实地探访石景山具身智能训练中心：落地 4D 世界模型，补齐具身智能训练闭环

前言：

过去两年，"人形机器人数据训练场"成了各地争相布局的新基建。据行业统计，全国由政府与企业牵头建设的数采平台已超过50个，北京、上海、杭州、苏州、长沙等地相继落子。场子建起来之后，下一个问题自然浮出水面：采集来的数据，价值如何真正兑现？

2026年服贸会期间，北京首个人形机器人数据训练中心给出了自己的回答：位于首钢园科幻产业创新中心的训练中心一期完成迭代升级，以"石景山区具身智能训练中心"的全新身份亮相，与已投入运营的二、三期形成能力协同。近日，「机器人产业应用」走进首钢园，实地探访了这座训练场的新模样。

一、先看全局：训练场"换"了什么

走进训练中心，最直观的变化不在设备数量，而在底层逻辑——这里不再是一个单纯的动作数据训练场，而是升级为4D世界模型驱动的数据训练基础设施，目标也明确为一句话：让机器人"看见世界、理解世界、进入世界"。

升级后的训练场以4D世界模型为数据底座，统筹四类数据源：真人数据提供人类长尾任务经验，真机数据携带机器人运行的真实物理反馈，4D数据是多视点重建的动态三维场景，仿真数据则以真实样本为种子低成本放大规模。四类数据汇入同一个"采集—建模—训练—验证—回流"的闭环，支撑大脑与小脑智能的协同进化。

这套架构的底层思路，借鉴了类人智能的分层解耦：大脑负责认知决策，小脑负责运动执行，感知下沉、分层处理异常。相比"端到端黑盒"的叙事，这是一条更强调工程化与可落地性的路线。

为什么要换？答案藏在行业的共同焦虑里。机器人在真实产线的表现始终受困于泛化差、可靠性不足、节拍慢三大问题，根源在于大多数机器人还停留在"模仿动作"阶段——以2D视频和动作轨迹为主的传统数据，只能回答"这个动作怎么做"，无法教会机器人在环境变化后"该做什么决策"。数据维度必须从2D视频、3D静态空间，升级到包含时间维度的4D动态世界。

而这个数据训练场的技术操盘手，正是凌云光子公司元客视界——它承担了训练场从采集系统到数据范式的核心技术构建。

二、第一站：4D光场采集区，教大脑"看世界"

探访的第一站，是训练场里最"壮观"的区域：80台全域4K同步相机组成的密集视点阵列环形布控，人在场中做任何动作，都会被360°无死角地同步记录下来。

这是4DGS世界模型基座数据采集区，依托的是元客视界LuStage-RoboX多视点场景数据采集系统。所有相机实现帧级毫秒级同步采集，从源头杜绝多视角数据的时空错位；再结合4D高斯溅射（4DGS）重建算法，输出帧间连续、轨迹真实的4D动态场景数据——人如何走动、物体如何被拿起放下、光影如何流转，全部被精确数字化。

"我们为世界模型创作了一套多相机多视点采集的4D时空一致的数据基座。"元客视界CTO杜华向「机器人产业应用」介绍，基于2D视频数据训练出来的世界模型，在推演过程中会存在幻觉问题，而4D时空一致性正是对症的药，"这个思路跟李飞飞这两天提出的Atlas世界模型，技术路线是高度一致的。"

他提到的Atlas，是9月李飞飞联合创办的World Labs发布的多模态世界模型，把文本、图像、视频、相机位姿与三维深度纳入同一框架，被视作具身智能的下一站。全球模型能力在飞速迭代，能喂给它们的真实高精度数据却近乎空白——这套系统的价值恰在于此。值得一提的是，这套LuStage+4DGS方案并非首秀：2026年央视春晚创意节目《梦底》中，演员的数字分身以亚毫米级精度呈现，背后正是70路4K视频构建的全球首例4K超高清4D光场重建直播工程。

三、第二站：运控采集区，教小脑"动得准"

相邻的区域里，工作人员身着专业动捕服，按设定动作完成行走、绕障、搬运箱体等动作，数据实时采集后加载至机器人进行强化学习。这里是机器人通用运控模型基座数据采集区，核心装备是元客视界的另一套自研系统——FZMotion光学惯性融合运动捕捉系统。

