外观
解读OpenVLA5 天前
具身数据金字塔拆解：百万真机轨迹与200万小时人类视频的Scaling Law边界
从OXE到AgiBot World真机数据与Maxinsights人类视频，揭示异构数据规模反差背后的工程归因与复现陷阱
Franka FR3
松灵 PiPER一分钟速览
- 真机基准锚点： Open X-Embodiment与DROID核实仅含480条轨迹共4小时数据，作为VLA预训练基石，其价值在于跨平台RLDS格式对齐而非绝对规模，是检验模型泛化能力的标准化低噪底座。
- 工业级真机跃升： AGIBOT WORLD 2026提供3万条轨迹250小时数据，集成触觉/力觉/LiDAR六模态；申报案例中“百万原子动作”与开源“数百小时”分母不同，前者为短程切片总和，后者为连续操作时长。
- 人类视频Scaling验证： Maxinsights交付超200万小时第一视角视频，ARR破亿验证商业化闭环；但4.24mm SLAM精度仅为运动学先验，缺乏力控反馈，GENE-26.5仍需<1h真机微调才能完成20步烹饪，证明纯视觉数据无法零样本迁移至物理交互。
- 采集范式代际切换： 行业正从异构遥操迈向同构外骨骼采集，消除运动映射失真；LA-33K-V通过Qwen-3-VL-Plus自动分割3.3万原子片段并保留RGB流，展示了从粗粒度长视频向高质原子技能提取的数据清洗新范式。
材料说明
本文依据Open X-Embodiment、DROID、AGIBOT WORLD 2026数据集卡片，智元国家数据局申报案例，以及Maxinsights公开报道撰写。文中“480条/4小时”、“3万条/250小时”均为站内核实数据；“百万原子动作”、“850TB”源自智元申报书；“200万小时”、“ARR 1亿美元”源自Maxinsights媒体报道。需注意：申报书中的“比OXE长程数据高10倍”为企业自述对比，非联合评测结论；Maxinsights的SLAM精度为内部评测指标；各数据集间因采集设备、任务定义与切片粒度不同，规模数字不可直接线性比较。
- 480条 / 4小时 OXE与DROID核实轨迹数与总时长，确立跨机器人VLA预训练的标准化小样本基准
- 30,000条 / 250h AgiBot World 2026开源真机数据规模，支持六模态感知与多粒度层级标注
- 200万小时 / 4.24mm Maxinsights累计交付Egocentric视频量级及其自研MaxSLAM位置轨迹误差精度
- 33,116条 / 15FPS LA-33K-V从DROID中提取的原子操作片段数及帧率，代表自动化数据清洗新范式
真机数据基准与工业级跃升：从4小时到250小时的模态鸿沟
在具身智能数据金字塔的底层，Open X-Embodiment与DROID构成了学术界公认的“标准砝码”。尽管业界常以“百万级”形容OXE生态，但经站内深度核验，其核心预训练子集实际包含480条轨迹、总时长仅4.0小时。这一数字反差并非数据匮乏，而是工程取舍的结果：这4小时数据严格对齐了多视角RGB、关节/末端本体感知、自然语言指令与连续控制动作四类模态，并统一为RLDS格式。对于OpenVLA等模型而言，这种高密度、低噪声、跨平台（Franka、Agilex Piper、Unitree G1）对齐的数据，其单位信息熵远高于未清洗的海量原始日志。工程师在复现时应注意，OXE的价值在于提供了一个可复现的泛化性测试床，而非追求绝对规模。
相比之下，AGIBOT WORLD 2026代表了工业级真机数据的跃升。其开源部分已达30,000条轨迹、250小时，且模态扩展至RGB-D、触觉、力觉、LiDAR、IMU及关节状态六类。这种模态密度的提升直接改变了模型的输入空间维度：触觉与力觉信号的引入，使得策略网络必须处理高频（通常>100Hz）接触反馈，而不仅仅是30Hz的视觉流。从控制论视角看，这意味着数据不再仅仅是“视觉-动作”映射，而是包含了阻抗控制所需的物理交互信息。然而，这也带来了存储与IO瓶颈：250小时的六模态数据对显存带宽和加载管线提出了严苛要求，远超纯视觉数据集。
| 指标 | Open X-Embodiment / DROID | AGIBOT WORLD 2026 |
|---|---|---|
| 核实规模 | 480条 / 4.0小时 | 30,000条 / 250.0小时 |
