一副手套，干翻硅谷炫技派！中国队杀入战场，狂卷100万小时数据

当Figure AI用390亿美金估值描绘端到端模型的未来，当波士顿动力展示头能360度旋转的Atlas，几乎所有目光都聚焦在「大脑」与「身体」的进化上。

但有一家中国公司，却选择另辟蹊径：他们把宝押在了一副数据手套上，潜入物流仓库和工厂车间，去采集工人最真实、一手的操作数据。

2026年2月初，灵初智能创始人、CEO王启斌向我们表示，「数据量不够，模型层面的任何精巧架构调整都毫无意义」。

他们正尝试用「人类原生数据」的采集与训练体系，直击具身智能最根本的生存难题——数据荒，并在最朴素的物流仓库里，验证其商业与技术闭环的可行性。

数据荒原上的抉择：

放弃「夹爪」，All in「人类原生数据」

整个具身智能圈，弥漫着一股相似的焦虑。

隔夜的新消息总在加剧这种焦虑：Gen-0宣布手握27万小时真实交互数据，Sunday的UMI工具在社区病毒式传播，Physical Intelligence的π0.6展示了惊人的策略泛化能力。大洋彼岸的每一个新Demo，都像在反复追问：我们的数据在哪里？

焦虑的源头非常具体——机器人学习的命门，卡在了「数据」上。

这与大语言模型的境遇截然不同。GPT们可以畅饮互联网上近乎无限的文本与图像，数据获取成本极低。但机器人不同，它的每一次交互、每一个动作，都必须在物理世界中「一拳一脚」地打出来。这背后是硬件的磨损、时间的消耗和难以避免的试错成本。

获取高质量机器人数据的难度和代价，与爬取网络文本完全不在一个量级。这才是所有具身智能玩家必须共同面对的、最坚硬的现实。

「所有人都在谈论数据飞轮，但最难的恰恰是冷启动」，王启斌直言。这位在云迹科技、京东历经机器人产业化多年的老兵，深知传统项目制机器人方案的问题。每一个新场景都意味着硬件定制、算法重写，无法形成规模效应与通用能力。

2024年9月灵初智能成立时，团队做出了两个看似违背当时潮流的决策：不优先解决问题，而是专注「操作」这一更核心的难点；不做简单易行的夹爪，而是坚定地选择五指灵巧手。

「我们瞄准的是一个价值十亿美元级别的问题」，王启斌判断，具身智能将是一个以十年为单位的漫长赛道，而当下整个产业仍处于「硬件初步可用、数据刚刚起步、模型远未成熟」的极早期阶段。

行业主流的数据采集方案是「机器人中心（Robot-Centric）」，典型代表是UMI模式：让人手持一个与目标机器人完全相同的夹爪进行操作。这套方案的优点是成本相对较低，但存在一个根本性缺陷——它采集的是「机器数据」，而非「人类数据」。

联合创始人陈源培一针见血地指出：「UMI的本质是人带了一个工具，采集的是机器人夹爪的数据。它无法泛化，你今天用UMI采的数据，根本无法直接用到五指灵巧手上」。

这位拥有跨界背景的00后，从土木工程转向AI，师从北京大学杨耀东教授，并在斯坦福大学李飞飞实验室访学，深度参与了早期触觉数据手套的研究。

因此，灵初智能选择了一条更为激进的技术路线：「人类中心（Human-Centric）」。

他们自主研发了全球首个灵巧手真实世界数采引擎Psi-SynEngine。

其中的真人数据采集手套能够精确捕捉人手的21个关节自由度、高精度触觉信息，并同步记录头戴与手部视角的视觉数据。

其革命性不在于硬件本身，而在于部署模式：让物流分拣员、商超收银员、家政服务人员在日常工作中无感佩戴，在不改变任何既有作业流程（SOP）的前提下，自然采集人类最本真的操作数据。

成本是这套方案的杀手级优势。王启斌透露，通过手套采集数据的综合成本，可以降至真机遥操作方案的十分之一左右。

未来，通过可携带的便携式众包版本，这一成本还有进一步下探的空间，为百万小时级数据采集扫清经济障碍。

更关键的是数据的「泛化性」价值。人手数据通过算法迁移（Retargeting），可以适配到不同构型、不同尺寸的机器人末端执行器上。

而UMI采集的夹爪数据，则与特定硬件深度绑定，「今天用这个夹爪采的数据，明天换一个夹爪可能就完全作废了」。在追求通用能力的长期战中，人类数据的潜在价值呈指数级放大。

从技术构想到商业落地：

将现有三个场景做深、做透

再理想的技术路径，也必须在最苛刻的商业场景中接受考验。

灵初智能将落地切口精准地锁定在物流行业的细分场景，例如配货打包、装箱检查、按订单分拣。

「外界大大低估了物流场景的复杂性，这绝不仅仅是简单的『抓取-放置』（Pick and Place）」，王启斌解释，以不少公司都宣称要做商超场景为例，看似只是补个货，真实作业却是一长串的复杂操作链：整箱补货、商品上架、挂钩悬挂、冰箱内饮品整理乃至过期商品下架，每一步动作都不同、都在变化。对机器人而言，真正的挑战是要持续稳定地完成整套流程。