工业场景的采集难点在于遮挡：机械臂自遮挡、工装遮挡、物料堆叠，纯光学方案容易跟踪断连，纯惯导方案又有累积漂移。光惯融合架构用光学高精度定位加惯性连续补帧，在复杂工况下仍能保持全程连续跟踪；毫米级动态量测则能把机器人出厂个体误差、关节间隙、负载形变这些"隐性缺陷"，变成可量化、可训练的真值数据。

更有意思的是闭环设计：数据训练出的通用运控小脑模型部署到不同本体后，机器人还会回到这里接受运动评测，一致性偏差被量化出来、再回流到模型精调——"训练—部署—评测—回流"转成一个完整的圈。

四、第三站：精细操作区，教机器人"用手"

如果说前两个区域解决的是"动"的问题，第三个区域攻克的是行业公认的硬骨头：精细操作。

以第一人称（Ego）视角采集手部数据是行业主流做法，但单视角遮挡问题极为棘手——自遮挡、手物遮挡、工具遮挡之下，传统方案有效数据完整率不足60%，标注误差大，大量"伪姿态、伪轨迹"混杂其中。

这里的解法是"多视点真值兜底"：用LuStage多视点三维重建结果作为手部运动的绝对真值，反向标注、校正Ego画面，将遮挡工况数据完整率提升至99.5%以上，关节误差压到亚毫米级。

另一侧，FZMotion正在采集覆盖捏、拧、拨、插、按、旋、对位、微调等上百种手部精细原子动作，构建标准化的小脑原子操作数据集。行业长期"大动作数据泛滥、微操作数据空白"，机器人"粗动作可复现、精细操作失灵"，这个区域补的正是这块最短板的拼图。更重要的是，标准化的原子动作可以像积木一样被拆解、重组、复用——模型学到的不再是某一段具体任务，而是可以迁移到新场景的精细操作先验，这正是通用小脑跨本体泛化的前提。

五、第四站：工业后训练区，让数据"从产线来"

探访的最后一站指向真实产线。典型工业场景后训练数据采集区采用非侵入伴随式采集：不改工位、不上工装、不停产线，工人保持原生作业姿态与生产节奏，设备外置静默采集，产线节拍影响率为零，支持7×24小时量产工况的数据积累。

这一设计的产业逻辑，得从一笔成本账说起。目前真机遥操采集一小时交互数据的综合成本约200元，而训练通用具身智能模型需要数千万小时级数据，现有缺口超过99%。让数据直接从真实产线"长"出来，是绕开成本陷阱的现实路径。

相比上一代技术，以人为中心的数据采集方式，数据质量更高、单位时间采集量更大。更重要的是这样采集的数据更通用、更普适，可以适用于不同品牌的机器人本体。从"以机器为核心"到"以人为核心"，也是元客视界在多个场合反复强调的范式主张：不再让机器人动起来再录下来，而是先把人类最自然的行为数字化，再教会机器人。

六、走出训练场

一圈探访下来，能清晰感受到训练场竞争逻辑的变化。过去比拼的是机器人数量、场景数量、场地面积；现在比拼的是数据维度、精度指标与真值体系——这次石景山把精度口径直接写进了方案：身体PVE不超过20mm、手部不超过5mm、物体结构建模Chamfer不超过2mm。"数据好不好"，正在从宣传数字变成可对标的硬参数。

而更深一层的竞争在于标准与生态。一个训练场能采多少数据固然重要，但更重要的是产出的数据能否被主流模型方和本体厂认可、复用。把大脑数据、小脑数据、真值体系放在同一个架构里统筹，实际上是在尝试定义"下一代训练数据"的规格——谁能定义规格，谁就更接近数据交易链条的上游。这也是元客视界这类技术方的价值所在。

据官方规划，接下来石景山将推动一、二、三期能力贯通，整体打造集真机数据、真人数据、4D光场重建与世界模型仿真推演于一体的综合性具身智能基础设施。

当世界模型成为具身智能的新共识，"数据从哪来"这个最朴素的问题，反而成了最关键的问题。石景山训练场这次升级给出的回答是：把采集真实世界的基础设施，落到真正可以落地的毫米级精度上。