欧洲的第一人称数据：采集已是一项规格
机器人学习为何统一到第一人称（egocentric）视角，以及在欧洲采集这类数据，如何把知情同意、溯源与 GDPR 变成买家开始索要的数据集规格。
今天，给为机器人学习团队做示范的人戴上相机，那套装置几乎到处都长一个样：一台相机架在眼睛附近，另一台装在手腕上。这种心照不宣的共识只有短短几年，而它当初并非显而易见。很长一段时间里，默认做法是把三脚架架在房间对面，像监控探头那样把整个场景收进画面。
这个领域的转向有着具体的理由。装在头部和手腕上的相机，看到的东西大致就是机器人通过自己的头部和手腕传感器所看到的，于是训练图像与策略在推理时遇到的图像相吻合。双手和接触点始终又大又居中，而不是缩成指甲盖大小、藏在人自己的身后。再者，普通的人类视频可以低成本地大规模采集，这正是 Ego4D 与 Ego-Exo4D 这类工作得以存在的原因。NVIDIA 的人形机器人研究，正是依靠这种人类视频与第一人称视频的混合，来为操作技能打底。
而视角这套说法漏掉了一点。一段第一人称记录，从构成上看就是一段关于人的记录：他的厨房、映在窗户上的脸、他的声音、他的双手。这让它成为个人数据。而一旦成为个人数据，你在何处、以何种方式采集它，就不再是脚注，而变成规格里的一行。
整个领域达成一致的那个视角
操作的成败取决于最后那几厘米：接近、抓握、接触的瞬间。头戴或腕部相机让这块区域留在画面里、保持清晰。墙上的相机在几米之外观察它，还有一半时间被动作者自己的手臂挡住。用墙上的视角训练策略，你优化的是一个机器人永远不会占据的角度，然后只能寄望技能在切换到它从未见过的视角后还能存活。
第二个理由是供给。你没法从互联网上抓取力的读数或手部姿态，却可以大量记录人们从自身视角做日常事情的画面。Ego4D 采集了数千小时这样的素材；Ego-Exo4D 则同时从第一人称和旁观者两个视角记录同一动作，让模型学到两者之间的关系。机器人团队已经把这类人类视频并入自己的预训练。NVIDIA 的 Isaac GR00T 体系，与其 GEAR Lab 一同开发，其报告显示，加入大量人类与第一人称视频切实提升了操作表现，而不只是充数的填料。模式是一致的：先在海量人类示范上预训练，再用一批较小而精确的数据把模型对齐到某一台具体机器人。
每一段第一人称片段都是一个人
把镜头从机器人移到那个戴着装置的人身上，数据看起来就不一样了。一次第一人称采集会话，记录下的是一个真实的家、任何路过者的脸、一个真实嗓音的声响，以及一双其几何形状足以标识出主人的手。在欧洲法律之下，这些都毫不含糊。它们是个人数据，其中一部分还逼近 GDPR 守护得最严的那些特殊类别。
仅这一个事实，就重排了整个采集问题。一次示范不再只是一个训练样本；它是对一个可识别个人的处理操作，需要合法依据、明确目的、留存期限，以及戴相机的那个人给出的、有据可查的知情同意。这些规则不是为机器人数据而写的，却干净利落地适用于它，因为其输入就是一个活生生的人，在一个他同意佩戴的镜头前做着某件事。
积累这堆数据的两条路
组建一个大规模第一人称数据集，大体上有两种模式，它们的分歧在于记录发生在哪里。
第一种是走量收割：把采集推到劳动力便宜、规则宽松的地方，尽可能多地攒小时数，文书工作事后再补，或者干脆不补。它优化的是每一块钱换来的原始数量。第二种是从第一帧起就把知情同意与溯源内建进去：每一次会话都绑定一个有据可查的对象、一项合法依据、一个地点，以及一份关于哪些内容被匿名化的记录。它每小时的成本更高，换来的却是一个你真的交代得清楚的数据集。
一个数据集，等于它的画面，加上那份写明你被允许记录画面中人的文书。把后半截抽走，看起来像资产的东西，其实是一笔分辨率很高的负债。
有一阵子，第一种模式看上去一味地更便宜，于是它默认胜出。这本账正在变。一个训练商用策略的买家，会继承它所学过的每一段片段的溯源，而这条链上的缺口不是文书上的小麻烦；它是一处缺陷，可能逼你重新训练。
把采集写成一份规格
如果溯源必须随数据一同流转，那么一次达到操作级别的会话，其规格表就有了后半页。前半页是常见的传感器堆栈。后半页则是让每一路通道在法律上可以持有、可以出售的那份记录。EU AI Act 也在朝同一个方向施压，它要求高风险系统的提供方记录进入系统的数据，这就把溯源从一种美德变成了一项归档要求。
| 记录的模态 | 策略为何需要它 | 溯源或知情同意字段 |
|---|---|---|
| 第一人称 RGB，头部与手腕 | 接近的几何关系，接触留在画面内 | 合法依据与对象知情同意的引用 |
| 深度 | 伸手距离、抓握预成形、碰撞余量 | 采集地点与司法管辖标签 |
| 手与手指姿态 | 面向夹爪的重定向目标 | 对象标识，因为手可被识别，外加留存期限 |
| 力与力矩 | 握力、接触起始、打滑 | 会话与操作者的溯源 |
| 音频 | 图像会漏掉的接触事件 | 嗓音属于个人数据：单独知情同意或在源头移除 |
| 画面中的旁观者 | 属于附带，而非训练信号 | 在源头匿名化，并记录执行这一步的动作 |
把右侧这一列当作一张模式表来读，而不是一句免责声明。其中每个字段，都是一个认真的买家可以索要、可以审计、并可据以拒收数据集的东西。源头匿名化最要紧：一张在数据离开采集室之前就被打码的脸，是一张日后永远不会变成数据泄露的脸。
「在欧盟司法管辖下采集」作为一个数据集字段
把这些拼在一起，有一句话开始像一个规格取值那样起作用。「按公司架构在欧盟司法管辖下采集」，告诉买家：知情同意、合法依据与溯源链，都落在一个他们本来就必须交代的法律体系之内。这收窄了他们的尽职调查，而不是扩大它。对一家把产品卖进欧洲家庭的欧洲 OEM 来说，一个在同一套规则下组建起来的数据集，不是一种道德偏好；它是审计中少一个的未知数。
这并不会让离岸的走量变得一文不值。廉价而海量的人类视频，会继续在预训练里挑大梁，那里的目标是宽广的视觉与语义覆盖，溯源的门槛也更低。而高价、可交代的采集，则在对齐这一层挣得自己的身价：在那里，一批较小、干净、有据可查的示范，为真实部署调校一个策略，而每一段片段都得经得起审视。
视角之争已成定局：机器人学习操作，最好是从身体自身的视角出发，连同双手、连同力。悬而未决的问题已经移到了下游。必须有人有意地去采集那个视角，一个任务接一个任务，而如今他们还得能说清楚：画面里到底是谁的手，以及在什么条件下。在欧洲，后面这句话正在成为产品的一部分。