Claude Fable 5.2发布：能玩魔方拧瓶盖，大厂还缺什么数据？

Anthropic 这回也来抢机器人公司的风头了，跟 OpenAI 之前一样。

新模型 Claude Fable 5.2 今天正式发布。编程、推理这些常规能力都有升级，但更让人意外的是另一面：Claude 能玩魔方、拧瓶盖，还能操控机器人画画。

OpenAI 的 Astra 前段时间刚在机器人操作任务上露过一手，现在 Anthropic 也跟上了。

这些本事，以前是具身智能公司花大力气训练专用模型才做得出来的。现在通用基础模型也伸脚踩进了这块地。

难免有人担心：机器人公司辛辛苦苦训出来的模型，哪天会不会被基础模型「吞掉」？

这个争论已经持续了一段时间，眼下还没有定论。但不管最后操控机器人的是通用大模型、VLA 还是世界模型，都绕不开一个基础问题：它们对物理世界的经验从哪来？

物理经验能不能直接从通用基础模型用的常规数据里涌现出来？至少前段时间针对 Astra 的一项研究给出了相反的信号：事情没这么简单，OpenAI 在训练中可能用了专门的机器人数据，GPT-6.1 Sol 和 Gemini Argon 也接受过类似训练（参见《GPT-6 Astra 的机器人能力被扒：可能接受过专门训练》）。

换句话说，这轮通用模型在机器人任务上表现亮眼，未必是智能凭空冒出来，更可能是数据在底下撑着。

即便是通用大模型，也得靠训练数据补上对真实世界的理解。模型能力越往上走，具身智能能走多远，就越看背后数据基础设施给不给力。

真实物理接触所产生的数据，正是机器人掌握精细操作绕不开的一环。

触觉数据因此在机器人研究圈子里越来越受重视。Meta FAIR 拿出的 Digit 360 触觉传感器与 SparAsh 触觉模型，做的就是让机器获取并读懂更丰富的接触信息。触觉数据的分量，也随之水涨船高。

国内还真有人在认真啃这块硬骨头。

简智自打成立起，就扎在产业链更靠上的位置——做数据基础设施。从头戴的第一视角设备，到手上的数据手套，他们要回答的其实是同一个问题：人在真实世界里的操作，怎么才能尽量完整、准确地转成模型能学的数据。

这条产品线近日迎来更新：数据手套 Dex 2.0 和第一视角头戴设备 DAS Ego 2.0 同时亮相。第一视角视觉、腕部近场视觉、手部运动与触觉几路信息合在一起，搭出一套多层次的 Human Data 采集体系。

道理不难懂：一次真实操作中，看、动、摸本就同时发生。眼睛先锁定目标，手再靠近、抓握，触觉则告诉你握没握稳、打没打滑。少掉哪一路，模型学到的都只是一个残缺的故事。

要把「完整」落到实处，先得厘清：一次操作里，每一路信息各自担什么角色。

在简智的技术方案里，触觉并非一块单独添上的拼图。环境与人体运动由第一视角视觉记录，被遮挡的手部操作细节靠腕部相机补足，关节运动和物理接触则由外骨骼与触觉传感器直接测量。

几路信息凑到一起，才构成完整的多模态 Human Data。腕部相机加进来之后，采集系统既留住了第一视角的环境信息，又更贴近手指与物体真正发生交互的位置。

近距离视觉与高精度触觉数据一旦准确对应，图像、关节运动和接触状态之间就能建立起联系，模型学习精细操作时也便有了更完整的监督信息。

更关键的一步，是简智想让高精度运动与触觉数据充当 Ground Truth，帮视觉模型把图像与真实物理接触对应起来。

反过来讲，视觉也要从触觉里学东西，而不只是拿触觉去补视觉看不到的部分。

数据采集设备的设计思路也跟着变了：不再一味往上堆传感器，而是按任务需要让多种模态互相补充、互相验证，最终把整套 Human Data 生产体系的有效性提上去。简智拿出的 DAS 2.0 数据采集方案就沿着这条路走，把第一视角视觉、腕部近场视觉、手部关节运动和触觉信息凑到一起。几类设备能分开用，也能按任务灵活拼起来，真实场景的覆盖面扩大了，精细操作需要的物理信息也留住了。

Dex 2.0 把两个难处一起处理了：手部运动怎么测，触觉怎么记。它用约 60g 的侧置外骨骼和约 3mm 的微型仿生关节，把机械结构放在手指侧面，动作干扰尽量压小的同时，关节运动直接记下来。再配上全掌覆盖的半柔性压阻式电子皮肤，手跟物体接触时的压力信息也能同步拿到。

