打破机器人「数据焦虑」，穹彻智能想建一条「训练数据」生产线

本条来自 极客公园（Business / 科技商业），聚焦 technology、ai。 如果说 2025 年是具身智能爆发的一年，那么今年，行业竞争已经开始进入新的阶段。 从国内外越来越多机器人公司发布新产品，到资本持续加码，具身智能正成为 AI 领域最受关注的方向之一。但随着行业快速发展，一个新的共识正在形成：真正限制机器人进化速度的，不再只是模型，而是数据。 与大语言模型可以利用互联网海量文本不同，机器人需要学习的是现实世界中的操作能力。一次抓取、一段搬运、一场整理任务，都需要真实发生，并同步记录视觉、动作、轨迹等多模态信息。如何持续获得高质量数据，并将这些数据快速转化为模型能够学习的数据集，成为越来越多具身智能企业面临的新挑战。 作为国内具身智能企业，穹彻智能一直围绕「数据 训练 部署」构建机器人基础设施。近期，穹彻智能联合阿里云打造了一套云端自动化数据处理产线，希望将机器人数据处理从依赖人工、单机运行的模式，升级为能够规模化运转的工业化流程，为模型迭代提供持续的数据支撑。 01 机器人时代，真正稀缺的是数据 对于具身智能而言，数据难题不仅在于「采不到」，更在于「处理不了」。 穹彻智能采用 UMI（Universal Manipulation Interface）方案进行数据采集。操作人员只需手持设备完成抓取、开门、搬运等自然动作，设备便会同步记录第一视角画面、夹爪位姿、运动轨迹等信息，为机器人训练提供高质量操作数据。 但真正的挑战，往往发生在采集之后。 这些原始数据要进入模型训练，还需要经历位姿恢复、鱼眼相机标定、动作切分、多模态标注等多个复杂环节。其中，视觉 SLAM 重建需要消耗大量 GPU 算力；鱼眼图像需要逐帧去畸变和标定；连续动作需要切分为一个个原子任务，并配上对应的自然语言描述；随着采集规模扩大，数百小时的视频数据也给整体计算带来巨大压力。 这些工作不仅计算量庞大，而且整个流程涉及多个处理环节，一旦某一步中断，就可能影响整批数据重新计算。对于具身智能企业来说，数据处理正在成为一项新的基础设施能力，需要能够支撑弹性算力、自动调度、全流程追踪以及模型训练协同的完整体系。 02 一条跑在云上的数据产线， 如何让机器人训练提速 为了解决这些问题，穹彻智能联合阿里云搭建了一套端到端的 UMI Data + AI Pipeline，希望把原本零散的数据处理流程，变成一条自动化运行的数据生产线。 在数据处理阶段，阿里云 MaxCompute MaxFrame 提供分布式计算能力，将视频去畸变、SLAM 位姿恢复、多模态标注等任务拆分到云端资源上并行执行。过去需要依赖单机完成的大规模计算，如今能够根据任务规模灵活扩展算力，提升整体处理效率。同时，大模型能力也直接嵌入数据处理流程，实现动作片段的自动语义标注，降低人工标注成本。 整个数据处理流程则由 DataWorks 统一编排。无论是周期调度、历史数据重跑，还是异常自动恢复，都能够在统一平台完成，减少人工干预，让整条数据产线持续稳定运行。 完成处理后的数据，会进入 Hologres 进行统一管理，为后续样本检索、数据审核和训练管理提供实时的数据服务；随后再进入 PAI 平台完成模型训练、性能优化和部署验证，形成从数据生产到模型训练，再到效果反馈的完整闭环。 这一合作也带来了实际效果。穹彻智能的数据处理实现了全流程自动化，整体吞吐提升超过 10 倍，多模态标注实现规模化自动完成，云端算力可弹性扩展至 10 万+ CU，模型训练效率提升约 50%。 对于具身智能行业而言，这次合作验证了一件事：机器人数据同样可以建立起规模化、自动化的数据生产体系。当数据采集、处理、训练逐步形成标准化流程，机器人模型也将获得更快的迭代速度。随着行业竞争逐渐从模型能力延伸到数据基础设施，围绕数据生产能力的探索，也将成为下一阶段具身智能发展的重要竞争力。 关注阿里云 AgentNative 数据实战录系列案例，用数据实践驱动企业 Agentic 智能进化。 *头图来源：阿里云

如果说 2025 年是具身智能爆发的一年，那么今年，行业竞争已经开始进入新的阶段

• 如果说 2025 年是具身智能爆发的一年，那么今年，行业竞争已经开始进入新的阶段