Skip to content

新闻36氪6 天前

智域基石发布数据编译管线,结构化语言对齐具身操作资产 ​

本文由 AI 根据公开内容整理,可能有误,请以原文为准:杨哲轩谈数据编译、模型能力与机器人如何重新进入真实世界(36氪)

核心内容 ​

智域基石创始人杨哲轩指出,当前全球高质量真实物理交互数据总量仅约50万小时,且外购1000小时数据经筛选后有效部分可能仅剩100小时。为解决采集规模与模型需求间的错位,公司定位在数据采集与模型训练之间,利用Physical AI DBMS和物理因果模型,将视频与IMU等原始观测编译为可检索、可评测的操作级数据资产,旨在填补具身智能进入真实场景所需的高质量数据鸿沟。

技术架构上,公司搭建包含质检、底座重构、编译、检索与交付的五环节管线,核心是以结构化语言对齐任务步骤、手部姿态及运动意图。硬件端自研ArcheGo系列双目/六目可穿戴设备以获取完整接触信息。业务上明确区分人类第一视角数据用于预训练泛化、真机数据用于特定任务后训练,并通过“真实任务网络”连接产业端,实现从一次性采集向持续真实任务供给的转型。

关键看点 ​

  • 数据编译管线:构建五环节处理流程,将原始视频与IMU数据重构为统一时空基准的结构化操作资产,支持按技能与场景智能检索
  • 结构化语言对齐:判定结构化语言是唯一对齐介质,通过物理因果模型补全动力学、空间关系及失败恢复逻辑,解决纯视频语义缺失
  • 跨本体数据分工:明确人类第一视角数据服务预训练泛化,真机数据专注后训练;跨本体复用限于任务定义与恢复模式而非直接指令
  • 自研采集硬件:推出ArcheGo系列双目/六目可穿戴设备,覆盖头戴主视角与双腕,旨在将物理规律与物体接触信息完整数字化

工程与产业观察 ​

该方案揭示了具身数据工程正从粗放采集转向精细化“制造业”。通过结构化语言与物理因果模型将非结构化观测转化为操作级资产,是解决当前数据规模与模型能力错位的关键路径。其区分预训练与后训练数据源、强调跨本体方法论复用而非指令复制的策略,为行业构建高价值数据壁垒提供了工程化参考范式。

基于本页技术方向关联的整机参数、核心零部件、实测报告与同赛道选型横评。

外部来源

本页事实对应的公开页面,以原文为准。(点击将离开本站)

  1. 36氪:杨哲轩谈数据编译、模型能力与机器人如何重新进入真实世界 ↗访问 2026-11-16