影溯杭州建具身仿真数采中心：单月百万小时，成本降至1/10

智东西 作者 | 王涵 编辑 | 漠影

AI 这几年能两次上规模，背后都少不了足够的数据撑着。

大语言模型吃的是互联网多年攒下的网页和代码，靠不断训练把能力推上去；自动驾驶公司走的是量产车影子模式（Shadow Mode）的路子，从真实道路上持续回收行驶数据和人工接管记录。特斯拉就是个例子，全球数百万辆量产车把采集这件事摊进了日常驾驶，不用再单独拉一支队伍去大规模人工采数。

可这套条件，到了具身智能这里并不成立。

过去两年，业内主要靠真机遥操作和第一视角（EGO）可穿戴设备来采数据，攒下来的真机有效数据和EGO数据加起来也就数百万小时。对那些已经砸了不少钱的机器人公司和大模型企业来说，想拿到够规模、够质量的训练数据，照样不容易。

10月30日，空间智能公司影溯（InSpatio）在杭州落地全国首个具身仿真数采中心。按影溯的预计，这个中心单月能产出100万小时仿真训练数据，单条数据的综合成本大约是传统真机遥操作采集的1/10。

全行业花两年才积累数百万小时，影溯凭什么敢把产能做到单月百万小时？要弄清这件事，得先看当前具身智能数据采集卡在哪，以及影溯是怎么把现实场景变成机器人训练数据的。

一、 为什么现在的具身行业，做不到大批量的数据供给？

一条合格的具身Token，得同时具备三样东西：三维空间观测、真实物理接触反馈，以及可执行的动作序列。

换句话说，数据不光要记下机器人看见了什么，还得包含它怎么跟物体打交道，以及动作做完之后发生了什么变化。

眼下的获取路径主要有两条：一条在物理世界，用真机和可穿戴设备去采；另一条在数字世界，靠三维建模和物理仿真生成。可慢慢地，两条路都撞上了效率瓶颈。

1、去物理现场硬采：受限于时间、环境和场地

真机遥操作是眼下拿机器人动作数据的主要手段之一，但采起来效率并不高。

一名操作员带着一台机器人干一小时，刨掉设备调试、故障处理、任务复位这些时间，真正有效的采集轨迹可能还不到半小时。要把数据规模做大，就得加机器人、加人手，采集效率被物理时间和设备规模卡得很死。

为了少在机器人本体上投钱，不少团队转去用EGO第一视角穿戴采集，把人在真实环境里的操作过程记下来换数据。不过这种方式也有它的局限。

先说环境调整不够灵活。EGO采集离不开真实场地，要测不同的杂物遮挡、光照条件或者台面材质，就得派人再进一次现场，搬道具、调布景，然后重新采一遍。

再说很多真实场地根本不让外部团队随便改，比如正在营业的商超、车间和药房。训练中就算发现了问题，训练团队也未必能回到原场地复现。

更别提高危作业区、工业产线、脏乱差环境、安防场所和私人住宅这些地方，准入限制很严，外部团队和设备很难进得去。

2、向数字世界要产能：受限于场景建模效率

跟真实环境采集比，仿真能在虚拟环境里反复调场景、调任务，对真机和人工的依赖更少。但仿真平台本身不会直接吐出训练数据，首先要过的就是场景建模这道效率关。

拿Isaac Sim这类物理仿真引擎来说，平台给的是机器人运行和物理交互的模拟环境，可房间搭建、物体建模、关节绑定、碰撞边界设置，还有摩擦系数这些物理参数，仍然得靠人工处理。找3D美术师从头搭一个可交互房间，常常要几天甚至几周，成本和时间投入都不低。

那能不能干脆让大模型来做建模？

最近，GPT-6 Astra、Atlas等模型都开始试水三维场景自动生成，但真要直接拿去训练机器人，还有不少问题待解。

以GPT-6 Astra调用Blender建模为例，底下走的还是“调整参数—渲染成图—比对参考图—再次调整参数”这个反复循环。照这个流程，生成一个物体要几十分钟，一个场景得花数小时。多轮推理和渲染还会把生成成本往上推，程序化拼接出来的场景也容易带着明显的CG感。

效率和成本之外，场景生成得真不真、前后一致不一致，同样是关键。

靠代码参数拼场景也好，从单张图片去猜物体没拍到的部分也好，只要缺了真实空间测量做约束，不同视角下的几何结构、整体空间尺度、物理关系就很难对齐。误差一旦带进仿真环境，机器人的操作会受影响，从仿真迁移到现实的难度也跟着上去——业内管这叫Real2Sim Gap。

