人形机器人训练场的三种流派

寂静回声

你只看新闻标题，会以为这30个训练场都是一个东西。其实不是。
把现在能数得出来的玩家摆一摆，大概分成三类。
第一类是本体公司自己建的。 智元、乐聚这种自己做硬件的，建训练场是为了给自家算法团队喂数据，本质是研发后端。这类训练场的数据虽然也卖给外边，但了解下来对行业的外溢效应有限。
第二类是具身原生的数据玩家。 比如戴盟、鹿明UMI这些。戴盟前几天刚放出来1万小时的触觉数据，这帮人来势也很猛，但有个共同点，都是2023年之后才入场的，年轻、激进、专注。
第三类是数据老兵转型的。 博登属于这一类。这些公司之前都在自动驾驶或者大模型那条线干了好几年，2025年下半年集体转向具身。
具身现在最大的问题不是没人采数据，是没人知道怎么把采到的数据真正做成工业品。
而做工业品这件事，自动驾驶和大模型数据那帮老兵其实已经交过五年学费了。

人民网之前也去过马鞍山那个点，写过一篇报道，标题叫《探访"机器人学校"》。
多台机器人在训练师操控下反复练插拔电器、整理衣物、茶壶倒水。
你脑子里默认的画面是机器人demo视频里那种流畅完成一个任务然后镜头切走，但训练场和家庭里不是。
一台机器人会把同一个动作重复几十次甚至上百次。每一次环境被人为变一点点，干扰物增加、光线变了、桌面物品位置挪了、目标物的角度换了。训练师在旁边盯着，时不时调整。
这其实就是大家反复说过的那个东西，corner case生产线。
不同的采集员拿到的数据其实是不太一样的。有的数采员干8个小时，有效数据可以到4个小时，而有的数采员加班干了10个小时，也只有2-3小时的有效数据。
有些人是动作非常快，但这样其实会导致数据轨迹掉帧，然后这条数据就不能用了。

这种训练场不仅主要服务一两个深度合作的本体，还有一大堆智元G1、星海图R1 Pro、银河通用G1、傅利叶、松灵CobotMagic、星动纪元、星尘智能、极佳视界全都有。
只服务一家，数据就有强本体绑定，对外卖不出去。要做卖给所有人的数据，本体必须杂。
这事说起来简单，做起来一点都不简单。每接一个本体，他们的BRIC Robo平台通过本体注册、推流协议接入、关节空间映射、传感器对齐实现一键接入，免去代码层面的操作。这种接入工程才是数据公司的真护城河，技术含量比想象中高得多。

不少是算法团队自己写脚本搭出来的，能用，但工业化味道不够。量小的时候没事，一旦数据规模拉到十万条、百万条，问题全出来了。版本管理乱、质检流程缺、模板复用差、跨人协作崩。
具身现在这个状态，跟2018-2019年的自动驾驶非常像。
那时候自动驾驶刚开始爆发，大家都在抢数据、抢corner case、抢标注员。整个行业花了大概五年，才慢慢把数据生产从作坊做成工厂。
4D标注流程、降噪算法、合规体系、质检闭环、版本管理，这些东西都不是一开始就有的，是踩了无数坑之后被逼出来的。
具身现在缺的不是数据，是这套把数据当工业品做的方法论。

自动驾驶和大模型的数据经验，至少可以有80%的都是可以直接迁移过来的。当然了，具身里面的真实物理接触，这个就是自动驾驶和大模型都欠缺的内容了。
美国Physical AI那边的数据，现在是Scale AI在主导，不是某个新冒出来的具身原生公司。Scale AI的客户名单是什么，Physical Intelligence、Generalist AI、Cobot，几乎是头部具身玩家全占。
因为Scale AI已经在AD时代把数据流水线攒出来了。新公司从0搭，光是把流程跑顺都得两年起步。这两年的时间窗口，足够老兵把市场吃下来。

具身有几样东西是AD时代根本不存在的，触觉、力反馈、长时序的接触动力学、跨本体异构的标准化。这些AD里压根没有的难题，老兵也得从头补课。
30个训练场，听起来挺多的。
但2026年具身数据真正的竞争，已经不是谁先采到100万小时了，而是谁的100万小时是工业品级别的。
工业品和作坊产品的差距，单条数据看不出来。一旦堆到百万级，所有问题都会暴露。一致性、可复用性、合规性、跨本体可迁移性。