GEN-0证明了具身的Scaling Law，物理世界的通用智能并非遥不可及，但它标好了昂贵的价格——那就是海量、高保真、包含物理常识的交互数据。数据的多样性（Diversity）和交互密度（Interaction Richness）远比单纯的 Token 数量重要，因此未来的竞争，是“高质量真机数据供应链”的比拼。

01 引言：信仰与荒原

如果说大语言模型（LLM）的成功，是人类知识在文本维度的“暴力压缩”；那么具身智能（Embodied AI）的终局，必然是物理世界在交互维度的“全息投影”。

从GPT-3到GPT-5，我们见证了算力和数据堆叠带来的智能涌现。但在机器人领域，这个公式似乎遇到了阻力。我们不缺H100（算力），不缺Transformer（算法），甚至也不缺钱。

我们缺的是那把打开物理世界的钥匙——数据。

更准确地说，是“带有物理常识的高保真真机交互数据” 。作为一名AI产品经理，今天我想和大家聊聊在通往通用具身智能的路上，关于“数据”的底层思考。

02 维度诅咒：物理世界的 Token 在哪里？

在LLM时代，互联网上万亿级的 Text Token 是天然的燃料。它们离散、符号化，是人类思维的高度抽象 。

但当你把目光转向物理世界，情况变得极其复杂。 机器人的每一次抓取、每一次移动，产生的不是离散的 Token，而是一条连续的流（Stream）：关节的力矩、视觉的光流、指尖的触觉反馈 。

具身智能面临着“维度的诅咒”：

• 文本是 1D 的；
• 具身数据是 3D（空间）+ 1D（时间）+ Force（力）的高维纠缠

我们可以轻易用AI生成完美的文本，但目前很难生成完全符合真实物理定律（摩擦、形变、流体）的完美数据。因此，在完美的“物理世界模拟器”出现之前，高质量的真机数据（Real-world Data）依然是跨越模型能力鸿沟的唯一金桥。

03 标杆解构：7B 参数的“智力涌现”

近期备受关注的 GEN-0 模型，其实是一次关于具身基座模型（Embodied Foundation Model）的大规模验证实验。它告诉了我们要达到“通用智能”，门槛在哪里。

GEN-0 的实验揭示了一个关键结论：7B（70亿）参数是模型从“记忆”走向“泛化”的临界点。

• &lt； 7B 参数：模型只是一个“轨迹拟合器”。它像个死记硬背的学生，虽然在训练集上表现完美，但换个环境就歇菜，出现了“模型钙化”（Model Ossification）现象。
• ≥ 7B 参数：模型开始展现出对未知场景（OOD）的泛化能力，真正“理解”了物理常识。

但支撑这 7B 参数的，是27万小时的真实世界操作轨迹，涵盖了家庭、工厂、野外等数千个非标场景。这个数据量级，是许多同类模型的几十倍。

其实在 GEN-0 正式提出前，Generalist AI已经把“端到端 + 高频控制 + 双手灵巧 + 跨本体”的核心链路跑通。

• 2025-06-17：公开端到端模型在多具身与多任务上的早期结果，强调高频控制、毫米级精度与跨设备泛化（如 7-DoF Flexiv Rizon 4 ↔ 6-DoF UR5）。
• 2025-09-24：发布“一次示范组装（one-shot assembly）”内部评测：人类先搭一遍，机器人纯端到端模仿复刻，中间无任务特化工程与规则。

而GEN-0这个目前基于最大规模、场景最丰富真实数据集的基座模型背后的数据秘密，核心关键在于构建UMI的数据基建。

• GEN-0 建立了一个庞大的Data Infrastructure（数据基建）。目前涵盖27 万小时的真实世界操作轨迹，这不仅仅是存储，而是一套覆盖家庭、工厂、野外等非标场景数据采集网络。并且每周新增超过 1万小时数据，持续为模型提供真实物理交互经验。

• Generalist AI 还建立了非常方便的数据可视化系统，搜索关键词即可看到不同场景下该技能的数据。
• 有专业人士预测，如果一个现在起步的玩家，1：1复刻Generalist AI的数采方式和规模，算上前期数采的爬坡的时间，也需要至少超过半年，甚至一年的时间。

04 战国时代：真机数采的三大流派

既然数据如此重要，那么数据从哪来？ 放眼目前的具身智能领域，数据采集方案正处于“战国时代”。为了解决“在保证物理真实性的前提下实现规模化”这一核心矛盾，行业内衍生出了三大流派：

精密遥操作流派 (Teleop)：昂贵的“金标准”

代表：ALOHA， Vision Pro VR控制、动捕、外骨骼等。

逻辑：依靠人佩戴动捕设备或操作主从机械臂，Human-in-the-loop。

评价：

• 不可扩展 (Unscalable)：1 小时数据 = 1 小时人工 + 昂贵硬件折旧。
• 场域限制：很难把一套几十万的真机数采设备搬到星巴克/工厂去采数据，导致数据极度缺乏场景多样性。

视频流派 (Video)：巨大的“暗物质”

代表：Ego4D。

逻辑：大力出奇迹，利用海量互联网视频数据（YouTube/Ego4D）进行Retargeting映射。

评价：规模巨大，但质量一般。视频数据只有RGB，缺失了最核心的 Action（动作指令）和 Proprioception（本体感知/力反馈）。就像看人游泳一万遍，自己下水可能还是会淹死。

便携式/手持采集流派（Portable / UMI）：破局的“游击队”

代表：UMI (Universal Manipulation Interface)。

逻辑：消费级 GoPro + 3D 打印的机械夹爪 + 鱼眼镜头。彻底解绑机器人本体，像拿自拍杆一样去采集。

评价：这是近两年最大的变量。极低成本（&lt；300美元）换取了极高的场景多样性（Diversity）。这是解决“机器人出不了实验室”痛点的最佳方案。

丁琰博士最近发布的FastUMI-Pro可以前去了解。

主流真机数采方案的多维对比：

为了更直观地看清各方案的优劣，从采集效率、数据质量、硬件成本、场景多样性等维度进行了对比分析：

05 底层哲学：告别“停下来思考”

除了数据采集，GEN-0 在模型架构上引入的Harmonic Reasoning（谐波推理）同样令我着迷。

传统的机器人往往是“串行”的：观察 -&gt； 思考 -&gt； 行动。 但这有个致命伤：物理世界不会暂停，重力不会等你思考完再发挥作用。

谐波推理让模型学会了“边想边做”。感知流（Perception）和动作流（Action）像音乐的和声一样，异步但协同运行。它不需要生成完整的思维链（CoT）后再动，而是像人类的小脑一样，在执行当前动作的同时，并行预测下一秒的物理状态。

这也是为什么我们需要“实时（Real-time）”甚至“超实时”的数据，而不是那些慢吞吞的遥操作数据。因为只有敏捷的数据，才能训练出敏捷的智能。这也侧面解释了现在大部分模型PR是需要视频加速处理的。

06 结语：从输血到造血

具身智能的竞争，归根结底是“高质量真机数据供应链”的比拼。

现阶段，大家还在通过“资本雇佣生产力”的方式（如数采厂），专门雇人去采集数据，这是成本中心的运作模式，是以牺牲生产力为代价的数据获取策略，数据量的累积取决于资源，从本质上是不Scalable的。

但我相信，理想的终局是数据闭环：当机器人的能力跨过那个临界点，它们将真正进入工厂、家庭开始作业。那时的数据采集将是生产过程的“副产物”，好比Tesla的影子模式——机器人越多，数据越多；数据越多，机器人越聪明。

这，或许就是所有具身智能从业者梦寐以求的时刻。