| 核心模态 | RGB + Proprioception + Language + Action | RGB-D + Tactile + Force + LiDAR + IMU + Joint |
| 采集方式 | Mixed / Teleop | 超视距第一视角遥操作 |
| 存储格式 | RLDS / LeRobot Parquet / HDF5 | LeRobot Parquet / HDF5 / RLDS |
| 关联机型 | Franka FR3, Agilex Piper, Unitree G1 | 智元精灵 G2 |
| 工程侧重 | 跨平台格式对齐与泛化基准 | 多模态物理交互与复杂场景覆盖 |
需特别警惕的是“两套数字”陷阱。智元在国家数据局申报案例中提及“超过一百万条原子动作轨迹、850TB数据”，这与开源卡中的“3万条/250小时”并不矛盾，但分母完全不同。“原子动作”是将长程任务切分为秒级甚至亚秒级的技能片段，一条1分钟的演示可能包含数十个原子动作；而“250小时”是连续操作的物理时长。工程师在评估数据规模时，必须明确统计口径是“Episode级”还是“Atom级”，否则会将数据规模误判一个数量级。此外，申报书中“比OXE长程数据高10倍”为企业自述对比，尚未得到第三方联合验证，引用时需保持审慎。
人类第一视角视频的Scaling Law：200万小时的商业验证与物理缺失
当具身智能试图突破真机数据采集的成本天花板时，人类第一视角（Egocentric）视频成为了Scaling Law的新载体。Maxinsights的案例提供了迄今最清晰的商业与技术验证：累计交付超200万小时Egocentric数据，其中带手部追踪和语言标注的超150万小时，月产能达45万小时，ARR连续多月逼近1亿美元。这一数字表明，高质量人类视频已从学术资源转变为标准化的基础设施商品，其供应能力决定了头部公司（OpenAI、Figure AI等）的训练节奏。
然而，200万小时人类视频与250小时真机数据之间存在本质的“物理鸿沟”。Maxinsights自研MaxSLAM模型虽能实现4.24mm位置轨迹误差和0.57°姿态误差的重建精度，但这仅是运动学层面的视觉重建，完全缺失了力觉、触觉及电机扭矩等动力学信息。从控制论角度看，人类视频提供了丰富的“语义-运动”先验，却无法提供“接触-稳定”约束。这就是为什么Genesis AI的GENE-26.5模型在使用独家人类视频预训练后，仍需不到1小时的特定机器人真机数据微调，才能完成约20步连续烹饪操作。这<1小时的真机数据，本质上是在用真实的物理反馈去“校准”人类视频中缺失的动力学参数。
工程复现中的真实坑点在于：直接将人类视频用于机器人策略训练会导致严重的Sim-to-Real或Human-to-Robot Gap。人类手部的自由度、抓握形态与机械臂末端执行器存在显著差异，且视频无法记录操作者施加的力。因此，人类视频的Scaling Law有效性是有条件的：它必须配合高精度的重定向（Retargeting）算法或作为VLA模型的语义预训练语料，而不能替代真机数据进行端到端控制策略学习。Dyna Robotics利用100万小时人类视频使动作预测MSE降低12%，这一收益主要体现在运动规划层面，而非底层执行稳定性。
此外，数据供应商的壁垒正在从“采集量”转向“结构化质量”。Maxinsights之所以能进入核心供应链，关键在于其提供了“手部追踪+语言标注”的对齐数据，而非原始视频流。对于算法工程师而言，获取200万小时无标注视频的边际效用极低，真正稀缺的是经过SLAM重建、动作分割与语义对齐的高密度子集。这也解释了为何AgiBotWorld-Beta在Hugging Face上获得6.6万次下载——社区渴求的是可直接消费的Token化数据，而非待处理的像素海洋。
数据清洗新范式：从粗粒度长视频到原子技能的自动化提取
随着原始数据规模的膨胀，如何从海量长视频中高效提取高质量“原子技能”成为新的工程瓶颈。LA-33K-V数据集展示了一种可复制的自动化清洗范式：从DROID原始数据中，利用静止区间检测与夹爪状态变化等时序线索定位候选片段，再调用Qwen-3-VL-Plus生成原子区间与视觉无关指令，最后经人工验证保留质量分≥2/3的片段，最终产出33,116条15FPS的原子操作数据。这一流程将传统依赖人工标注的“长视频→技能库”转化效率提升了数个数量级。