真机和EGO采集卡在时间、场地和环境调整上，仿真数据生产又受困于人工建模慢、AI生成贵、场景真实性不够。

怎样快速拿到能支撑机器人实际作业的数字场景，是具身数据规模化生产绕不开的一道坎。

二、影溯的破局思路：用工业流水线逻辑，建一座具身Token工厂

AI算力中心常被叫作AI时代的“Token工厂”——把电力、芯片和原始数据整合起来，持续输出模型训练和推理要用的Token。

影溯在杭州落地的具身仿真数采中心走的是相近的路子。它靠自研的Topos空间智能底座，把现实空间变成可交互的数字场景，再拿来生成机器人训练数据，整条链路拆成三道全自动工业产线：

1、上游场景入厂：15分钟把真实场地搬进云端，替代按周计算的手工建模

针对上面这些问题，影溯把场景采集换成了多源轻量输入加原生3D生成。

能短暂进去的场地，影溯用便携设备扫描，设备进场15分钟就能采完上百平方米空间。碰上进不去的受限或私密场所，就让现场人员拍多视角视频和照片，或者直接调用原生3D场景生成能力，把对应的数字环境建出来。

原始数据进了Topos引擎，系统用算法走三步：

第一步，物体拆解。水杯、药盒、抽屉、门把手这类可操作物体由系统自动识别，从背景里单独剥出来，普通三维扫描中物体和场景容易粘连的毛病就此解决。

第二步，盲区补全。相机拍不到的物体背面、底部，还有移走物体后留下的台面空洞，系统调用原生3D生成模型补齐，生成完整闭合的三维模型。

第三步，物理标定。系统给物体生成碰撞边界，赋予质量、摩擦系数等物理属性，再为柜门、抽屉配好旋转和滑移关节轴，让它们能直接进物理仿真器。

走完这些步骤，现实里的住宅、商超、餐厅、仓库等场景就能变成可运行的数字场景。据影溯介绍，扫描完成后相关场景几小时内即可完成转换。

数字化之后，同一个场景能在仿真环境中反复调用，物体位置、环境条件、交互方式都能调，由此生成不同的机器人训练场景。

2、中游算力扩展：把现场搬道具和串行采集，变成云端的受控调整与并行合成

真实空间一旦拆成可编辑的数字母本，EGO和真机采集最头疼的两件事——环境调整难、单机串行瓶颈——就都化解了。

在影溯产线上，一个真实场景入库后可以反复调用。要增加环境变化，系统直接调数字场景里的参数。接着只引入少量真实示范动作作种子，云端就能启动多个仿真通道，并行规划和执行动作。

抓取、推挤、放置等操作产生的力学结果，由底层物理引擎实时计算，穿模、滑落这类失败尝试被筛掉，最终批量产出包含深度、位姿、接触力和动作语义等信息的具身Token。

具身数据的生产方式因此变了：产量更多取决于数字场景的复用程度和云端并行算力规模。原本靠人工反复布置、采集的活儿，基本都能挪到云端完成。

3、下游品控与闭环：拒绝同质化凑数，按模型短板定向补齐数据

数据规模一大，怎么避开重复采集、保住数据有效性，也是影溯要解的题。

影溯给场景统计定了去重标准：所有场景都以独立、完整的房屋或经营场所建档；同一房间只改灯光或拍摄角度，算场景内部的变体，不重复计入场景总数。数据交付端则按空间几何（L1）、物理交互（L2）、任务闭环评测（L3）分级供给。

数据生产端和下游的模型评测，其实已经连成了一个圈。客户模型在测试里露怯——碰上透明水杯、强反光台面，或者密集堆叠遮挡这类情况老是出错，影溯就照着失败原因，在数字场景里专门造一批相似的复杂环境出来，不用再派人跑现场搭场景、采数据。新生成的数据拿去补模型的弱项，也能在同一套环境里做回归验证。

结语：把物理空间当原材料，具身智能需要自己的Scaling Law

语言模型能顺着Scaling Law一路涨能力，靠的是互联网早就替人类把文本数据数字化、汇集好了。机器人不一样。要走出实验室、扎进千差万别的真实物理世界，它一直卡在一道数据转化的坎上：物理世界本身连续、无序，没法直接塞给模型训练。

行业里多数团队还在走线性积累的老路，加机位、扩招采集员，一点点攒数据。影溯换了个思路：把物理空间当成原材料，用三维重建、生成模型加并行仿真，撑起一座全天候运转的具身 Token 工厂。

等百万小时量级的物理交互数据能像工业品那样按月排产，具身智能的大规模训练才算有了稳得住的数据底座。