新智元报道

具身智能正在从实验室演示走向真实场景。越往真实世界走，数据问题越明显：视频能看到动作结果，动捕能记录轨迹，机器人日志能记录执行，但它们往往很难完整捕捉人类操作背后的意图、发力趋势、微控制和反馈修正。围绕这一缺口，一类新的人类操控数据基建正在出现。

过去几年，大模型证明了一件事：数据不仅是训练材料，也是能力边界本身。

文本模型吃下互联网文本和代码，获得语言、推理和编程能力；自动驾驶模型依赖真实道路数据，持续学习复杂交通环境；多模态模型则从图像、视频和语音里获得对世界表象的理解。

但当AI进入物理世界，问题变得更难。

具身智能要学习的不是一句话、一个图片标签或一段视频摘要，而是如何在真实世界中行动：如何抓起易碎物体，如何拧开瓶盖，如何插入接口，如何在接触后微调角度，如何在失败时重新选择动作。

这些能力背后，缺的不只是更大的模型和更贵的机器人本体，还有一种更底层的数据：人类如何操控物理世界的数据。

这也是为什么，Physical AI所需的数据规模，很可能最终远远超过大语言模型。

LLM训练所依赖的语言数据，本质上是高度压缩后的符号数据：一本书、一篇论文、一段代码，都是人类把经验整理成文字后的结果。它密度高、可复制、可检索，也相对「廉价」。

但身体经验不是这样。一个人一生读过的文字，按存储量粗略估算也许只是几十GB；而他从小到大接收的视觉输入、肌肉控制信号、触觉反馈和身体交互经验，可能是PB级甚至更高量级。人类通过身体学会抓握、平衡、接触、避让、用力和修正，这些数据大多没有被写进互联网，也没有被结构化记录下来。

所以，Physical AI的难点不是简单复制LLM的数据路线。语言模型吃的是人类已经压缩过的知识；具身模型要补的，是尚未被充分记录的人类身体交互数据。

政策和产业

把具身智能推向真实场景

工信部《人形机器人创新发展指导意见》已将人形机器人定位为未来产业方向，并提出建设大模型训练数据库、扩充高质量多模态数据。2026 年度人形机器人与具身智能实景实训专项行动则进一步强调「实景实训、数据沉淀、产品迭代、规模部署」的闭环，并要求建设高质量、高保真数据集。

这意味着，具身智能不再只是展台上的演示问题，而是要进入生产制造、仓储物流、医疗康养、应急救援等真实场景。

真实场景一旦打开，数据瓶颈就会变得很尖锐。

在实验室里，机器人可以在固定光照、固定物体、固定轨迹下完成任务；在现实里，物体会遮挡，材质会变化，人的动作会临时调整，接触状态也会不断改变。模型要从模仿动作走向理解操作，必须拥有更接近真实操控过程的数据。

所以，具身智能的竞争正在从三个层面展开：

机器人本体，解决能不能执行；

模型算法，解决能不能规划和泛化；

数据基础设施，解决能不能持续获得可训练、可复用、可治理的真实操作数据。

第三层，正在成为新的关键变量。

换句话说，Physical AI 的终局竞争不会只发生在机器人本体上，而会越来越多地发生在数据源头上。未来具身模型需要的数据量可能远超大语言模型，而高质量的人类操作数据，正在成为全球最稀缺的战略资源之一。

从结果数据走向人类操控数据

今天的具身数据采集方法大致有几类。

第一类是视频和第一视角数据。它们可以记录环境、物体和人的动作过程，成本相对低，也容易规模化。但视频主要看到的是外部结果。手被物体遮住、动作发生在边缘视角、手指产生细小变化时，关键操控信息可能丢失。

第二类是动捕、数据手套、外骨骼和专业遥操作系统。它们可以获得更精确的姿态、轨迹或控制量，但通常穿戴复杂、部署成本高，对自然操作有干扰，也不容易进入大规模日常任务。

第三类是机器人真机日志。它记录的是机器人执行了什么、关节如何变化、任务是否完成。但它往往回答不了更前置的问题：在人类示教或操作时，人的意图如何形成，什么时候准备发力，接触后又如何微调？

换句话说，很多现有数据记录的是动作结果，而不是操控过程。

一次真实的人类操作，其实包含多个层次：

意图：人准备做什么；

姿态：手和身体如何运动；

发力趋势：肌肉激活和接触状态如何变化；

微控制：接触后怎样修正、补力、调整方向；

结果：任务是否完成，物体和环境发生了什么变化。

如果只记录最后的轨迹或视频，很多关键过程会被压缩掉。对精细操作来说，这些被压缩掉的信息，可能正是模型最需要学习的东西。

EMG补上Manipulation Intelligence拼图

EMG，也就是肌电信号，是肌肉活动相关的电信号。腕部或前臂的表面肌电可以在非侵入条件下捕捉部分运动意图、肌肉激活和控制变化。

2025 年 Nature 论文《A generic non-invasive neuromotor interface for human-computer interaction》展示了腕部 sEMG 用于连续控制、离散输入和文本输入的潜力，并讨论了 sEMG 对意向运动信号和手势力相关信息的捕捉价值。