进展比预期更为迅速。在服装供包这一场景中，灵初智能的系统已经实现了对上千种不同尺码、材质、形状服装的稳定抓取与供包，每小时可以处理800件衣服，据称这是目前国内该场景已知的最高效率水平。该系统已进入客户现场「实战跟跑」，进行最后的稳定性打磨，而装箱检查场景也已完成首阶段验证。

「我们展示的不是实验室Demo，而是已经产生初步商业收入的解决方案」，王启斌在肯定进展的同时保持了高度克制。

他明确表示，2026年公司的策略是「收敛而非扩张」：不会盲目追求覆盖场景数量的增长，而是集中所有资源，将现有的三个场景做深、做透，实现从POC到规模化发货的完整闭环。

在技术架构的深层，灵初智能展现出与其团队年龄不相符的成熟与系统化思考。

• 训练管线已全面转向以强化学习（RL）为主导。「模仿学习做出的动作往往迟缓、卡顿，」陈源培解释，「而强化学习能让机器人通过自我探索，突破人类遥操作的速度上限，并通过持续优化奖励函数（Reward），使任务成功率不断爬坡」。公司目前采用「Offline to Online RL」的完整管线，从一开始就建立在海量数据集驱动的强化学习框架上。
  

• 仿真数据正在从训练主力转变为辅助角色。团队早期曾利用仿真的高并行性快速验证想法，例如「打麻将机器人」的Demo。然而，随着对真实场景复杂度认知的加深，仿真与现实之间的鸿沟（Sim-to-Real Gap），尤其是在涉及软体、柔性物体交互时，变得难以跨越。「未来真正有用的‘仿真’，可能是基于世界模型的想象推演，而非传统的物理引擎。」陈源培表示。
  

• 对于「世界模型」，陈源培说，团队关注所有进展，但人力重点投入在「跨本体上」，即如何将人类手套采集的多模态数据，高质量地迁移到形态各异的机器人灵巧手上。「这本质上是一个风格迁移问题，输入是人手的操作视频，输出是目标机器人的动作序列。这是我们技术栈的护城河之一」，陈源培解释。
  

• 触觉数据的应用体现了其实用主义哲学。手套集成了触觉传感器，触觉的核心价值在数据迁移的闭环纠偏中凸显：当算法将人手轨迹映射到机械手时，若产生毫米级的位姿偏差，触觉信号能够提供「已接触物体」的关键反馈，从而实时补偿误差，这是纯视觉系统难以做到的。但团队清醒地认识到，并非所有任务都需要高精度触觉反馈。「有，肯定是最好的；但没有，也并非不能工作』。
  

在商业模式上，灵初智能旗帜鲜明地拒绝成为「数据批发商」。「纯粹出售原始数据没有长期价值」，陈源培判断，「最终要么进化成能定义数据标准和格式的模型公司，要么退化为人力外包公司」。

灵初规划的闭环是：通过自研设备采集人类数据 → 训练出具有强泛化能力的预训练模型（大脑）→ 在垂直场景中通过「预训练+少量场景数据微调」实现快速部署与商业化 → 商业落地产生的数据及收益反哺更大规模的数据采集与模型训练。

具身的智能涌现

百万小时只是门槛

站在2026年初的时间点，灵初智能为自身与行业划下了一道清晰且雄心勃勃的基线。

数据规模被确立为不可妥协的硬性门槛。「我敢肯定，通用操作能力的涌现一定是百万小时量级以上的事情」，陈源培援引了自动驾驶领域的先例——特斯拉FSD V12验证了端到端智能驾驶模型需要百万小时级数据的喂养。

而具身智能面临的环境复杂度和动作维度远高于驾驶，「这个数据量级只会更多，不会更少」。

因此，公司2026年的首要战略目标，就是将其人类原生数据的规模推至100万小时，并基于此训练出新一代的通用操作预训练模型。

产品路线图已然清晰：2026年，发布一版能够完成长周期复杂任务、展现强泛化能力的模型；同时，未来计划推出具备类人交互流畅度、堪比当年ChatGPT震撼效果的里程碑式模型。

谈到可能来自互联网大厂或跨界巨头的竞争，灵初智能显得很淡定。

「具身智能领域存在着严重的『数据孤岛』效应」，陈源培分析道，「物流场景的数据与工业装配场景的数据分布差异极大。

大厂或许能在内部搭建仿真环境或小型试验场收集数据，但他们难以获取真实业务场景中‘野生的’、高价值的数据流。」

「如果我们能先一步把机器人铺进真实的物流仓库、工厂车间，把住数据的源头，这个雪球滚起来」，陈源培认为，「后来者哪怕资金再雄厚，他们获取数据的成本、速度和质量，都会跟我们拉开差距。

在具身智能这个领域，真实数据反馈垒起来的护城河，可能比算法论文的护城河还要深、还要宽」。

灵初智能的路径很「中国」：不玩炫技Demo，看商业订单；不空谈AGI，扎进物流、车间；不信算法神话，死磕数据基建。

他们认准了，决定机器人未来的「原始矿藏」，就在这最苦最累的数据土壤里。

文章来自于微信公众号 "新智元"，作者 "新智元"