该范式的核心价值在于解决了“数据规模”与“标注粒度”的矛盾。原始DROID数据虽包含完整任务流程，但大量时间消耗在过渡、等待或失败恢复上，有效信息密度低。LA-33K-V通过算法过滤冗余，保留了高密度的“动作-语言”对齐片段，且特意保留了被原版LA-33K遮罩的三路RGB视频流（双外部视角+腕部视角）。这对VLA模型至关重要：腕部视角提供了精细操作的视觉反馈，而外部视角补充了全局空间上下文，两者结合才能支撑起鲁棒的模仿学习。
工程师在复用此范式时需警惕两个边界：一是VLM生成的指令可能存在幻觉，必须设置人工验证阈值（如LA-33K-V的2/3分），否则噪声标签会污染策略训练；二是原子片段的切割边界若不准确，会导致模型学习到不完整的动作原语。材料明确指出该数据“不建议未经任务验证直接部署到安全关键系统”，这说明自动化清洗产出的数据仍需下游任务验证才能形成闭环。此外，15FPS的帧率对于高速动态操作可能不足，但在桌面级操作任务中已平衡了存储成本与时间分辨率。
这种“大模型辅助清洗”的模式正在重塑数据工厂的生产关系。过去，数据质量高度依赖遥操作员的熟练度与标注员的耐心；现在，它更多取决于清洗Pipeline的设计与VLM的推理能力。智元申报案例中提到的“生产效率提升40%、准确性99%以上”，很可能也采用了类似的自动化质检与切片技术。对于中小团队而言，与其盲目追求自建大规模采集场，不如优先构建高效的清洗与验证管线，从现有开源数据（如DROID、OXE）中挖掘剩余价值。
采集范式代际演进：同构外骨骼如何破解异构映射失真
具身数据采集正经历从“异构遥操作”向“同构第一视角采集”的关键代际切换。早期遥操作（如传统主从臂或手柄控制）存在固有的运动映射失真：操作者的意图经过逆运动学求解、坐标系转换与安全限制过滤后，记录的轨迹已偏离人类自然操作模式。这种失真导致模型学到的是“机器人在被人操控时的妥协行为”，而非“人类完成任务的最优策略”。2024年Stanford UMI提出的同构外骨骼方案成为转折点，通过本体结构对齐，实现了人类动作到机器人轨迹的无损传递。
AGIBOT WORLD 2026采用的“超视距第一视角遥操作”正是这一范式的工业落地。其核心优势在于：操作者佩戴与机器人末端执行器运动学同构的外骨骼，同时通过头显获得机器人第一视角反馈。这种配置消除了视觉-运动协调中的坐标变换延迟，使采集到的轨迹在时空一致性上更接近人类自然操作。从数据分布角度看，同构采集产生的轨迹方差更小、平滑度更高，减少了模仿学习中因操作者不适配导致的模式崩溃风险。
然而，同构采集并未解决所有问题。首先，外骨骼本身有重量与惯性，长时间操作会导致疲劳，进而影响数据后期质量；其次，超视距传输引入了通信延迟与丢包风险，尤其在复杂电磁环境中，这可能造成轨迹抖动或中断。材料中提到智元自建2000平方米真实场景并配备专业遥操作员班次，说明即便采用先进采集范式，人的因素仍是数据质量的决定性变量。此外，同构外骨骼目前主要适配特定机型（如智元精灵G2），跨平台通用性仍受限，这限制了其在异构机器人生态中的推广速度。
产业观察显示，北京五道口等研究集群正加速布局此类采集基建，标志着竞争重心从本体制造转向数据资产积累。但投资人观点“没有一家泛化远超同行”提醒我们：采集范式的升级只是必要条件，而非充分条件。真正的壁垒在于能否将同构采集的高质量数据，与仿真数据、人类视频有效融合，形成互补的数据飞轮。单纯堆砌同构数据量，若缺乏多样化的任务分布与失败案例覆盖，仍难以突破泛化瓶颈。
商业交付与工程复现：数据资产的定价逻辑与使用边界
具身数据已从学术共享品演变为高价值商业资产，但其定价与使用逻辑与传统软件数据截然不同。Maxinsights ARR破亿证明了市场对高质量Egocentric数据的付费意愿，但其商业模式建立在“持续采集+结构化交付”之上，而非一次性卖断。850TB的AgiBot World数据背后是场地、人员、质检与存储的持续投入，材料明确指出“没有工时单价，就不要除出一个‘每条几元’的数”。这揭示了具身数据的成本结构：边际采集成本递减，但存储、带宽与维护成本线性增长。
对于工程复现者而言，最大的坑点在于混淆“声明规模”与“可用规模”。智元申报书中的“百万原子动作”与开源的“3万条轨迹”都是事实，但前者可能包含大量未公开的低质或重复片段；Maxinsights的“200万小时”是交付总量，但研究者能获取的可能仅是其中经过筛选的子集。在选型时，应优先关注数据集是否提供明确的元数据索引、质量评分与失败案例标记，而非仅看总量数字。AgiBotWorld-Beta仅提供文本模态且规模为1亿-10亿参数区间，引用时必须注明版本号，避免与全模态版本混淆。
