大模型时代说"数据是新石油"，具身智能时代这句话要打个补丁：机器人的"石油"不仅贵，品种还特别多——真机遥操作、UMI 手持采集、人类视频、仿真合成……到底有多少种采法，各自值多少钱？这篇文章用行业通行的"数据金字塔"一次讲清楚，顺便解剖智元 AgiBot World 这场"豪赌"。

一、先纠正一个常见误解：数据不只有"真机、仿真、视频"三种

很多科普把具身数据粗略分成"真机、仿真、互联网视频"三类，这个分法已经过时了。2026 年业界更常用的口径是五层金字塔——自上而下，机器人对齐度和采集成本递减，规模和可得性递增：

层级	采集范式	一句话定位	代表
塔尖	真机遥操作	质量最高、成本最贵、直接可训练	AgiBot World、DROID、OXE
第二层	UMI 无本体采集	真实物理、便携可扩、跨本体复用	UMI、FastUMI-100K、GEN-0 / ACT-1
第三层	第一/第三人称人类视频	规模巨大，但缺动作标签	Ego4D、灵初 SynData、它石 WIYH
第四层	仿真合成数据	成本趋零，存在虚实鸿沟	Isaac Sim、光轮智能
塔底	互联网图文与通用语料	打底语义与场景理解	VLM 预训练语料

越靠塔尖，数据离"机器人能直接执行"越近，但越贵越难采；越靠塔底，量越大越便宜，但离可执行动作越远。没有哪一层能单独喂饱一个通用模型，头部玩家的配方都是"五层混搭"。

二、塔尖：真机遥操作，贵有贵的道理

真机数据包含"看到什么 + 怎么动的 + 做成没有"的完整闭环，是训练可执行策略最直接的监督。代价也直白：业内公开数据是遥操作一小时只能采约 35 条，美国市场一小时遥操作成本约 100–200 美元。

样本解剖看智元的 AgiBot World（技术报告 arXiv:2503.06669）——目前全球规模最大的开源真机操作数据集之一：

• 1,001,552 条轨迹，总长 2976.4 小时，217 个任务、87 种技能、106 个场景；
• 100 台同构双臂人形机器人，在 4000 平方米"数采工厂" 里 1:1 复刻家庭、零售、工业、餐厅、办公五大场景，用了 3000 多种真实物品；
• 全程人工在环质检：本地校验 → 云端复核 → 人工标注；还专门保留约 1% 的"失败-恢复"数据。

▲ 任务验证 → 正式采集 → 云端复核标注，全程人工在环。图源：arXiv:2503.06669

钱花得值不值？论文给了量化答案：用它预训练的策略比用 Open X-Embodiment 平均成功率高约 30%；只用 1/10 时长的数据（236 小时 vs 约 2000 小时）效果就已反超——质量对数量的杠杆被直接算了出来。

▲ 长程任务是其显著特征：主流轨迹 30–60 秒，而 DROID 多为 5–20 秒、OXE 多在 5 秒内。图源：arXiv:2503.06669

三、第二层：UMI，2026 年最受关注的"平权"范式

UMI（Universal Manipulation Interface，通用操作接口）是 2024 年由斯坦福、哥伦比亚大学和丰田研究院提出的方案：人拿着一个带相机和位姿追踪的手持夹爪，直接在真实环境里演示操作——不需要机器人本体参与。整套硬件成本约 400 美元。

它的位置很微妙：采到的是真实物理世界的第一视角画面 + 同步的末端位姿和夹爪开合，所以比人类视频"对齐度高"（有动作监督），又比真机遥操作便宜得多、还能跨本体复用（同一条演示可以重定向到不同机器人上）。去年起这条路线被彻底点燃：

• Generalist 用 UMI 范式采了 27 万小时数据、目前每周新增约 1 万小时，训出的 GEN-0 实现了长程操作任务的零样本泛化；
• Sunday Robotics 同样用 UMI 数据训出 ACT-1，演示效果惊艳；
• 数据规模也在膨胀：FastUMI-100K 已达 10 万条；
• 国内鹿明机器人、松灵机器人等开始做标准化 UMI 采集硬件，穹彻等模型公司深度采用。

一句话评价：UMI 不是要取代遥操作，而是把"真实数据"的采集门槛从"买一百台机器人"降到"人手一个手持夹爪"——金字塔第二层正在快速变厚。

四、第三、四层：人类视频和仿真，负责"把量做大"

人类视频是规模最大的一层：智能眼镜让第一视角（ego）采集降到消费级成本，灵初 SynData、它石 WIYH、京东 EgoLive 等国内方案陆续落地。短板是没有动作标签，需要靠隐式动作（Latent Action）、轨迹重定向等技术"榨"出监督信号——智元 GO-1 的预训练就用了大规模人类视频。

仿真合成边际成本趋近于零，适合规模化刷基础技能和安全验证。智元对仿真的公开判断很直白：仿真数据价值会持续提升，但效率大约只有真机数据的 60%–70%。行业共识是当"放大器"用，不当主粮。

塔底的互联网图文不直接教动作，但给 VLM 打下语义和场景理解的地基——所有 VLA 模型都在用。

五、给从业者和开发者的三个判断

1. 壁垒在"质控体系"，不在条数。AgiBot World 的消融实验显示，人工核验过的 528 条比未核验的 482 条多带来 0.18 的完成度提升——质检流程本身就是护城河；
2. UMI 正在重塑数据产业的成本结构。遥操作是"重工业"，UMI 是"分布式采集网络"，未来两年数据服务市场的增量大概率在这一层；
3. 开源数据集是生态入场券。AgiBot World 以 CC BY-NC-SA 4.0 开源后，智元 GO-1、英伟达 GR00T 系列都在用它训练——谁的数据成为别人的"训练标配"，谁就握住生态话语权。对启元开发者社区的同学来说，这套"AgiBot World 数据 + GO-1 模型 + 启元本体"是目前国内少有的全链路都能摸到的开发环境。

六、一句话总结

真机数据定上限，UMI 改成本，人类视频和仿真扩规模，互联网语料打地基——2026 年的数据军备赛没有单一路线的赢家，谁能按金字塔把五层配方调对、并用质控守住质量，谁就能给自家"机器人大脑"喂出最好的口粮。

真机数据、UMI、人类视频和仿真解决的是不同问题，数据多不等于机器人就能把任务做好。落到启元 Q1 的开发中，我会先结合启元机器人开发者社区的模型与接口资料，检查画面、状态和动作能否对齐、轨迹能否回放，再决定下一步该补哪类数据。