人手机械臂数据共生：如何打破具身智能量产的虚实鸿沟

在具身智能的发展版图中，数据被誉为最难啃的“硬骨头”。长期以来，行业在数据采集路径上陷入了两难境地：一方面，仿真数据采集效率极高，但始终无法跨越“Sim-to-Real”的虚实鸿沟，导致模型在真实物理环境中表现大打折扣；另一方面，真机遥操作虽然能获取高质量的交互数据，但其采集成本高昂、效率低下，且数据往往与特定的机器人本体深度绑定，缺乏复用性。这种数据瓶颈严重制约了具身智能从实验室走向大规模量产的步伐。在此背景下，一种新的数据路线——“人手数据”正在引发行业关注。至简动力联合北京大学、香港中文大学及乙太科技推出的LaST-HD技术，提出了一种独特的解题思路：不让人手数据完全替代真机数据，而是让人手数据与真机数据共生，通过挖掘人类操作背后的物理规律，重塑机器人基础模型。

物理规律对齐：从动作映射到世界理解

人手数据并非新概念，早在视觉语言动作（VLA）模型成为主流之前，就有研究者尝试利用人手数据进行模仿学习。然而，大模型时代的到来赋予了人手数据全新的意义，使其首次有机会成为机器人基础模型的核心组成部分。过去，行业倾向于依赖真机数据，认为其与真实物理世界的交互更为原生。但刘家铭指出，真机数据在实际应用中面临着采集效率低、难以规模化以及真实世界多样性不足等严峻挑战。相比之下，人手数据不仅成本大幅降低，更让机器人得以接触真实世界中丰富、自然的人类行为样本。

关键在于，如何利用这些数据？早期的研究多聚焦于视觉对齐或动作重定向，试图将人的动作直接映射到机器人关节。然而，人与机器人在硬件结构、感知能力及运动轨迹上存在显著差异，强行拟合动作往往效果有限。LaST-HD的核心创新在于转换视角：人与机器人虽然动作不同，但它们改变物理世界的方式是相似的。例如，推动杯子的动作，无论人手还是机械臂，最终导致的结果都是杯子位移、接触关系变化以及内部液体的晃动。因此，LaST-HD不再关注动作本身的对齐，而是致力于让机器人学习人手动作背后共享的物理规律。这种从“动作对齐”到“物理规律对齐”的转变，使得机器人能够更好地理解物理世界的本质，而非简单地模仿表象。

数据规模与质量：隐空间推理的效能提升

在数据工程层面，高质量的预训练数据是模型泛化能力的基石。至简动力自研的OOL手套已用于采集大量人手数据。截至LaST-HD论文发布，公司预训练中可用的人手数据已达2000小时，预计年底将增长至一两万小时。刘家铭强调，数据的有效性取决于三个维度：质量、多样性与数量。同构数据的堆砌会导致模型过拟合，而高质量的多样化数据则能显著提升模型的泛化性能。目前，基于两万多小时训练量的模型在下游微调任务中展现了良好的适应性，大幅降低了微调所需的数据量和探索空间。

为了提升推理效率与融合多模态信息，LaST-HD引入了隐空间推理机制。传统的视频生成或世界模型虽然能预测未来状态，但计算成本高、速度较慢。通过将世界模型压缩至隐空间，不仅推理效率大幅提升，还能融合3D空间、本体状态及触觉等多维度信息。这种隐空间推理更符合人类认知习惯——人在执行大多数任务时，并非在大脑中生成具体的未来画面，而是基于隐式的物理直觉进行决策。隐空间推理为视觉语言模型和机器人基础模型提供了一种高效且强大的中间表示形式，有效解决了长序列依赖与实时决策之间的矛盾。

系统级工程思维：VLA与世界模型的协同

在具身智能的技术路线争论中，VLA（视觉语言动作）与世界模型常被置于对立位置。刘家铭认为，这种二元对立的视角并不准确。VLA和世界模型本质上解决的是同一类问题，只是切入点不同。传统的行为策略网络需要从0到100进行完整预测，而VLA和世界模型则通过提供物理先验，将预测难度降至50-60分，后续的动作策略只需完成剩余部分。这种协同机制降低了机器人学习的复杂度，提升了系统的鲁棒性。

当前VLA表现受限，更多反映的是模型训练数据标注质量及训练策略的不足，而非范式本身的上限。只要指令遵循和物理推理得到充分优化，VLA依然具备强大的潜力。因此，LaST-HD并不排斥世界模型，而是将其作为提供物理先验的重要组件，与VLA在系统中共存互补。这种系统级工程思维体现在LaST系列的持续演进中：LaST0聚焦基础模型构建，LaST-R1探索后训练能力提升，TwinRL结合数字孪生优化强化学习，而LaST-HD则专门解决人手数据的高效利用问题。这一系列工作并非孤立的研究成果，而是针对机器人学习过程中不同短板进行的系统性补强。

量产验证与个性化未来：从工业落地到家庭服务

学术研究的价值不仅在于理论突破，更在于能否指导工程落地。至简动力在苏州交付的首批100台i7 Pro机器人，已进入CNC上下料等工业场景。这一里程碑式的交付，验证了从数据采集、模型训练到本体执行的完整管线可行性。刘家铭强调，其博士研究的主线始终围绕“如何让机器人真正理解物理世界并持续泛化”展开。这种以应用为导向的研究风格，使得实验室的前沿技术能够顺利转化为量产能力。

展望未来，机器人的终极应用场景将是家庭环境，而家庭场景的核心需求是个性化。现有的遥操作数据往往反映的是操作员的习惯，而非用户本人的习惯；全场景重建则涉及隐私问题且存在仿真偏差。LaST-HD提出了一种新的ToC范式：用户佩戴轻量级手套，在家中按自己的习惯进行短时试教，机器人通过少量高质量的人手纠错数据进行快速微调。这种后训练策略不仅能在短时间内将任务成功率从60分提升至90分以上，更重要的是，机器人能够习得用户独特的操作习惯与逻辑，实现“千人千面”的定制化服务。

在落地路径上，刘家铭认为，未来几年灵巧手将优先在半开放环境中落地，如工业柔性制造、自动化实验室及商业服务。这些场景任务复杂但环境相对可控，适合高自由度机器人的部署。家庭场景作为最终目标，面对的是完全开放的环境，高自由度与高泛化难度使其挑战巨大。因此，通过规模化的人手数据与模型的深度融合，实现稳定、安全的个性化操作，是当前技术攻关的关键方向。

结语：长尾效应与数据飞轮的闭环

具身智能的竞争终局并非在于基准测试分数的微小差异，而在于对长尾场景的覆盖能力与个性化服务的深度。预训练可以将模型的基础能力拉升至80分，但真正的差距在于最后20%的长尾优化与个性化适配。谁能构建起“真实场景采集、持续回流优化、在线迭代更新”的数据飞轮闭环，谁就能在激烈的竞争中占据主导地位。数据飞轮的核心不在于采集量的绝对规模，而在于数据的真实性和反馈机制的有效性。通过人手数据与真机数据的共生，结合隐空间推理与系统级工程思维，具身智能有望突破当前的数据瓶颈，走向真正可落地、可持续进化的智能体时代。