天津
2026年行至年中，具身智能賽道熱度仍居高不下。融資、模型、峰會、Demo 接連涌現，行業從“具身智能元年”講到“商業化落地關鍵年”，敘事一輪輪翻新。
但在這片喧囂之下，一個更底層的難題開始浮現：支撐具身模型持續迭代的高質量訓練數據，正在變得越來越稀缺。行業通用的真機遙操作采集，在成本、場景和機型限制下，已經逼近數據多樣性的天花板。
如果標準示教教不會機器人應對真實世界的變量，具身模型的下一批訓練養分該從哪里來？
有鑒于此，大曉機器人發布并開源了全新“一腦多型”具身操作VLA模型ACE-Ego。它將大規模第一視角人類視頻與多機型機器人數據聯合預訓練，把人類與物理世界的交互經驗，轉化為機器人可學習、可遷移的監督信號。
在國際人形機器人操作基準RoboCasa GR1 TableTop上，ACE-Ego以72.8%的平均成功率刷新當前最高紀錄；在高難度雙臂操作基準RoboTwin 2.0強域隨機化測試中，ACE-Ego取得90.62%成功率，展現出突出的環境魯棒性。
更關鍵的是，引入第一視角人類視頻進行聯合預訓練后，ACE-Ego在RoboCasa上的成功率從68.3%提升至72.8%。這意味著，“借人之眼”并非簡單擴充數據，而是在為具身模型打開一條更低成本、更高泛化的規?；柧毬窂健?/p>
目前，ACE-Ego已能穩定完成塑料袋打包、鞋子裝入鞋盒等長周期、強接觸的復雜零售操作，覆蓋商品整理、打包履約等典型線下零售環節，突破了過去模型多停留在簡單桌面抓取的能力邊界。
(大曉機器人世界模型科學家李鴻升)
近日，我們專訪了大曉機器人李鴻升。在他的講述中，ACE-Ego不只是一次SOTA刷新，更是“以人為中心”ACE 研發范式在具身模型預訓練中的關鍵落地：從遙控機器人采集數據，轉向借助人類第一視角理解真實世界；從單一本體訓練，走向多機型協同預訓練；從實驗室任務，走向可規?；涞氐漠a業場景。
在相當長的時間里，遙控操作采集被視為行業黃金標準。建設專門的素材廠，配置專業的遙控人員，讓機器人在真實本體上一絲不茍地完成動作，每一幀軌跡都被精確記錄下來，成為模型學習的訓練數據。這套方法論嚴謹、可控、精準，被大多數機器人團隊奉為圭臬。但近兩年，越來越多人意識到，這套標準化操作正在成為制約機器人發展的天花板。
最直觀的成本壓力。從場地租賃、硬件集成到專業遙控人員的配置，前期投入動輒數百萬元。作為勞動密集型工作，一名熟練的遙控人員一天能采集的有效數據時長非常有限。
成本問題尚且可以通過融資來解決，但技術層面的限制更加根本。一個素材廠一旦搭建完成，場景、光照、物體位置、工作臺的高度和材質就基本固定了。機器人學到的所有動作，都綁定在這套固定的物理配置之上。
李鴻升對此的感受很直接：“數據多樣性的上限很低，除非你把整個素材廠搬家換布景，不然模型就困在那里了。”
這也是行業所說的泛化能力不足，真實世界的變量遠超素材廠能夠模擬的范圍，機器人無法舉一反三。在素材廠里接受訓練的模型就像從小到大只做過標準試卷的學生，一旦考題稍微換了個問法就手足無措。仿真數據試圖以更低的成本解決這個問題，但sim-to-real的鴻溝至今沒有完美的跨越方案。
轉向人類第一視角視頻獲取現實世界的真實數據正是對這個困局的回應。借眼入局繞開的不僅是高昂的采集成本和技術瓶頸，更是那條越走越窄的標準化答案之路。
但“借來”的眼睛看到的東西，離機器能理解的語言卻還有很長一段距離。
眼睛看到了，不等于機器真的理解了。對人類如此，對機器更是如此。