有些方案靠磁场测量间接把手部姿态重建出来，Dex 2.0 走的直接关节测量路线不一样：外部磁场和金属环境对姿态估计的干扰能压下去，运动与触觉数据的精细采集也一并顾到。

DAS Ego 2.0 的升级落在两处：指尖细节追得更准，全身运动记得更全。六摄像头系统把水平视野扩到 340°，人体运动和周围环境能被看到的范围大了；指尖追踪精度提到 4mm，精细操作里的位置估计误差也就少了。说到底，Ego 2.0 不只看手指在局部怎么动，转身、弯腰、伸展这些动作里的全身协调也一并管，模型拿到的人类操作过程因此更完整。

Ego、Dex 和 Wrist Camera 一起干活，再加上 DFM（Data Foundation Model）处理全身运动数据，简智想让环境视觉、局部操作、关节运动和触觉信息在同一个数据体系里对齐。

放到机器人训练上看，数据就不再是几段互不相干的视频或传感器读数，而有机会把一次操作从观察到接触、再到动作调整的物理交互过程完整讲清楚。

从模态叠加到协同学习，

触觉数据如何补上关键一环？

硅谷大厂接连扎进具身智能，机器人要干的事早已不只是某个固定场景里的单一任务，更复杂、更精细的操作也得拿得下。这就意味着，模型不光要学动作轨迹，还得弄明白人在真实环境里怎么看、怎么判断、怎么碰到物体，以及收到反馈后怎么调整动作。数据采集因此被提出了新要求。

人类数据得足够丰富，场景和操作覆盖得够多；同时还得足够准，能把真实操作中的关节运动和物理接触还原出来。只盯着采集规模，未必撑得起模型对精细操作能力的训练。

问题是，眼下各种采集方式各有各的短板。只靠第一视角摄像头，记录环境和人类操作是方便，可手和物体互相遮挡这一关很难绕开；再加近距离相机，接触位置、多指协同这些细节能补上一些，真实的接触力却依然测不到。

数据手套能给出更精确的关节运动和触觉信息，代价是设备更复杂、采集成本更高。那有没有一种方案，既用上视觉采集的规模化优势，又靠高精度触觉数据把关键的物理信息补齐？

简智机器人的做法不是二选一，而是让不同模态一起干活。

针对不同层次的数据需求，简智搭了三套采集方案：

• Ego 单独采集：用第一视角视觉记录周围环境、人体运动以及人与物体之间的关系，适合在不同真实场景中开展数据采集。

  
  

• Ego + Wrist Camera：加装腕部相机，从更近的视角补充手指与物体的接触、分离，以及多指配合等精细操作细节。

  
  

• Ego + Dex：把第一视角视觉和数据手套结合起来，进一步记录原生关节运动和全掌触觉，得到视觉、动作与物理接触相互对应的高精度多模态数据。

这三种方案对应着不同的采集成本，但更关键的是，数据之间能彼此配合。以 Ego + Dex 采集到的高精度运动与触觉数据为例，它能充当 Ground Truth（真值），给视觉模型带去更直接的物理交互监督。

只要模型学会了视觉画面与真实接触状态之间的对应关系，就有机会仅凭视觉输入，推断出那些原本很难直接看到的触觉信息。换句话说，触觉不只弥补了视觉中缺失的物理信息，还可能反过来教会视觉去理解接触。

想让这种协同真正落地，各模态数据在时间上必须对得准。简智为此对相机模组和通信控制做了内部重构，靠无线硬件同步做到标称 1ms 级的头手时间对齐，尽量不让视觉、关节运动和触觉信息之间发生错位。

从只用视觉，到加入近距离视角，再到引入高精度运动与触觉真值，简智想搭的并不是一套简单堆传感器的采集系统，而是一条让不同模态互相补充、互相促进的数据生产路线。高精度数据为大规模视觉采集提供监督，不同采集方案一起服务于模型训练——这才是简智多模态 Human Data 方案更值得关注的地方。

从手部到全身：如何记录完整的人类操作？

简智此次发布的新品能适配不同场景。Dex 2.0 是一只兼顾手部运动捕捉与全掌触觉感知的数据手套，DAS Ego 2.0 则是一套第一视角头戴式多模态采集设备。一个盯手部精细运动，一个负责全身视觉记录，合起来试图更完整地还原人在真实环境中的操作过程。

Dex 2.0：让动作自然发生，让关节运动直接测量

Dex 2.0 要回答的核心问题是：怎样在不打扰人自然操作的情况下，把手部运动准确记下来？

传统数据手套要把传感器或机械结构装在手背、指尖这些地方，打字、贴面拾取、掌内旋转这类精细操作难免受干扰。另一类方案靠柔性传感器或视觉关键点，得从形变或图像里间接反推关节角度，遮挡一来就容易失准。

