手感」采回来，麻烦还真不少。

首先，设备自己可别添乱。

传统外骨骼如果太厚，容易占用手指和掌面的操作空间。原本轻轻松松就能完成的捏取、抓握，戴上设备反倒变得别扭。

要是操作者自己的手都没法自在地动，那机器人学回来的动作，源头不就已经偏了？

为此，Dex 2.0把外骨骼的主体结构移到了手指两侧，让机械关节尽量贴住人手的运动轴，指背、指腹和掌面都被让了出来，自然操作受到的打扰随之减少。

手指能自由活动了，传感器那边又可能冒出「假信号」。

手指弯曲、材料被拉伸，传感器都可能跟着起反应。有时候只碰了一个点，旁边的触点也一起有动静。

手还没真正接触，信号先跳了起来，模型于是被喂进了「触觉幻觉」。

这次Dex 2.0改用自研的半柔性压阻式电子皮肤，主攻的就是误报问题，设法把材料形变、通道串扰带来的信号与真实物理接触分开。

硬件配置上，单手装了16块触觉传感器，触觉感知单元合计980个。

触觉空间分辨率1mm，最小检测力0.1N，采样频率100Hz。

此外，Dex 2.0还配上自研的「微型磁编码器」，单手由21个独立关节编码器负责记录，支持21DoF运动捕捉，指尖位置精度标称小于1mm。

手指碰到物体的位置、接触力强弱的变化，都因此有了更细的测量依据。

前两个难题有了着落，还有一道关卡同样考验设备。

做过数据采集的人都清楚，录几段Demo不难，连着采上一个月就是另一回事了。

今天测得挺顺，到了明天做同样的动作，触觉信号说不定就变了样。

要让触觉真正成为机器人的学习素材，单次精度之外，长期稳定性也得算进去。

在已经完成的一个月持续采集中，Dex 2.0在相同条件下重复同一动作，触觉响应保持了一致。

触觉采得准、测得稳，接下来要回答的是：这些数据怎么落到机器人身上。

Dex 2.0提供无本体和遥操两种采集模式。

对于这些真实触觉数据，简智还打算让它们发挥另一个作用：给视觉模型当老师。

前面提到的Ego+Wrist Camera，这里就派上用场了。

头戴相机负责记录整个任务过程，腕部相机随手动起来，盯住人手和物体之间的细微变化。

以把零件推入卡槽为例。

零件怎么靠近卡槽、边缘有没有相对位移，甚至一些肉眼可见的局部形变，腕部镜头都能拍到。

但画面里的这些变化，对应的是什么样的接触状态？

只凭摄像头，这个判断还真不好下。

简智眼下在试一条路：Ego、Wrist Camera和Dex同步配对采集，让第一视角、腕部近景跟Dex实测的关节、触觉数据一一对上。

这么做的效果，好比给视觉模型备好一份附了标准答案的习题。

相机标定、轨迹重建、多视角对齐这几步走下来，模型就有机会弄明白一件事：画面里出现某种变化时，手指到底是怎么碰上去的。

配对监督、知识蒸馏等手段接着上，真实触觉里学到的东西，就能搬到更轻的视觉方案里去。

这条路真要跑通，以后不戴Dex手套，光靠Ego加Wrist Camera，也有望判断碰没碰、碰在哪儿，手部追踪还能做到像素级精度。

再往远处想一步：从回答“眼下碰没碰到”，走到预判“下一步会出什么状况”。

这事儿挺有意思——高精度触觉数据，说不定能拉着低成本视觉数据一块儿往上走。

不过话说回来，这还是一条第探索中的技术路线。

物体的重量、藏在背后的接触，这些信息未必能从画面里读出来。模型给出的接触状态预测，也替代不了真实测量。

真实触觉究竟能把多少“手感”教给视觉，最后还得看模型训练得怎么样、实际任务里表现如何。

从一双手，到一整套动作

手指上的功课补齐了，机器人就能学会人类干活了吗？

差得还远。

就说搬箱子，人得先走过去、站好位，再弯腰伸手抓住箱子，最后起身搬走。

要是只记录手部操作那几秒钟，机器人也许学会了怎么抓，可怎么靠近、接下来怎么干，照样一头雾水。

这次简智把Wholebody（全身动作）放进DAS数据体系，想把这些容易漏掉的环节补上。

拆开看是三个层面：

• 策略层：人怎么接近目标、怎么选站位、什么时候换个位置观察，都记下来。
• 协调层：躯干、肩臂和手部如何配合，把一次操作做完，同样记录在案。
• 执行层：拿起物体之后怎么起身、转向、搬运，把前后动作串起来。

照这个思路，机器人要学的就不只是手上那几下。

可人类动作录得再全，机器人也没法直接照搬。

人形机器人、移动机械臂、固定工位上的夹爪，身体结构和运动能力差得不少。

人做起来轻松的动作，换到不同机器人身上，还得按各自的运动约束重新适配。

想照搬人类的操作，先得掂量自己的“身板”扛不扛得住。

换句话说，原始数据必须尽量完整、准确。不同设备拍下的画面、关节动作和触觉信号，时间上不能有偏差。

试想一下，视频里手指刚碰上物体，触觉信号却慢了一拍。模型手里明明攥着“标准答案”，结果答案对不上题。

DAS Ego 2.0和Dex 2.0是两款独立设备，靠统一时钟、硬件触发和相机曝光控制，能把头手时间对齐做到约1ms级。

1ms究竟有多关键？

按手部运动速度0.5m/s来算，1ms的时间错位，对应约0.5mm的运动距离；错开10ms，就对应约5mm。

这还只是时间错位造成的几何偏差，不算设备整体的定位误差。

可放到接触、旋转、松手这类快速动作上，几毫秒的差距，就可能让画面里的动作和传感器测到的接触状态对不上。

采得再细，时间对不齐，模型照样可能学偏。

眼下，简智的数据产品已经在Simate、自然意志、Dreamlabs、生数Vidu AI等团队的模型中得到验证。

连AI模型研发团队都下场拼数据了，具身圈的压力只会越来越大。

不过也别急着替谁下定论。从视觉、动作到真实触觉，Human Data已经采得越来越细。

接下来就看谁能把这些数据真正用起来，把人类的本事学到手。通用大模型已经把题目摆到这儿了，机器人们，该交卷了。