人類日常操作視頻最大的價值是真實、多樣。不同的人、不同的場景、不同的操作習慣恰恰是實驗室數據最稀缺的真實世界養分。但非結構化、無統一標準、差異極大的真實世界數據就像一本用不同方言寫就的無字天書。未經處理的數據直接塞進模型里不僅成不了養料，反而會打亂已有的認知體系。
李鴻升認為，第一視角人類視頻要轉化為機器能夠理解的信息有四道門檻需要跨越。
第一是空間坐標系不對齊。1.8米和1.5米的人胸前相機拍到的桌面角度完全不同，這些差異會讓它將本質相同的操作判定為完全不同的任務。
第二是本體構型不匹配。人類的指尖捏取動作對應到雙爪機器人上是夾爪閉合，二者的物理形態完全不同，如果做不到構型層面的對齊，機器就讀不懂人類動作的本質。
第三是時間幀率不一致。真人視頻多按固定幀率采集，而機器人的動作控制有獨立的響應頻率，兩套時鐘的基準完全不同。多源數據混合時，同樣一個伸手抓取的動作在真人視頻里是10幀，在真機數據里是30幀，按固定幀數切分就會打亂動作的因果順序與節奏，讓模型對動作的時間邏輯產生混亂。
第四是標簽質量有誤差。從視頻反推的動作信息充滿誤差，手指末端和被遮擋部分的“偽標簽”遠達不到遙控數據的精度。
這四道門檻共同筑成了人機之間的認知鴻溝，也解釋了為什么很多團隊明知人類數據成本低、多樣性高，卻不敢大規模使用。
（ACE-Ego概覽圖）
“如果你只是簡單地把人類視頻和機器人數據混在一起訓練，模型性能不升反降?！?/p>
人之眼看到的東西足夠豐富，但唯有當它被準確轉譯為機器能讀懂的語言時，這種豐富才真正有價值。為解決這些問題，大曉機器人團隊針對每一個“不對齊”設計了對應的翻譯機制。
空間上，統一第一視角坐標系。放棄以機器人本體為基準的傳統思路，將所有真人視頻、真機數據全部對齊到統一的第一人稱視覺空間，通過幾何校正抹平身高、機位、俯仰角帶來的視覺差異。只有讓站在同一個視角看世界，動作的相對位置、空間邏輯才能被模型統一識別。
本體上，用URDF編碼構建身份體系。依托機器人行業通用的URDF構型文件，團隊設計了一套可學習的編碼器，給每一款機器人的軀體構型都生成專屬的表征編碼，同時給人類肢體分配一套共享編碼。
時間上，按物理時長替代固定幀數切分。不再用固定幀數劃分數據片段，轉而以真實物理時間為基準對齊所有數據源。無論視頻幀率多少、機器人控制頻率多高，都按統一的時間窗口切割，保證伸手、抓取、抬起的動作因果序列與節奏不會被打亂，讓多源數據在時間維度上實現同頻。
標簽上，用動態置信度過濾噪聲。針對偽標簽的誤差問題，團隊為不同關節、不同遮擋情況設置了分層權重：手腕根部等重建精度高的部位賦予高權重，指尖末端等誤差大的部位降低權重；短時間遮擋輕微降權，長時間遮擋大幅降權，從損失函數層面弱化噪聲數據的干擾，讓模型優先學習高可信的動作信號。
這套轉譯體系的效果最終直接體現在了榜單成績上。在RoboCasa GR1 TableTop排行榜上，ACE-Ego以72.8%的成功率刷新當前最高紀錄奪得榜首；在RoboTwin 2.0 強域隨機化測試中，ACE-Ego以90.62%的成功率展現出遠超行業平均水平的環境魯棒性。
這意味著，翻譯得越準確，借人之眼才越有可能鑄就機器之魂。當模型見過足夠多樣的人類行為和環境變化，它對單一場景的過擬合就被稀釋了。
而當機器的靈魂初步成形之后，它面對的下一個問題更加棘手：市面上具身智能有各種各樣的型號，這顆通用的機器之魂如何棲居進形態各異的機械軀體？
一套翻譯方案跑通，意味著模型終于能看懂人類在做什么了。但看懂是一回事，用自己的身體做出來是另一回事。