左：Dex 2.0 侧置仿生外骨骼；右：传统背置式外骨骼。

简智的做法是把主要结构挪到手指侧面，做成侧置仿生外骨骼，机械关节因此更贴合人手的自然运动轴，指背、指腹和掌面这些关键操作区也空了出来。微型磁编码器被集成进仿生关节内部，局部关节转角直接读取，再经运动学标定还原出完整手部状态。

侧置结构带来的好处，是让手尽量不被采集设备本身束缚住。

重量上，Dex 2.0 的外骨骼主体控制在约 60g，微型关节结构缩小到约 3mm。轻，长时间戴着负担小；小，机械结构才能贴近人手的自然运动轴，少占手指的活动空间。

测量端则用 21 个独立关节编码器直接记录手部运动，支持 21 DoF 测量，关节角度分辨率 0.2°，指尖空间位置精度约 1mm。

也就是说，佩戴者得能自然地做完精细动作，设备还得把动作是怎么完成的尽量准确地记下来。放到机器人训练里看，前一点决定数据真不真实，后一点决定这些动作能不能被有效学习和复现。

除了运动数据，Dex 2.0 还集成了半柔性压阻式电子皮肤，用来记录手与物体接触时的触觉信息。

但实际用起来，材料拉伸、褶皱、滑移都会产生误信号，传感单元排得密，彼此之间还容易串扰。简智为此自研了石墨烯喷涂的触觉传感方案，靠半柔性材料和多层结构设计，改善形变响应与信号稳定性。

触觉测量上，Dex 2.0 用 16 块触觉传感器、980 个感知单元覆盖手部接触区域，空间分辨率达到 1mm，接触发生的位置及其变化能记得更细。

不过，触觉数据要用于模型训练，光靠感知单元排得密还不够，还得能分清真正的接触和传感器自身冒出来的误信号。

拿手指只有一小块区域碰到物体来说，理想的触觉数据应该如实反映真正受压的那部分，而不是让四周根本没碰上的感知单元也跟着出现明显反应。

简智的做法是用半柔性压阻式材料配合信号处理设计，把感知单元之间的串扰压下来。串扰水平低于 1% FS，非接触区域乱出响应的情形因此变少，接触分布数据的可信度也就跟着提高。

与其一味堆触点数，不如把串扰和误触发管住——这对模型建立准确的动作与接触对应关系更有帮助。

DAS Ego 2.0：看清指尖，也看见全身

Dex 2.0 主要盯的是手部运动和触觉信息的精细采集，DAS Ego 2.0 则把数据采集的空间范围又往外扩了一圈。

以往的第一视角数据采集，大多围着固定桌面操作转，记录的主要是双手和周围物体的交互。可机器人一旦开始学移动操作，人转身、弯腰、伸展，还有身体各部位之间的配合，同样成了重要的训练信息。

第一视角采集难在哪？不光是看清人手在做什么，还得尽量准确地还原手与物体之间的空间关系，以及人在操作时身体的协调运动。

为此，DAS Ego 2.0 从精度和视野两头对视觉系统做了升级。

精细操作这块，核心摄像头由 200 万像素升到 500 万像素，指尖追踪精度提高到 4mm。指尖位置估得更准，模型在抓取、接近、接触这些动作上的判断误差就能少一些。碰到小物体、窄空间，几毫米的偏差就可能牵连后面的动作规划。

全身运动这块，六摄像头系统把水平视野从 270° 拉到 340°。视野大了，转身、弯腰、侧身时丢掉的信息就少，模型除了看局部手部动作，也能拿到更完整的身体运动和环境关系。

精细操作和全身协调，这套设计两头都顾到了。放到复杂、连续的真实场景任务里，第一视角数据也因此更合用。

视觉之外，设备还装了 200Hz IMU 和麦克风，惯性信息与环境音频可以同步录下来。真实采集环境里光线往往不理想，团队针对弱光、光线切换和强光眩光下的成像做了优化。

规模化采集这块，DAS Ego 2.0 改进了佩戴结构，加入头姿检测、头发遮挡检测，批量数据后处理能力也做了提升。磁吸电池允许不关机更换，单电池包能撑约 2.5—3 小时，MCAP 标准数据格式同样在支持之列。

Dex 2.0 盯的是手指关节的细微变化，Ego 2.0 记录的是人体在真实环境中的连续运动，两者各自补上了人类操作数据的一个维度。不过这些信息未必非得同时采集。任务该配哪种设备组合，不同模态的数据又能不能互相补充，才是简智这套采集体系接下来真正要看的地方。

