奥比中光许崇言：具身数据走向规模化，考验的是“生产能力”

随着具身智能加速进入真实场景，数据的重要性已经成为行业共识。相比“机器人缺数据”，更值得关注的是另一个正在浮出水面的问题：真正可用于训练的数据成本究竟有多高？当采集规模扩大后，又能否长期、稳定地保持数据质量？

在2026中国国际光电博览会（CIOE）同期举办的第41届“微言大义”研讨会上，奥比中光数据采集产品负责人许崇言受邀发表了以“物理AI训练中的3D视觉挑战与数据采集实践”为主题的演讲，为业界带来从底层硬件到生态实践的解题思路。

“有效数据”的成本账

采得多，还要用得好

许崇言在演讲中提到，当前数据采集行业缺乏统一的工程基准。为了快速满足不同任务的需求，行业早期常根据具体场景组合相机、IMU、触觉等不同传感器，这种方式能够快速支撑单点任务，但当采集开始起量，原本并不明显的问题也会逐渐放大。

一方面，硬件规格不一致，将很大程度限制数据的复用率。为了满足特定任务的数据需求，非标数采设备方案在传感器选型、视场角、分辨率及标定基准上存在差异，使得采集产生的数据普遍带有硬件特异性。这种底层硬件的碎片化，不仅抬高了数据跨本体、跨模型迁移适配的门槛，也让企业陷入重复搭建数采系统的资源消耗中。有预测指出，未来随着模型与数据量级倍增，因数据无法跨平台复用产生的潜在沉没成本可能高达千亿元级。

另一类成本则更加隐蔽。世界模型训练所需的往往不是单一视觉数据，而是视觉、IMU、触觉等能够准确对应同一物理过程的多模态信息。这对传感器之间的时间同步和空间标定提出了更高要求。如果长时间采集中出现时间戳漂移、偶发丢帧等问题，影响的不只是某一帧数据，还可能带来后续的数据筛除、人工清洗乃至重新补采。

因此，当真实世界数采进入规模化阶段，“成本账”也需要重新计算。设备采购价格只是显性成本，更值得关注的是，从一次真实交互发生，到一条数据最终能够进入训练，需要付出多少综合成本。

前端少一次异常，后端可能就少一次清洗和补采；已有数据能够多一次使用，也意味着减少一次重复采集。数据规模越大，这些看似细小的工程问题，对整体效率和成本的影响也越明显。

从一次采集到持续生产

数采开始考验“长跑能力”

当数据采集从一次任务走向规模化作业，评价一套数采系统的标准也随之变化：不仅要看单颗传感器的性能，还要看设备能否长期稳定运行、不同设备之间能否保持一致，以及一套方案能否稳定复制和批量交付。

锚定物理AI时代具身数据采集的硬件基座，奥比中光在本次研讨会上给出了系统性的解法：既要打造以“4R”为核心的具身数据采集产品能力，更要携手产业链上下游伙伴打通全链路的生态协同。

许崇言介绍道，奥比中光的全模态无本体数据采集硬件平台以“真实（Real）”为数据价值的起点，专注采集覆盖复杂材质、光照、遮挡与长尾操作的真实交互数据；以“可靠（Reliable）”为基准保障数据连续生产，其数采设备在产线实测中实现了连续录制超37小时、累计超1亿帧且RGB与IMU零丢帧，帧间隔波动稳定控制在30微秒以内。同时，提供“丰富（Rich）”的多模态数据，实现视觉、触觉、音视频在空间和时间维度精确对齐。这些指标最终指向统一目标——让数据“就绪（Ready）”，真正实现规模化、生产级交付。

围绕无本体数据采集平台，奥比中光正积极携手产业链上下游伙伴开展合作。在传感器端，联合思特威从图像传感层面提升数采设备的可靠性能；针对多模态数据采集，携手他山科技补齐“视触一体”数据维度；在算法与应用端，与厘清智能推动视觉传感器与仿真世界的双向对齐；同时联动灵初智能，打通从前端数据采集到后端数据管理与应用的全链路。

这些合作所指向的，是具身数据产业更长期的问题：当数据来源越来越丰富之后，产业需要的不再只是更多孤立的数据集，而是让数据在不同环节之间流动起来。

随着物理AI从模型验证走向更大规模的真实场景，数据采集也将从“项目制工具”逐步成为长期运行的基础设施。未来，奥比中光也将围绕真实世界数据采集持续完善产品与生态能力，为模型训练、机器人本体企业和生态伙伴的应用落地提供更稳定的硬件基座。