中美两国在人形机器人数据采集路线与数据基建方面存在哪些差异？

具身智能模型依赖物理交互数据，主要包含真机采集、无本体采集、仿真合成和互联网视频数据四种类型。真机采集依靠机器人遥操作或自主试错，数据真实但成本高、速度慢；无本体采集借助采集设备记录人类操作并映射为机器人动作，成本低且规模大；仿真合成数据低成本大批量产出，但存在物理真实性不足的迁移差距；互联网视频数据缺少机器人动作与本体传感信息，难以直接用于策略训练。

中美两国现有数据采集路线均呈多样化，短期内暂未收敛。美国企业中，特斯拉早期采用真机采集和动作捕捉，后转向第一人称视频数据进行训练；Figure AI通过Index平台让普通人用手机拍摄第一人称视频，从而快速扩大数据规模。中国企业中，京东依托物流仓储等场景使用自研可穿戴终端JoyEgoCam采集操作视频；智元机器人开源百万真机数据集，子公司觅蜂科技以无本体采集为主；银河通用则是相对少有的以合成仿真数据为主、真机数据为辅的数据路线。

第一人称视频数据之所以成为主要增量来源，在于其采集速度快、成本低，可通过众包方式快速扩大数据规模，因此有望成为具身数据的主要增量。

展望未来，预计数据金字塔结构将长期存在：无本体数据用于预训练，建立对物理世界的通用认知；真机数据用于后训练，结合具体任务场景进行微调；仿真数据用于补充危险、低频或难以反复采集的任务场景。

中国在数据基建方面的核心差异化优势在于具备丰富的场景资源。无论是真机采集或无本体采集，都需要在真实场景下进行交互操作。尽管现有大量数据采集工作在专门搭建的数采工厂内完成，但真实工厂的环境与工序很难被完全复刻。国内拥有大量制造业场景，可在汽车、3C、家电、仓储物流等规模化生产环境中采集，产出覆盖多任务、多工位、多环境的交互操作数据。这类数据除操作过程外，还能同步记录环境变化、任务结果、各类异常以及失败案例，支持模型持续训练和策略迭代。利用真实场景带来的数据资源用于模型迭代，将成为中国未来在机器人大脑领域的一项重要比较优势。