成本压至 1/10！告别人海采数，具身数据Token工厂要如何跑通？

智东西 作者 王涵 编辑 漠影 过去几年，AI的两次规模化发展，都离不开 充足的数据供给 。 大语言模型可以直接利用互联网上积累多年的网页和代码数据，通过持续训练提升模型能力；自动驾驶企业则可以依靠量产车辆的影子模式（Shadow Mode），从真实道路中持续收集行驶数据和人工接管记录。以特斯拉为例，其通过全球数百万辆量产车，将数据采集融入日常驾驶过程，不需要额外组织大规模人工采集。 但到了具身智能领域，这样的数据供给条件并不存在。 过去两年，行业主要依靠真机遥操作和第一视角（EGO）可穿戴设备采集数据，累计获得的真机有效数据和EGO数据也 只有数百万小时 。对于已经投入大量资金的机器人公司和大模型企业来说，想要获得足够规模的高质量训练数据，依然不容易。 10月30日，空间智能公司影溯（InSpatio）在杭州落地 全国首个具身仿真数采中心 。影溯预计，该中心将 单月生产100万小时仿真训练数据 ，单条数据综合成本约为传统真机遥操作采集的 1/10 。 全行业花费两年积累数百万小时数据，影溯凭什么计划将产能提升至单月百万小时？要回答这个问题，我们需要先看清当前具身智能数据采集面临的困难，以及影溯如何将现实场景转化为机器人训练数据。 一、 为什么现在的具身行业，做不到大批量的数据供给？ 合格的具身Token需要同时包含三个要素，即 三维空间观测、真实物理接触反馈和可执行动作序列 。 也就是说，数据不仅要记录机器人看到了什么，还要包含机器人如何与物体交互，以及动作发生后产生了怎样的变化。 围绕这些要求，目前行业主要有 2 条 数据获取路径：一条是在物理世界，通过真机和可穿戴设备采集；另一条是在数字世界，利用三维建模和物理仿真生成数据。但渐渐地，两条路径都开始出现效率瓶颈。 1、去物理现场硬采：受限于时间、环境和场地 真机遥操作是目前获取机器人动作数据的主要方式之一，但采集效率并不高。 一名操作人员控制一台机器人工作一小时，扣除设备调试、故障处理和任务复位等时间，有效采集轨迹可能不到半小时。想要扩大数据规模，就需要增加机器人数量和操作人员， 采集效率十分受到物理时间和设备规模的限制。 为了降低机器人本体的投入，不少团队转向了EGO第一视角穿戴采集，通过记录人类在真实环境中的操作过程获取数据，但这种方式同样存在局限。 首先， 环境调整不够灵活。 EGO采集依赖真实场地，如果需要测试不同的杂物遮挡、光照条件或台面材质，就必须安排人员重新进入现场，搬动道具、调整布景，再次进行采集。 其次，很多真实场地并 不允许外部团队随意改造 ，例如营业中的商超、车间和药房等。即使训练中发现了问题，训练团队也未必能够回到原场地复现。 更不用说高危作业区、工业产线、脏乱差环境、安防场所和私人住宅等场景，还存在严格的准入限制，外部团队和设备很难进入。 2、向数字世界要产能：受限于场景建模效率 相比真实环境采集，仿真能够在虚拟环境中反复调整场景和任务，减少对真机和人工的依赖。但仿真平台本身并不能直接提供训练数据，首先要解决的就是 场景建模效率问题 。 以Isaac Sim等物理仿真引擎为例，平台提供了机器人运行和物理交互的模拟环境，但房间搭建、物体建模、关节绑定、碰撞边界设置，以及摩擦系数等物理参数，仍需要人工处理。找3D美术师从头搭建一个可交互房间，往往需要几天甚至几周， 成本和时间投入都不低 。 那能不能直接让大模型完成建模？ 最近，GPT-6 Astra、Atlas等模型都开始尝试三维场景自动生成，但距离直接用于机器人训练，还有不少问题需要解决。 以GPT-6 Astra调用Blender建模为例，其底层仍然需要经历“调整参数—渲染成图—比对参考图—再次调整参数”的反复过程。在这个流程下， 生成一个物体需要几十分钟，一个场景则需要数小时 。多轮推理和渲染更是会增加生成成本，程序化拼接出来的场景也容易带有明显的CG感。 除了效率和成本，生成场景的真实性与一致性也很重要。 无论是通过代码参数拼接场景，还是通过单张图片推测物体未被拍摄到的部分，如果缺少真实空间测量作为约束，就很难保证不同视角下的几何结构、整体空间尺度和物理关系一致。这些误差会影响机器人在仿真环境中的操作，也会增加从仿真到现实的迁移难度，也就是业内所说的 Real2Sim Gap 。 真机和EGO采集受制于时间、场地及环境调整，仿真数据生产则面临人工建模效率低、AI生成成本高、场景真实性不足等问题。 如何快速获得能够支持机器人实际操作的数字场景，成为具身数据规模化生产亟需跨过的一道鸿沟。 二、 影溯的破局思路：用工业流水线逻辑，建一座具身Token工厂 AI算力中心常被称为AI时代的“Token工厂”，通过整合电力、芯片和原始数据，持续输出模型训练和推理所需的Token。 影溯在杭州落地的具身仿