从采集到训练，什么样的数据才真正有价值？

机器人模型要学的是物理交互过程，训练数据就得把这个过程描述得完整、准确。

拿抓取物体来说，同样是抓，模型不光要看手指怎么动，还得知道手指碰到了哪里、接触状态怎么变，以及操作失败之后人是怎么调整动作的。

这些信息在不在，决定了数据是停留于简单的动作记录，还是能变成真正支撑模型训练和评测的样本。

所以模型需要足够多样的真实操作经验，才能适应不同环境、物体和任务。与此同时，数据还得有可靠的运动测量、清晰的任务过程、准确的物理交互信息。

简智围绕这一需求提出了 Training-ready 数据标准，讲的是真实自然、操作闭环完整、精度达标，外加足够的多样性。

真实自然排在前面。采集设备不能过多干扰人的操作，录下来的应当是人在真实场景里的自然动作与操作过程，而非为了迁就设备刻意演出来的动作。

操作闭环完整则是另一条。数据不能只记动作，从任务开始到最终结果的全过程都要覆盖，相似物体、相似动作还得能清楚区分。桌面上摆着三个红色球，数据只写「拿起一个红色球」不够，究竟拿起的是哪一个必须写明。触觉信息也能帮着确认接触状态与操作结果。

第三点要看精度是否达标。手部位置、关节角度这类空间信息之外，运动过程中的速度、加速度等相对变化同样得稳住，测量一旦波动，就会干扰模型学习。

多样性同样得够。不同场景、不同物体、不同动作都要覆盖，操作失败以及失败之后的调整过程也不能落下。这样模型不只学会怎么把任务做完，还能接触到真实操作里的变化和不确定性。

除了不依赖本体的 Human Data 采集，Dex 2.0 还支持灵巧手遥操作。无本体模式下，设备记录的是人在真实场景里的自然操作；遥操作模式下，人手的运动状态可以转成机器人关节的控制输入，并针对不同灵巧手的自由度、关节布局、运动范围和控制接口做适配，机器人执行状态与任务结果也会同步记录。

两种模式合到一起，「人会做」就能转成「机器人能做」。

再配上 Ego 头环，操作时的环境信息也能一并记下来。模型学到的不只是手指怎么动，还包括这些动作发生在什么场景、是为了完成什么任务。

想让机器人「干活」，谁来做好基础工作？

机器人行业最近确实热闹。「通用大模型指挥机器人玩魔方」这类精彩演示一个接一个。不过把目光从聚光灯下移开，很多不那么显眼的问题还等着有人来解决。

比如，采集设备怎样做到既够精确，又不妨碍人正常活动？摄像头、关节编码器和触觉传感器的数据怎么准确对应起来？收集到的数据又怎么保证真能拿去训练模型？

这些问题看着琐碎，却直接关系到机器人能从真实世界里学到多少东西。

简智打创业第一天起就把方向定在Human Data上，一路做到今天，成了一家面向物理AI模型的数据与评测基础设施公司。

跟直接下场做具身模型相比，搭数据基础设施这件事更靠底子，也更熬人。设备研发只是其中一块，人体运动测量、多模态同步、数据标准化、机器人适配，样样都要啃。有些难题在现有市场上根本找不到现成的合适方案。

拿触觉来说，传感器不是往手上一装就能用。接触和压力得记准，对自然动作的干扰还得尽量压小，长期用下来稳不稳定也要顾到。简智为此持续投触觉材料和电子皮肤的自主研发，光相关材料方案就迭代了约九个月。

相机模组和多模态同步系统也是同样的路子。简智没有完全依赖现成方案，而是更想攥住关键技术的迭代能力，让产品能跟着真实的数据需求随时调整。

技术自研之外，开源这件事简智一直在做。

刚起步的团队训练机器人模型，常常算法还没开始研究，先被数据卡住了。简智的看法是，具身智能还在快速探索期，不是每个研究团队都有条件从头搭一套数据采集系统。

开放的高质量数据能帮更多团队省掉重复投入，把资源挪到模型训练、算法验证和新技术探索上去。

正在进行的机器人学术顶会CoRL上，简智带来的Dex 2.0与Wrist Camera组合方案吸引了不少人，大家围着数据采集方式聊了很多。

模型和机器人本体之外，一个很实际的问题大家都关心：真实世界里的操作数据，怎么才能更方便、更准确地拿到手？

以前，机器人企业靠专门训练的模型，能在部分操作任务上占住优势。可现在 OpenAI、Anthropic 这类基础模型厂商也杀进了物理世界，这种优势守起来越来越吃力。

真正不好替代的，反倒是真实场景里攒下的操作经验，以及细到受力和形变层面的物理交互数据。技术热点一轮轮换，可机器人学习真实世界所需的数据基础设施，依旧是具身智能往前走的要害。

越来越多真人的技能能变成机器可学的经验，越来越多研究者也能踩着已有的数据积累继续往前，到那时机器人才能从「会动」变成「会干活」。