人形机器人系列专题之具身数据-物理AI核心资产，模型迭代孕育数据产业新蓝海【国信汽车】 我们最新外发具身智能数据深度，深度梳理具身数据技术路线、拆解数据成本、测
- 序号：462
- 星球链接：打开网页
- 附件：图片 0，音频 0，文档 0
- 音频文件：无音频
图片
无图片
正文
人形机器人系列专题之具身数据-物理AI核心资产，模型迭代孕育数据产业新蓝海【国信汽车】
我们最新外发具身智能数据深度，深度梳理具身数据技术路线、拆解数据成本、测算市场空间，欢迎交流！核心结论如下： 1） 高质量物理交互数据是具身智能实现泛化的关键，目前看具身智能领域的Scaling Law已开始获得初步实证支持（Dyna-2），预计数据需求将持续扩大。 2） 通用模型厂商加快入局具身智能，以GPT-6 Astra为代表的通用模型持续向物理世界拓展，在具身领域展现出较强的任务理解、规划、纠错能力，扩大数据需求。目前来看，具身数据以视觉为主，触觉是高度稀缺的类型。 3） 我们梳理了数采各种路线的特点、优劣势、价格情况：①互联网视频数据规模大，但缺乏力和触觉信息；②Ego数据通过头戴式或颈挂式设备采集，不依赖机器人本体，规模化潜力较高，未标注Ego数据价格约几十元/小时，处理后的Ego数据几百元/小时，设备几千元级别；③UMI数据通过手持夹爪来采集末端操作数据，优势是能跨本体复用，但动作空间与真实机器人有差距，数据价格几十到几百元/小时，核心设备万元级；④遥操作数据价值高，主要用于模型后训练，数据价格为几百元至上千元/小时，触觉手套价格分化显著，国内厂商单套售价为万元级别；⑤仿真数据生成效率高，可以扩展场景，但主要面临Sim-to-real Gap难题。 4） 我们借鉴特斯拉智能驾驶数据积累历程来测算了具身模型的数据需求：测算到2024年FSD V13时（模型能力有明显突破），特斯拉全球车队行驶时间测算约为60亿小时。而机器人的数据复杂度远高于智能驾驶，如果具身智能形成类似FSD V13重大模型能力突破，那么数据需求大概率超越该时长，考虑到未来数据采集成本下降，远期数据市场规模也有望超千亿元。
总体总结
主题正文
- 1） 高质量物理交互数据是具身智能实现泛化的关键，目前看具身智能领域的Scaling Law已开始获得初步实证支持（Dyna-2），预计数据需求将持续扩大。
- 2） 通用模型厂商加快入局具身智能，以GPT-6 Astra为代表的通用模型持续向物理世界拓展，在具身领域展现出较强的任务理解、规划、纠错能力，扩大数据需求。
- 3） 我们梳理了数采各种路线的特点、优劣势、价格情况：①互联网视频数据规模大，但缺乏力和触觉信息；
- ②Ego数据通过头戴式或颈挂式设备采集，不依赖机器人本体，规模化潜力较高，未标注Ego数据价格约几十元/小时，处理后的Ego数据几百元/小时，设备几千元级别；
- ③UMI数据通过手持夹爪来采集末端操作数据，优势是能跨本体复用，但动作空间与真实机器人有差距，数据价格几十到几百元/小时，核心设备万元级；
- ④遥操作数据价值高，主要用于模型后训练，数据价格为几百元至上千元/小时，触觉手套价格分化显著，国内厂商单套售价为万元级别；
- 4） 我们借鉴特斯拉智能驾驶数据积累历程来测算了具身模型的数据需求：测算到2024年FSD V13时（模型能力有明显突破），特斯拉全球车队行驶时间测算约为60亿小时。
- 而机器人的数据复杂度远高于智能驾驶，如果具身智能形成类似FSD V13重大模型能力突破，那么数据需求大概率超越该时长，考虑到未来数据采集成本下降，远期数据市场规模也有望超千亿元。