论文链接：https://www.nature.com/articles/s41586-025-09255-w

EMG 不等同于触觉传感器或真实力传感器。它更适合被理解为一种人端估计信号：它不能直接告诉我们物体受到了多少牛顿的力，但可以为人准备怎样发力、肌肉激活如何变化、动作是否发生微调提供线索。这恰恰是它的价值所在。

在具身智能数据中，视觉、动捕、机器人日志和触觉传感器各自回答不同问题：

视觉回答：看到了什么；

动捕回答：动作在哪里发生；

机器人日志回答：机器执行了什么；

触觉/力传感器回答：接触和真实受力如何变化；

EMG 补充：人端意图和发力趋势如何形成。

当这些信号被放到同一条时间轴上，数据就不再只是分散的传感器记录，而更接近一次真实操作的完整过程。

神经腕带+全景头环

一种轻量化采集入口

从人形机器人的全身操作系统，到软件仿生灵巧手，再到机器人摄像头防抖、室内空间数据采集和物理因果数据引擎，不同团队几乎都在试图为Physical AI补上一块关键拼图。

而在这些路径之外，北京大学秦旭团队，则把视线进一步拉回到「人类如何操控世界」本身，提出面向Physical AI的人类操控数据平台。

其路径是以极具创新性的可穿戴硬件组合作为入口，从肌电与运动神经信号解码切入，通过神经腕带、全景头环等设备，持续采集真实世界中的人类操控过程，并将其沉淀为意图、姿态、发力趋势、微控制与反馈修正等结构化数据。

这套方案的关键，是把人类自然操作变成可采集、可同步、可训练的数据流。其中，神经腕带负责捕捉前臂相关的运动神经/肌电信号；全景头环记录第一视角下的环境、对象和任务上下文；如果再结合手部姿态、腕部视觉、IMU、机器人日志或接触传感器，就可以形成更完整的多模态操控数据。

举个简单例子：

一个人拿起杯子。视频能看到手靠近杯子、杯子被拿起；姿态数据能看到手腕和手指的位置变化；如果有触觉或力传感器，可以看到接触与受力；EMG 则可以补充动作发生前后的肌肉激活和发力趋势线索。

真正有价值的不是某一个信号，而是这些信号的同步。

对机器人来说，同步后的数据能帮助模型理解：在什么视觉环境下，人为什么这样伸手，如何预备发力，接触后如何修正，最后任务为什么成功或失败。

这就是人类操控数据平台的意义。它不是一个硬件外设，也不是一个单一数据集，而是面向 Physical AI 的数据采集和结构化能力。

神经腕带 + 全景头环的应用

第一类应用，是机器人训练和示教。

精细操作任务中，单纯的视频模仿常常不够。插拔、拧动、按压、抓取柔软物体、使用工具等任务，都涉及接触状态、发力变化和连续修正。人端操控数据可以为模型提供更丰富的监督信号。

第二类应用，是 AI 眼镜、XR 和智能设备交互。

语音不适合所有场景，触屏和手柄也不能覆盖所有操作需求。神经腕带作为低摩擦、低打扰的输入方式，可以让设备理解手势、意图和微控制，成为空间计算和智能终端的新交互入口。

第三类应用，是真实场景数据集建设。

实景实训强调从真实场景中积累高质量数据。人端操控数据可以补足传统视频和机器人日志之外的信号层，让数据集从「看见动作」升级到「理解操作」。

第四类应用，是数据产品和基础设施。

如果一套采集方案能持续沉淀跨任务、跨场景、跨用户的数据，它就不只是设备销售，而可能变成面向机器人公司、模型团队、AI 眼镜厂商和工业场景的数据模块。这也是雪梦未来试图强调的方向：短期是人机交互和具身数采，长期是 Human Manipulation Data Layer。

从看见动作

到理解操控

具身智能的下一阶段，不会只由更大模型或更强本体决定。

模型需要真实世界的数据，本体需要真实场景的验证，而真实场景又需要可持续、可治理、可复用的数据采集基础设施。

视频、动捕、遥操作、机器人日志都不会被替代。它们仍然是重要数据来源。但如果 AI 要更深入地理解人类如何操作物理世界，就需要补上动作结果背后的信号：意图、发力趋势、微控制和反馈修正。

EMG + Ego 视觉 + 姿态同步，是一种早期但值得关注的路径。

它让人不只是机器人要服务的对象，也成为 Physical AI 学习物理操作的重要数据源。从这个意义上说，具身智能真正的底座，可能不只是机器人本体，也不只是模型参数，而是高质量、可规模化的人类操控数据。

短期看，人类操控数据可为具身智能、AI眼镜和智能设备提供更自然的人机交互入口，降低操作门槛，提升连续性与低打扰体验；长期看，它指向一层新的物理世界数据基础设施，让AI不只理解文本和图像，也理解人类如何真实地与世界交互。

Physical AI的下一步，或许不只是把动作做得更像人，而是开始真正理解动作背后的操控逻辑与人类意图。那些决定成败的关键，很多时候并不写在最终结果里，而藏在动作发生前的判断、接触瞬间的微调，以及一次次反馈中的修正之中。

只有当AI学会的不再只是动作的外形，而是人如何发起、控制并完成一次真实操作，它才有可能从演示走向现实，真正进入那个复杂、开放、始终变化着的物理世界。

参考资料：

编辑：LRST