一水 发自 凹非寺

天啦噜，终于挤进前排吃瓜了！

刚拿下仿真、真机双SOTA的黎曼动力，转头拉上光轮智能和诺亦腾机器人，组了个新局。

一个做机器人大脑，一个搞仿真基建，一个靠动捕把人类动作教给机器人。

三家公司凑到一起，要干的事那是相当直接：

共建具身智能数据底座，把长期分散的采集、仿真、训练和评测接成一条线。

黎曼动力还为此立了个flag：

到2026年底，完成100万小时机器人训练数据采集，力争成为全球首个突破这一规模的企业。

100万小时，什么概念？

据亿欧智库报告估算，当前全球高质量具身交互数据仅约50万小时。

换句话说，黎曼动力瞄准的，是现有行业存量估算的两倍量级。

此前，黎曼动力已经用23.2万小时数据训练出Riemann-1.0，初步验证了这条技术路线。

现在，它准备把数据规模再往上推一个台阶，去碰一碰具身智能那道终极命题：

机器人，究竟能不能Scaling？

这个问题，以前靠单打独斗难以回答，那现在不妨尝试组队求解。

一场围绕具身Scaling展开的百万小时实验，就此开场。

模型想要Scaling，数据还没跟上

大模型的发展史，几乎就是一部Scaling史。

轮到具身智能，Scaling却迟迟没有真正发生，卡点何在？

行业已经达成共识：数据。

为什么机器人demo肉眼可见越来越丝滑，但离真正走进家庭和工厂却始终隔着一层玻璃？

若从数据角度看，原因可归结为两点：

一是「量」上不去，二是对「质」的要求越来越严了。

由于无法像大语言模型一样，从互联网直接获取海量训练数据，具身模型的处境目前一直很微妙。

你说这个行业应该也适用Scaling那套吧？数据起不来，没人敢下结论。

于是大家使出十八般武艺，什么真机采集、遥操作、可穿戴设备、定制仿真环境……

各路手段齐上阵，只为攒出更多数据。

结果忙到现在，相比互联网语料动辄万亿Token，机器人训练数据还普遍停留在数千到数万小时，达到数十万小时的模型依然屈指可数。

即使放到全球最前沿玩家中，也是如此。

Physical Intelligence训练π0时，使用了超过1万小时机器人数据，在当时已是最大规模的机器人学习实验之一。

英伟达最新的GR00T 1.7，公开披露的真实示教、人类第一视角和仿真数据加起来，也只有约4万小时。

图源英伟达官方Blog

谷歌DeepMind为了把数据规模做上去，甚至联合全球20多家机构，才凑出覆盖22种机器人本体的100多万条轨迹。

具身智能口中的「大规模」，放在大模型世界里，可能才刚刚起步。

而且麻烦还没完，数据不仅要多，还得真的有用。

机器人需要的数据，按类型目前可以划分为三类：

真机数据负责练就精准控制，人类视频负责理解真实世界的丰富语义，仿真数据则负责补足那些危险、稀有或长尾的任务场景。

三类数据各有价值和短板，很难由任何一种单独撑起Scaling。

但问题是，这些数据，目前还掌握在不同玩家手里。

采集方不知道模型真正缺什么，模型公司很难独自包办真实采集和仿真，仿真平台生成的数据也需要经过模型训练和真机表现验证。

结果就是各采各的、各训各的、各测各的。

小时数看着是越来越大，但究竟有多少真正变成了机器人能力，很难说清。

所以，具身智能真正缺的，其实是一条围绕数据打造的闭环：

模型发现问题，采集补充数据，仿真放大场景，评测验证效果，再把失败反馈给下一轮训练。

这就解释了黎曼动力为什么要把光轮智能和诺亦腾机器人拉到一张桌子上。

三方要做的，是让数据生产第一次真正跟着模型需求转起来，而非简单拼出一个更大的数据库。

至于100万小时，虽然它未必是一条能力突然涌现的魔法线，却可能让具身智能第一次有机会在足够大的尺度上验证Scaling。

正如昆仑万维董事长方汉所说：

具身智能模型接下来真正的能力分化，不在于谁能做出更多demo，而在于谁能率先把训练数据采集到百万小时、千万小时，甚至亿小时级别。

换句话说，百万小时不是终点，甚至只能算起点。

但只有先跨过去，行业才有机会看清：

数据真正开始Scaling之后，机器人能力能不能跟着一起Scaling？

为什么偏偏是这三家公司

话说到这里，有请三位玩家正式亮相。

诺亦腾机器人（Noitom Robotics），一家将「人类经验翻译成机器人教材」的数据公司。

它脱胎于动作捕捉领域的老牌玩家诺亦腾，长期的技术积累让它拿下了全球70%的市场份额。

国内几家你叫得上名字的机器人公司，基本都在用它的数据训练自家模型。

光轮智能，全球首个具身数据独角兽，全球前五的世界模型团队均与其展开合作。

依托自研「求解—测量—生成」三位一体仿真平台，它可以批量生成仿真合成数据，搭建虚拟训练环境，并通过工业级评测体系判断机器人模型到底有没有学会。

图片由AI生成

最后是黎曼动力（Riemann Dynamics），三家之中成立最晚，今年7月才亮相，但承担的任务也最核心：

模型训练。

诺亦腾机器人采回来的数据、光轮智能生成和评测的数据，最后有没有用，都要在黎曼动力的模型上见真章。

那么问题来了，一家刚成立的公司，凭什么站在整个数据闭环的中心？

答案藏在它的技术来时路里。

黎曼动力的前身，是昆仑万维内部的Matrix世界模型团队。

3年前，这支团队想解决的是：

如何让AI生成一个可以持续交互的世界。

从Matrix-Game 1.0到3.5，团队一路攻克实时生成、动作控制和长期记忆，最新版本已经支持720p长时序交互，并能在用户重返旧场景时维持空间一致性。

本文转自：凤凰网科技

原文地址： https://tech.ifeng.com/c/8vNP8Lyx5Sj