全球大廠不僅搶芯片，也開始搶你疊衣服的視頻了

機(jī)器人上春晚了，跑馬拉松了，在發(fā)布會(huì)上翻跟頭了。

但如果你讓它自己疊一件衣服，它大概率會(huì)把襯衫揉成一團(tuán)——然后卡住不動(dòng)。

讓機(jī)器人真正"自主行動(dòng)"，而不是照著寫好的劇本演戲，至今仍然是全球機(jī)器人實(shí)驗(yàn)室最頭疼的事情之一。不過今這個(gè)月初，英偉達(dá)機(jī)器人領(lǐng)軍人Jim Fan（范麟熙），在演講中提到，現(xiàn)在讓機(jī)器人自主行動(dòng)的終局之戰(zhàn)，已經(jīng)來了。

他說，機(jī)器人正在經(jīng)歷一個(gè)"Great Parallel"——也就是復(fù)刻大語言模型的進(jìn)化路線。GPT從海量文本中學(xué)會(huì)語言，機(jī)器人也可以從海量視頻中學(xué)會(huì)動(dòng)作。關(guān)鍵就在于一種叫做"Ego Data"的東西——人類第一視角數(shù)據(jù)。

過去幾年，教機(jī)器人干活的主流方法是遙操作：一個(gè)人遠(yuǎn)程操控機(jī)器人做動(dòng)作，機(jī)器人照著學(xué)。聽起來很直覺，但問題在于，即使一臺(tái)機(jī)器人24小時(shí)不停地采，一年也就產(chǎn)出幾千小時(shí)的數(shù)據(jù)。這還是理想情況下，事實(shí)上，一天能采集5個(gè)小時(shí)數(shù)據(jù)，已屬不易了。

Jim Fan在演講中甚至給遙操作"默哀了一分鐘"，說這種方式，根本無法滿足訓(xùn)練的需求。

而英偉達(dá)的EgoScale項(xiàng)目證明了另一條路：用超過2萬小時(shí)的Ego數(shù)據(jù)（人類第一視角）做預(yù)訓(xùn)練，不需要任何機(jī)器人參與，就能讓機(jī)器人學(xué)會(huì)組裝模型車、分類撲克牌、折疊襯衫。更關(guān)鍵的是，研究團(tuán)隊(duì)發(fā)現(xiàn)了一條清晰的Scaling Law——人類視頻數(shù)據(jù)越多，機(jī)器人的操作能力就越強(qiáng)。

只不過和GPT一樣，這條技術(shù)路徑需要的數(shù)據(jù)也非常龐大。2萬小時(shí)是做研究用的量級(jí)。而真正訓(xùn)練一個(gè)通用具身大模型，行業(yè)測(cè)算至少需要1000萬小時(shí)的真實(shí)場(chǎng)景數(shù)據(jù)。目前全球高質(zhì)量實(shí)操數(shù)據(jù)加起來不過幾十萬小時(shí)，缺口超過95%。

正因如此，目前全球科技巨頭都在瘋搶這種數(shù)據(jù)。Meta在發(fā)布了3670小時(shí)的Ego4D數(shù)據(jù)集，今年4月Build AI更是一口氣放出了100萬小時(shí)的Egocentric-1M，Georgia Tech、斯坦福、MIT和Meta聯(lián)合推出的EgoVerse，甚至已經(jīng)開始用iPhone做標(biāo)準(zhǔn)化采集。一場(chǎng)圍繞人類第一視角數(shù)據(jù)的軍備競(jìng)賽，已經(jīng)全面打響。

而在國(guó)內(nèi)，在Ego數(shù)據(jù)采集這條賽道上，跑得最快的是京東。

2026年4月16日，京東在具身智能生態(tài)發(fā)布會(huì)上宣布，全球首推覆蓋"采、存、標(biāo)、訓(xùn)、評(píng)、仿、測(cè)"全鏈路的具身智能數(shù)據(jù)基礎(chǔ)設(shè)施，并放出了一個(gè)驚人的目標(biāo)：不僅將建成全球最大的具身智能數(shù)據(jù)采集中心，然后兩年內(nèi)采集1000萬小時(shí)人類真實(shí)場(chǎng)景數(shù)據(jù)，外加100萬小時(shí)機(jī)器人本體數(shù)據(jù)。

Ego數(shù)據(jù)到底如何采集？

前兩天，我們?nèi)サ搅俗湓谒捱w的京東機(jī)器人數(shù)據(jù)采集中心，看看要完成1000萬小時(shí)的數(shù)據(jù)采集，京東到底在怎么干這件事。

走進(jìn)基地，第一個(gè)看到的就是京東自研的JoyEgoCam采集終端。

這是一個(gè)頭戴式設(shè)備，雙目4K/60fps，重投影誤差小于0.2個(gè)像素，整機(jī)只有220克，大概就是一部手機(jī)的重量。并且還內(nèi)置了IMU和推理單元，在各種環(huán)境下都能做到毫米級(jí)精準(zhǔn)采集。

