桌上摆着几只茶杯,采集者戴着头戴设备,把杯子拿起、移开再放回。设备记录连续视频和惯性测量单元数据,动作似乎被完整保存。但在杨哲轩看来,记录只是开始。视频说明发生过什么,却没有给出模型下一步该怎么做;其中缺少动力学、意图、空间关系,也缺少失败后如何恢复的经验。

他的判断是,结构化语言才是可以对 齐的东西。要把一次整理茶杯的动作变成可复用智能,系统需要把任务拆成步骤,用结构化语言对齐,再补回手部姿态、运动轨迹和动作意图。智域基石处在采集与模型训练之间,用Physical AI DBMS和物理因果模型,把真实任务中的多模态观测编译成可训练、可评测、可查询、可复用的操作级数据资产。

行业的数据缺口仍然明显。36氪今年5月援引行业共识称,训练具备通用泛化能力的具身模型至少需要千万小时级数据,而截至2026年初,全球高质量真实物理交互数据总量仅约50万小时,不足大语言模型训练数据的两万分之一。杨哲轩给出一个现场比喻:外购1000小时数据,经过筛选,最后可能只剩约100小时可用。

他把数据与模型需求的错位归为三类:学习对象上,视频未必包含物体状态变化、动作后果、操作顺序、失败恢复和接触关系;任务分布上,标准化采集场地容易扩量,却难提供场景泛化性;本体差异上,人类数据复用到机器人需要相机标定、任务Schema定义、动作映射和本体适配。人类第一视角数据易规模化,主要服务预训练泛化;真机数据更适合特定任务的后训练。杨哲轩认为,scaling会继续发生,关键在于寻找更陡峭的斜率,让模型能力以更低成本增长。