在具身智能快速发展的当下，人形机器人想要从实验室走向真实生活，除了本体硬件与算法模型的迭代，高质量、大规模的真实场景数据已经成为制约技术跃升的核心要素。如何高效获取多场景、多任务的人类动作与环境交互数据，构建适配通用具身智能训练的数据系统和AI Infra，成为行业亟待解决的关键命题。

2026年09月15日，在2026具身感知融合与多模态大模型创新研讨会上，超维动力副总裁朱杰发表主题演讲，围绕通用具身智能的数据系统建设展开分享。

朱杰指出，通用具身智能的突破并非依靠单一模型架构的革新，持续运转、能够供给海量真实场景数据的数据系统，才是推动人形机器人从专用工具转变为走进千行百业、千家万户的通用智能体的关键基础设施。行业需要跳出传统实验室里的真机数采模式，通过轻量化采集硬件加平台化数据处理的众包生产体系，在真实场景中加速数据生产、处理、训练的技术飞轮，支撑具身大模型实现跨场景、跨本体的能力跃升。

朱杰 | 超维动力副总裁

以下为演讲内容整理：

数据系统加速具身模型高速迭代

超维动力作为一家全栈具身智能大模型公司，除了高拟人机器人本体之外，具身大脑模型经过多轮版本迭代也在高速进化提升。早期也曾在固定场景的专用任务，依托单场景真机数采完成模型训练，实现两套机械臂协同作业。在固定工位的专项任务中，相比刚性物体，衣物等柔性物品的泛化性多大、任务执行难度更高，超维成立半年便完成双臂叠衣、挂衣协同的长时序任务演示，并通过24小时公开直播展示算法实力。

向通用具身智能方向演进，超维动力团队很快将模型迁移至双足人形机器人平台，搭载头部主动视觉模块，完成乒乓球人机对抗等挑战性室外实时交互运动。乒乓球对打交互相比传统固定工位作业，存在三重技术挑战：不同击球产生的球路角度、速度、高度变化极大，对模型泛化能力提出高要求；击球响应需要达到毫秒级，考验系统实时推理能力；需要全身协同完成运动控制，球拍点位控制精度要求严苛。完成这类复杂任务的背后，离不开大规模人类数据作为高水平模型的训练支撑。

具身智能数据采集面临共性挑战

通用具身智能需要的是覆盖多场景、多任务的海量人类世界数据，如何在更丰富的真实环境中、以更可持续的成本获取大规模数据，成为行业共同面对的课题。

行业早期的数据采集模式存在诸多局限。搭建数采工厂、购置专业设备、招聘培训操作员，实施周期长、采集成本高、生产效率低，平均一分钟仅能产出一条有效真机数据，特定任务的专用数据，也无法满足通用具身智能对多场景、多任务海量数据的需求。

在数据生产方式上同样存在矛盾，数采员只采集标准化的优质正样本，数据质量更高但模型学习范围受限，会削弱算法泛化适配能力。现实人类活动中包含大量非标准动作、试错与纠错过程，对于训练鲁棒的具身大脑同样具备极高价值，因此真实世界数据非常重要。超维动力团队于2026年初就在RSS 2026发表了顶会论文EgoHumanoid，验证人类第一视角全身动作数据，能够显著提升模型在未知场景下的任务执行成功率，形成人类真实场景数据预训练叠加少量真机数据联合训练的策略范式，并通过视角、动作对齐等技术，构建大规模可泛化的统一具身数据集。

轻量化头环实现众包数采

超维动力团队在第一代物理AI自动驾驶领域，拥有丰富的工程化研发落地经验。LLM等数字AI模型更多使用互联网语料数据，但面向物理世界的人工智能，必须依托大量真实世界数据，这也是具身大模型发展的必经路径。通用具身大模型的训练，需要大量普通人在日常家务与工作中的操作和环境交互数据，为此，团队研发了人人可戴、随行可采的轻量化采集硬件Kai Halo头环。

这款只有约300克的第一视角数采设备，集成四目相机和IMU，通过视觉采集方式加云端后处理算法管线，完成人体全身20多个关键关节点的精准解算构建和自动化的语义标注。采集范围跳出实验室固定环境，实现家庭、超市、商业空间和工业产线等多地域、多场景、多任务的众包式数据获取。

工业化数据处理系统

轻量化头环仅是整套数据系统的前端采集硬件，完整数据生产能力来自云端的具身AI基础设施。Kai Embodied AI Infra统一管理全部外发头环设备，分发各类数采任务；数据回传后，经过自动化算法管线完成工业化数据生产。轻量化硬件采集的原始数据，还需要配套云端后处理系统做完整质检和分类，完成传感器异常识别过滤、多模态时序对齐，针对遮挡带来的数据中断、异常问题做算法修复。这样的具身数据集，不仅规模大、多样性好，还具备跨本体迁移优势，使用人类数据完成预训练后，仅需少量机器人真机数据后训练微调，就能够快速适配不同尺寸人形机器人本体。

数据标注也是容易被忽视却至关重要的环节，原始数据需要经过任务切片、分层语义标签标注，让模型理解完整的工作环境与任务逻辑，避免模型出现简单动作模仿复刻。超维Kai Embodied AI Infra拥有自动化的多模态数据标注管线，每日可处理上万小时原始数据，目前已经积累数十万小时人类世界Ego数据，也非常欢迎行业伙伴一起开展数据层面的合作。

Embodied AI Infra加速具身智能体进化

结合团队过往在第一代物理AI自动驾驶领域研发经验来看，通用具身智能的突破，非常需要持续运转的Embodied AI Infra支撑。超维动力基于覆盖“采集—处理—训练—仿真—部署”的具身智能基础设施，持续积累覆盖足够场景、物体、任务的海量人类世界数据，加速人形机器人从硬件设备，训练进化成走进千行百业、千家万户的通用智能体。

关于超维动力

超维动力是一家全栈具身智能大模型公司，依托高拟人本体、具身大模型、真实场景数据和Embodied AI Infra的全链条研发能力，构建起“硬件——算法——数据”的完整技术飞轮，加速全栈具身能力向千行百业应用落地，最终走进千家万户。

（以上内容来自超维动力副总裁朱杰先生于2026年9月15日于2026具身感知融合与多模态大模型创新研讨会发表的题为《构建面向通用具身智能的数据系统》的演讲。）