我自己也上手戴了一下。說實(shí)話，比想象中要輕，戴上之后幾乎沒有什么負(fù)擔(dān)感，正常做動(dòng)作完全不受影響。

基地里面搭建了各種各樣的場(chǎng)景，走一圈下來像逛了一個(gè)微縮版的真實(shí)世界。商超的貨架區(qū)，采集員在反復(fù)碼放貨品；藥店區(qū)域還原了真實(shí)的藥房柜臺(tái)，采集員在做藥品分揀和上架的動(dòng)作。

家政區(qū)域更是細(xì)致，擦桌子、疊衣服、整理收納、地面清潔，每一個(gè)動(dòng)作都有人反復(fù)在做。到處都能看到戴著JoyEgoCam工作人員的忙碌身影。

不只是Ego數(shù)據(jù)。基地里也有專門的遙操作數(shù)據(jù)采集區(qū)域，工作人員通過遠(yuǎn)程操控機(jī)器人完成特定任務(wù)，兩種數(shù)據(jù)路線并行推進(jìn)。

正因?yàn)镴oyEgoCam夠輕、夠便攜，它可以基地搭建的場(chǎng)景，直接進(jìn)入到真實(shí)的生活的場(chǎng)景里。

比如京東和宿遷政府合作，把采集直接鋪進(jìn)了社區(qū)——全職媽媽、退休人員、大學(xué)生，戴上設(shè)備在自己家里就可以采集。

擦桌子、疊衣服、打掃衛(wèi)生，設(shè)備自動(dòng)記錄上肢軌跡、人與環(huán)境的交互關(guān)系。時(shí)間完全自由，一天2到6個(gè)小時(shí)，一周五天，多勞多得。說白了：你在家把家務(wù)干了，順便就把錢賺了。

相較于家政，進(jìn)入到的養(yǎng)老院的采集更值得關(guān)注。

以宿遷老年醫(yī)院為例，在職護(hù)工數(shù)量不夠，并且基本上都是50歲左右的中年人。對(duì)于年輕人來講，護(hù)工這份工作認(rèn)可度低，又苦又累，沒人愿意來。醫(yī)院曾經(jīng)向20多個(gè)持證年輕人發(fā)出實(shí)習(xí)邀請(qǐng)，最終只有1個(gè)人愿意來。

而現(xiàn)在，護(hù)工戴著JoyEgoCam工作，協(xié)助老人起身、喂藥、康復(fù)訓(xùn)練的動(dòng)作被完整記錄，這些數(shù)據(jù)將成為養(yǎng)老機(jī)器人的訓(xùn)練數(shù)據(jù)。

將來，機(jī)器人能在攙扶、搬運(yùn)這些場(chǎng)景上部分鋪開，把最辛苦的體力活分擔(dān)掉，對(duì)養(yǎng)老行業(yè)就是巨大的幫助。這對(duì)日益加速的老齡化社會(huì)是剛需。

從社區(qū)到養(yǎng)老院，看得出來，京東正逐漸把Ego數(shù)據(jù)采集擴(kuò)展到各行各業(yè)的實(shí)際場(chǎng)景中去，構(gòu)建起一套覆蓋全場(chǎng)景的數(shù)據(jù)集。

不只是采集

采集只是第一步，在基地，采集過后的數(shù)據(jù)依次經(jīng)歷存儲(chǔ)、標(biāo)注、訓(xùn)練、評(píng)測(cè)、仿真、測(cè)試等一系列處理，才能進(jìn)入到可訓(xùn)練的高質(zhì)量數(shù)據(jù)集。

京東云的AI數(shù)據(jù)湖和JoyBuilder平臺(tái)承擔(dān)了這部分工作——作為行業(yè)首家支持千卡級(jí)LeRobot開源訓(xùn)練框架的AI開發(fā)平臺(tái)，訓(xùn)練效率比開源社區(qū)版本提升3.5倍，千卡訓(xùn)練時(shí)間從15小時(shí)縮短到22分鐘，提速40倍。

京東還有自己的具身大模型JoyAI-RA，以自采數(shù)據(jù)為核心進(jìn)行訓(xùn)練，在真機(jī)實(shí)驗(yàn)中成功率達(dá)到了73.5%，超過了pi0.5等此前的SOTA模型。

模型反過來又指導(dǎo)數(shù)據(jù)采集策略的優(yōu)化，形成了"數(shù)據(jù)喂模型、模型優(yōu)化數(shù)據(jù)"的飛輪——采的數(shù)據(jù)越多，模型越強(qiáng)；模型越強(qiáng)，對(duì)數(shù)據(jù)質(zhì)量的把控越精準(zhǔn)，采集效率也跟著提高。