人類用手捏起一個杯子，手腕旋轉30度，手指自然調節力度……這一串動作對于人來說是本能。但對于一個雙爪機器人來說，雙爪機械手要計算開合的最大幅度、夾持的力矩閾值；吸盤式末端要規劃吸附的中心點、抬起的垂直角度；即便是同一款靈巧手，臂長的差異也會讓到達同一位置的關節軌跡天差地別。
同一個抓取打包的認知目標落到不同的物理軀體上，執行路徑、發力方式、動作時序可能截然不同。這便是魂與軀的核心矛盾：認知內核可以是統一的，但每一副軀體都有自己的物理邊界與運動規則。
行業內的主流解法始終沒能跳出“一機一魂”的閉環邏輯。英偉達等玩家布局VLA模型時，大多綁定自有硬件生態，深度適配自家機器人的構型參數與運動學模型。這些模型往往只為單一機型量身打造，換一款臂長不同的同品牌機型都要重新調參，更不用說跨品牌、跨構型的遷移。
這種模式帶來了幾個后果。
一方面，研發成本重復投入，每一款新硬件上市，都要配套走一遍數據采集、模型訓練、調試驗證的完整流程，大量資源消耗在高度同質化的工作里；另一方面，模型能力被硬件出貨量綁定，單款機型的數據體量天花板，直接鎖死了對應模型的能力上限。高昂的適配成本讓大量中小企業望而卻步，只能站在具身智能的浪潮之外觀望。
（ACE-Ego技術架構圖）
大曉機器人從一開始就跳出了“為特定硬件定制模型”的路徑依賴，提出一腦多型的設想。
在李鴻升看來，真正有生命力的機器模型不該被單一硬件的軀殼束縛。
團隊找到的破局密鑰藏在前文提到過的URDF構型文件里。他們設計了一套可學習的URDF編碼器：每一款機器人的連桿長度、關節限位、力矩范圍、自由度數量等所有物理參數，都能通過編碼器映射到統一的語義表征空間。與此同時，人類肢體結構也被賦予了一套共享編碼，與機器人表征處在同一個特征體系下。
打個比方，這相當于給機器之魂配了一本通用的軀體說明書翻譯器。無論是什么品牌、什么構型的機械臂，只要傳入它的URDF文件，這顆魂就能快速讀懂這具身體的能力邊界，把統一的認知目標拆解成適配當前軀體的動作序列。
預訓練階段，團隊就融合了星海圖、智源、銀河通用三款不同構型的真機數據，讓機器之魂在訓練階段就接觸過不同的軀體形態，早早學會了根據身體條件調整動作邏輯。到了下游適配環節，面對從未見過的方周雙臂平臺，模型也能依靠URDF編碼機制快速完成遷移驗證。
李鴻升透露，方案落地后，簡單任務僅需50—100條人類演示數據，1—2小時就能完成新機型適配，極簡場景半小時即可上線。對比傳統數周級的適配周期，效率提升了一個量級。
大曉機器人從模型訓練起家，早期并無自有機器人本體，這份“無硬件包袱”的出身，反而讓團隊天然站在了開放兼容的視角上。李鴻升始終認為，機器之魂的強大，從來不靠綁定某一款硬件，恰恰相反，接入的軀體越多、吸收的數據越多元，智能內核的泛化能力才會越強，最終形成數據越多、魂越強、適配越快的正向循環。
這份開放的思路，也直接落地成了ACE-Ego的完整開源計劃。
“我們不僅開放Checkpoint，還要同步開源真機任務數據集和完整訓練腳本，讓中小企業、學術團隊拿到就能用，能快速做下游遷移。”
在他看來，具身智能還處在行業早期，沒有哪家企業能獨自跑完整個賽道，開源是降低行業門檻、加速整體落地的必經之路，也是讓機器之魂ACE-Ego惠及更多場景的方式，降低具身操作模型的訓練與遷移門檻。
技術的價值，最終要落在真實場景里。技術路徑跑通了，模型能力也驗證了，哪一個場景能快速解鎖ACE-Ego的價值呢？
過去一年里，不少項目在融資階段講出了漂亮的故事，但到了交付環節卻拿不出可規?；渴鸬漠a品。從demo到product，中間隔著的是場景定義的清晰度，越早想清楚“給誰用、解決什么問題”，就越有機會活過這場長跑。
