2026 年人形机器人全景:以数据战略绘制版图
一份 2026 年人形机器人公司的实地指南,不按硬件而按数据战略绘制版图:远程操作、仿真、人类视频与共享语料,以及数据层为何日益成为竞争与合规的关键。
数一数过去 18 个月里宣布推出基础模型的人形机器人创业公司,还没数完名字,手指就不够用了。Figure、1X、Physical Intelligence、Skild AI、Apptronik、Agility,再加上 NVIDIA、Google DeepMind 和 Toyota 的研究团队。硬件正在悄然趋同:两条手臂、两条腿、一到三个立体摄像头、灵巧或正努力变灵巧的双手,以及一块大约够撑一个班次的电池。发布视频看多了,这些机器就渐渐分不清彼此。
真正没有趋同的,是训练数据从何而来。这才是 2026 年值得绘制的坐标轴,因为一台人形机器人的能力,取决于它见过的演示;而每一支认真的团队,都在如何获取这些演示上下了不同的赌注。是远程操作一支机队?在仿真中合成动作?挖掘人类视频?还是把各家实验室的轨迹汇入一个共享语料库?每个答案都有各自的成本结构、各自的失效模式,以及各自的天花板。
所以这是一份按那一个问题来组织的实地指南。不是"谁的机器人最好",这个问题眼下没人能老实回答;而是"谁在拿什么喂自己的机器人",后者更能告诉你,谁能在 2028 年依然屹立不倒。
喂养人形机器人的四种方式
剥去品牌外壳,这个领域里几乎每一个项目都取自四种数据来源之一,通常还会混用其中两种。你可以远程操作实体机器人,记录下干净的动作标签。你可以在仿真中生成动作与像素。你可以借用第一人称的人类视频,它数量庞大,却不带任何机器人动作。或者你可以把各家的机器人日志汇入一个共享语料库,跨本体训练。下面这张表是一份粗略的地图,而非评分表:多数团队都会两头下注,真正有意思的细节在于,他们最倚重哪一种来源。
| 项目 | 旗舰模型 | 主要数据来源 | 特征 |
|---|---|---|---|
| Figure | Helix | 机载远程操作机队 | 垂直整合,自有操作员 |
| 1X | Redwood 加世界模型 | 机载远程操作,习得的世界模型 | 家庭数据,用于评估的神经仿真器 |
| Physical Intelligence | π0 | 跨本体远程操作 | 一个策略,多种机器人本体 |
| NVIDIA GEAR / Isaac GR00T | GR00T N1.5 | 仿真加人类视频 | 开放权重,以合成数据为主的流水线 |
| Skild AI | Skild Brain | 大规模仿真 | 与本体无关,仿真优先 |
| Google DeepMind | Gemini Robotics | 网络规模 VLM 加机器人数据 | 从通用模型迁移而来的推理能力 |
| Toyota Research Institute | Large Behavior Models | 机载远程操作,扩散策略 | 机队学习,单一网络多种技能 |
机载机队:完美的标签,残酷的经济账
最纯粹的策略也是最古老的:让人置于回路之中,由他操控机器人完成一项任务,记录下每一个关节角度和每一帧画面。动作标签是精确的,因为机器人真的做出了那个动作。Figure 用自己的操作员运行这套打法,而 Toyota Research Institute 发表了 Large Behavior Models,用远程操作的扩散策略演示训练,单一网络吸收数百种技能。Physical Intelligence 用 π0 更进一步,这是一个流匹配策略,跨一支由不同机器人本体组成的机队训练,操作数据量大约在 1 万小时的量级,好让一个模型能迁移到并非它出身的手臂上。
软肋在于算术。远程操作以大致一名操作员对一台机器人的比例实时进行。一小时的数据要花掉一小时熟练的人力,而策略最需要的那些罕见、别扭、从失败中恢复的时刻,恰恰是操作员最少产出的。
远程操作以最糟糕的单位经济换来完美的标签:一个人,一台机器人,一小时,换一小时的数据。
仿真与世界模型的赌注
如果真实数据很慢,那就让假数据变快。仿真可以并行渲染数百万次试验,为每一次接触和每一个关节提供免费而精确的标签。NVIDIA 的 GEAR 实验室围绕这个思路打造了 Isaac GR00T,为 GR00T N1 与 N1.5 发布开放权重,它们在合成轨迹与人类视频的大量混合数据上训练,好让规模更小的团队去微调,而不必从零开始。Skild AI 更加倚重仿真,主打一个与本体无关、可以搭载到多种机器上的机器人大脑。
问题在于现实差距:一个在仿真里完美无缺的策略,面对真实的线缆,或渲染器从未准确建模的半透明杯子,仍可能手忙脚乱。世界模型是当下的答案。1X 训练了一个对其家庭环境的习得式神经仿真器,既用它生成经验,也用它在策略触及实体机器人之前打分。这个赌注是:一个足够好的下一帧预测器,比再建一座满是操作员的仓库更有价值。
借用人类视频
每一个洗碗的人,都是一段未加标注的灵巧操作演示,而这样的人有数十亿。这正是第一人称人类视频的吸引力所在。Ego4D 及其配对续作 Ego-Exo4D 这样的学术数据集,采集了数千小时的第一人称活动,而这些素材正越来越多地为人形机器人流水线播种:GR00T 的训练配比就取用了人类视频,而 Gemini Robotics 在见到任何一个夹爪之前,就已继承了一个网络规模模型的视觉与语义先验。
难点在于本体差距。人类视频显示了发生什么,却没有产生这一切的关节力矩、接触力或夹爪指令,因此这些动作必须被推断、被重定向,或与一小片机器人数据配对,才能变得可训练。供给充足,标签缺失:这正是远程操作难题的镜像。
共享的公地
Open X-Embodiment 把来自 22 种本体、20 多家实验室的 100 多万条真实机器人轨迹汇集在一起,并证明在这一混合数据上训练的策略,往往胜过在任何单一机器人数据上训练的策略。DROID 又补充了大约 7.6 万条在真实环境、跨数十栋建筑采集的演示轨迹。Hugging Face 的 LeRobot 已成为把这些串联起来的开放管道:标准数据集格式、预训练策略,以及一个社区数据集不断累积的枢纽。
跨本体训练如今已是默认前提,而非研究奇观。它也悄然重构了这场竞争。如果架构在趋同、基础数据集被共享,那么优势就转移到了谁能补上公地里尚不存在的数据。
2026 年过半,该盯住什么
老实说,没有哪一种单一的数据战略胜出,领跑者都是同时运行两三种的那些:用远程操作换干净标签,用仿真换体量,用人类视频换多样性,用共享语料换覆盖面。未来 18 个月的问题,与其说是"谁的机器人走得最好",不如说是"谁的数据流水线更能复利累积"。盯住边际那一条演示从何而来、成本几何、又允许谁来使用。那才是到 2028 年依然读得懂的地图。