另一关键边界是“混合路线”的验证缺失。宇树、星海图走真机路线，银河通用侧重合成仿真，智元与星动纪元采用混合路线。材料强调“这个分类描述数据来源，不直接代表模型能力”。混合路线的理论优势是用仿真扩展长尾、用真机校准现实，但实践中若混合比例、任务分布与验证方法不透明，反而可能引入系统性偏差。例如，仿真生成的完美轨迹可能掩盖真实世界的摩擦与打滑，导致模型在真机上过拟合于理想条件。现阶段，更可比较的是公开任务上的数据构成与失败边界，而非路线类型本身。
最后，数据安全与合规正成为隐形门槛。Maxinsights覆盖全球2000+环境、50000+场景，涉及大量隐私敏感区域；AgiBot World涵盖家居、商超等真实场所。这些数据在跨境传输、脱敏处理与授权链条上的合规成本，往往被技术讨论忽略。工程师在使用第三方数据时，务必核查其Apache-2.0等开源协议是否覆盖全部模态，以及是否包含对人脸、车牌等PII信息的处理声明。合规瑕疵可能导致整个训练Pipeline在法律层面不可用。
已经验证与覆盖的事实
- 真机基准已锚定： OXE与DROID的480条/4小时数据经多方验证，可作为VLA模型泛化能力的可靠测试基准，格式统一且模态对齐。
- 工业级多模态可用： AgiBot World 2026开源的3万条/250小时六模态数据支持LeRobot/HDF5双格式，可直接用于模仿学习与VLA训练。
- 人类视频Scaling验证： Maxinsights 200万小时数据已获OpenAI等头部客户采购，GENE-26.5实测证明其对长程任务预训练有效。
- 自动化清洗可复现： LA-33K-V展示了从DROID提取原子技能的完整Pipeline，含VLM生成、人工验证与多视角保留，方法论透明。
尚未证明或需警惕的工程边界
- 百万轨迹≠百万小时： 智元申报书“百万原子动作”与开源“250小时”分母不同，不可直接换算或线性外推模型性能。
- 人类视频缺力控反馈： Egocentric数据仅有运动学重建（4.24mm误差），无力觉/触觉信息，无法零样本迁移至物理交互任务。
- 混合路线未证优胜： 真机/仿真/混合路线仅描述数据来源，材料明确“没有一家泛化远超同行”，不可据路线类型断言能力高低。
- 单条成本不可算： 申报材料未提供工时单价与持续运维成本，任何“每条轨迹X元”的计算均属推测，缺乏财务依据。
上手卡 · 数据选型、格式兼容与复现避坑指南
- 基准测试选OXE/DROID 验证VLA泛化能力时，优先使用核实的480条/4小时子集，确保RLDS格式正确加载，避免使用未清洗的全量数据引入噪声。
- 多模态训练用AgiBot 需触觉/力觉反馈时，选用AGIBOT WORLD 2026的3万条数据；注意区分“原子动作”与“Episode”统计口径，按需加载模态以节省IO。
- 人类视频仅作预训练 Egocentric数据适用于语义/运动先验学习，但必须搭配<1h真机微调；检查SLAM重建精度与手部追踪质量，勿直接用于底层控制。
- 清洗Pipeline参考LA-33K-V 复用其时序线索+VLM生成+人工验证三段式流程；设置质量分阈值≥2/3，保留多视角RGB流，并在目标任务上验证切片边界准确性。
带走一句
具身数据Scaling Law的有效性取决于模态密度与物理对齐度，而非单纯规模；真机数据提供物理接地，人类视频提供语义先验，二者不可替代，唯有在明确工程边界下协同方能驱动泛化。
本站说明
- 文中“480条/4小时”、“3万条/250小时”均来自站内数据集卡片核实字段；“百万原子动作”、“850TB”源自智元国家数据局申报案例原文表述。
- Maxinsights“200万小时”、“ARR 1亿美元”等数据引自量子位2026-10-22报道，为媒体披露值，非审计财报；SLAM精度为厂商内部评测指标。
- “比OXE长程数据高10倍”为智元申报书自述对比，未附联合评测报告；各数据集因任务定义、切片粒度与采集设备差异，规模数字不可直接线性比较。
来源
本页事实对应的公开页面，以原文为准。
- OpenVLA访问 2026-10-10
- AGIBOT WORLD访问 2026-10-10