對于ACE-Ego的落地節奏，大曉機器人始終保持著十足的冷靜，沒有喊出全場景通用的口號，而是選擇零售場景作為第一塊試驗田。
在李鴻升看來，這是商業與技術雙重理性的選擇。
“如果追求一個像人類智能那樣的通用模型，時間跨度會很大。但如果聚焦在特定任務上，一兩年內，我們能落地很多標桿應用?！?/p>
從市場維度看，零售與前置倉賽道有著天然的落地優勢。一方面，賽道整體體量足夠大，分揀、打包、分裝這類重復性崗位，普遍面臨用工成本高、人員流動率大的痛點，品牌方與運營商有強烈的自動化替代意愿，采購需求集中且明確；另一方面，對比家居機器人零散的C端采購，零售客戶以集中式采購為主，單家企業就能支撐數十臺上百臺的部署規模，商業化閉環的速度快得多，能讓機器之魂的價值快速得到驗證，也能反哺模型持續迭代。
從技術維度看，零售場景的任務邊界清晰，恰好適配當前階段的模型能力。揀貨、打包、分裝這類標準化操作，核心都圍繞抓取、放置、操作的動作邏輯展開，任務范圍可控，便于快速采集足量的人類演示數據，完成場景適配與能力驗證。更重要的是，真實零售場景天然存在商品差異、包裝變化、光線波動等變量，這些真實世界的“不標準”既能持續檢驗機器之魂的泛化能力，又不會像家居場景那樣任務過于分散、環境過于復雜，是性價比極高的練兵場。
目前，ACE-Ego已穩定完成塑料袋打包、鞋盒封裝、咖啡分裝等典型零售作業。
談及未來的柔性制造、工業場景，他坦言還需要補兩塊短板：一是靠自研的輕重兩套可穿戴采集設備，大規模擴充工業場景的人類操作數據，讓機器的眼睛看到更多專業場景。二是把VLA模型與自研的世界動作模型WAM打通，補足精細化操作的能力，讓機器的心智更強大。
而面對當下行業里快速落地與泡沫論的兩極爭議，李鴻升的態度始終平和務實。在他看來，兩種觀點本質上指向的是不同的目標：如果期待的是像人一樣無所不能的通用具身智能，那這條路注定漫長，短期內過度炒作確實容易催生泡沫；但如果把目光投向具體的產業場景，聚焦一個個邊界清晰的真實任務，具身智能的落地速度遠比大眾想象中更快。
“具身智能有一萬條賽道，每一條賽道做深了，受益面都很廣?！?/p>
過去幾年，具身智能的主流敘事始終圍繞通用人形機器人展開。行業更習慣于先打磨出類人的物理軀體，再逐步為其賦予智能。大曉機器人則反其道而行之，選擇先淬煉出一顆獨立于硬件的通用機器之魂，再讓這顆智能內核主動去適配形態各異的產業軀體。
這種先塑魂、再附體的思路正在打開一種新的行業可能性：具身智能的發展未必非要沿著先造人、再賦智的路徑單線程推進；智能的迭代不用再被硬件進度綁定，算法層面可以持續吸收人類真實操作經驗完成進化；大量中小硬件廠商不必從零搭建模型團隊，接入這顆通用機器之魂就能快速賦予產品操作智能。
在數據荒漠里，這是一條需要更多耐心、更多工程細節、更多跨模態翻譯的路徑。但這條路一旦走通，就能繞開標準答案的囚籠，讓機器真正進入人世間。
特別聲明：以上內容(如有圖片或視頻亦包括在內)為自媒體平臺“網易號”用戶上傳并發布，本平臺僅提供信息存儲服務。
Notice: The content above (including the pictures and videos if any) is uploaded and posted by a user of NetEase Hao, which is a social media platform and only provides information storage services.