在全鏈路上，京東不僅打造數(shù)據(jù)采集全鏈路技術(shù)棧，還上線了數(shù)據(jù)交易平臺(tái)。

首批2000小時(shí)高精標(biāo)注數(shù)據(jù)集已定向開放，幾十家企業(yè)和高校在對(duì)接。數(shù)據(jù)流向三個(gè)方向：京東自用訓(xùn)練模型、通過交易平臺(tái)賦能產(chǎn)業(yè)界、定向開放給高校和科研機(jī)構(gòu)推動(dòng)前沿研究。合規(guī)方面，入家采集需簽授權(quán)協(xié)議，數(shù)據(jù)傳輸全程加密，權(quán)限管控在云平臺(tái)上執(zhí)行，交易環(huán)節(jié)與監(jiān)管機(jī)構(gòu)做了溝通和備案。

所以京東做的不是一個(gè)單點(diǎn)的采集項(xiàng)目，而是一整套從數(shù)據(jù)采集到模型訓(xùn)練再到數(shù)據(jù)交易的基礎(chǔ)設(shè)施。它給整個(gè)具身智能行業(yè)提供最底層的"燃料"。

具身智能的下半場(chǎng)，正在到來

回過頭來看整個(gè)具身智能行業(yè)，有一個(gè)很形象的說法：機(jī)器人的"小腦"已經(jīng)逐漸發(fā)育完全了——走、跑、跳、翻跟頭，但想進(jìn)入人類生活，靠的是"大腦"。

現(xiàn)在的機(jī)器人擅長(zhǎng)基礎(chǔ)運(yùn)動(dòng)，卻無法完成疊衣服、擦桌子、分揀藥品這些對(duì)人類來說再簡(jiǎn)單不過的日常操作，整個(gè)產(chǎn)業(yè)還停留在"炫技"階段。要讓機(jī)器人從"會(huì)動(dòng)"進(jìn)化到"會(huì)干活"，關(guān)鍵不在硬件，而在數(shù)據(jù)。

機(jī)器人"小腦發(fā)達(dá)、大腦不足"，擅長(zhǎng)跑跳等基礎(chǔ)動(dòng)作，卻無法完成家務(wù)、精細(xì)操作等實(shí)用任務(wù)。整個(gè)產(chǎn)業(yè)還停留在"炫技"階段。

大腦的發(fā)育靠什么？靠數(shù)據(jù)。這就是京東做這件事的底層邏輯。他們的目標(biāo)很明確：兩年內(nèi)積累1000萬小時(shí)人類真實(shí)場(chǎng)景視頻數(shù)據(jù)，外加100萬小時(shí)機(jī)器人本體數(shù)據(jù)。

為此，京東計(jì)劃發(fā)動(dòng)多達(dá)60萬人參與采集——內(nèi)部10萬員工，加上外部50萬各行業(yè)人員，僅在宿遷一地就要?jiǎng)訂T超過10萬市民。京東自身3600多個(gè)倉庫、20萬家合作藥房、1萬多家線下門店、5萬多名保潔師，每年服務(wù)近千萬個(gè)家庭，覆蓋3000多個(gè)業(yè)務(wù)場(chǎng)景——這些真實(shí)場(chǎng)景本身就是天然的數(shù)據(jù)富礦。

過去幾年，AI的主戰(zhàn)場(chǎng)在數(shù)字世界——寫文章、畫圖、寫代碼，一切都發(fā)生在屏幕里。而未來，AI的主戰(zhàn)場(chǎng)將轉(zhuǎn)移到物理世界。或許正是基于這樣的判斷，5月18日的京東618啟動(dòng)會(huì)上，京東集團(tuán)技術(shù)委員會(huì)主席曹鵬明確提出，京東將打造全球最大物理世界運(yùn)營(yíng)中心，推動(dòng)AI從千行百業(yè)走進(jìn)千家萬戶。

說白了，AI要從屏幕里走出來，光會(huì)寫文章畫圖不夠，它得學(xué)會(huì)在真實(shí)世界里干活。而干活這件事，沒有捷徑，就是得看夠足夠多的人類操作——怎么擦桌子，怎么扶老人，怎么摘果子。這些數(shù)據(jù)不可能在實(shí)驗(yàn)室里編出來，只能從真實(shí)的生活里一幀一幀地采。

機(jī)器人的Scaling Law找到了，方向明確了，剩下就是一個(gè)字：喂。誰能最快喂夠數(shù)據(jù)，誰的機(jī)器人就先聰明起來。京東的做法簡(jiǎn)單直接——發(fā)動(dòng)60萬人，在真實(shí)生活里給機(jī)器人當(dāng)老師。

當(dāng)60萬人的生活經(jīng)驗(yàn)都變成了數(shù)據(jù)，Jim Fan說的那場(chǎng)終局之戰(zhàn)，才算真正開始。