人手数据重塑具身智能：LaST-HD背后的物理对齐与长尾突破
数据瓶颈与路线重构：从遥操作到人手的范式转移
具身智能的发展长期受制于数据获取的高昂成本与低效率。传统的主流数据获取路线主要依赖两条路径：一是基于仿真的数据采集，其优势在于高效率与低成本，但始终难以逾越“虚实鸿沟”，导致模型在真实物理世界中的泛化能力受限；二是基于真机遥操作的数据采集，虽然能获得高质量的真实交互数据，但采集过程高度依赖昂贵的硬件设备、专业操作员以及特定的实验室环境，数据复用性极低，且难以规模化扩展。
至简动力近期交付的首批100台i7 Pro机器人，在苏州CNC上下料等工业场景中展示了不同的数据路线——以人手数据为核心。这一路线并非简单地将人类动作映射到机器人，而是旨在通过人类操作行为，提取背后普适的物理规律。北京大学博士生、至简动力北大联合实验室RD负责人刘家铭指出，随着大语言模型和多模态大模型的出现，人手数据首次具备了成为机器人基础模型重要组成部分的潜力。这不仅仅是成本降低的问题，更是让机器人接触真实世界中丰富、自然人类行为的关键契机。
物理对齐而非动作拟合：LaST-HD的核心逻辑
行业早期对于人手机器的研究多集中于动作层面的映射，例如视觉对齐、动作重定向等。然而，这些方法往往忽视了人与机器人在硬件结构上的本质差异。刘家铭团队提出的LaST-HD框架，核心创新在于“物理对齐”而非“动作对齐”。
推一个杯子，人的手与机器人的机械臂运动轨迹截然不同，但最终引发的物理结果是一致的：杯子的位移、与桌面的接触关系变化、内部液体的晃动。LaST-HD认为，真正需要学习的不是表面的关节角度变化，而是这种对物理世界改变的共性规律。通过隐空间对齐技术，模型能够忽略表象差异，专注于捕捉共享的物理动力学特征。这种思路解决了因本体差异导致的数据复用难题，使得大量低成本的人手数据能够有效转化为机器人的操控技能。
目前，至简动力自研的OOL手套已采集了2000小时预训练人手数据，并计划在年底扩展至一两万小时。数据质量、多样性与数量的平衡是模型泛化的关键。研究发现，单纯增加同一场景下的重复数据会导致过拟合，而引入多样化的操作样本则能显著提升模型在下游任务中的适应能力。当前2万多小时的训练量已初步验证了该路线的有效性，大幅降低了微调所需的数据门槛。
VLA与世界模型的协同：隐空间推理的效率优势
关于视觉语言动作模型（VLA）与世界模型（World Model）的争论，行业内常将其视为对立路线。刘家铭认为，这两者解决的是同一问题的不同侧面。VLA侧重于指令遵循与动作预测，而世界模型擅长建模物理动态与时序依赖。两者的结合并非零和博弈，而是互补共生。
LaST-HD中提到的隐空间推理（Latent Reasoning）是这一协同思路的具体体现。传统的视频生成世界模型虽然能提供物理先验，但推理速度慢、计算成本高。通过将其压缩至隐空间，不仅大幅提升了推理效率，还增加了自由度的维度，能够融合3D结构、本体状态及触觉信息。这种隐空间的学习方式更接近人类直觉：人们在执行任务时，往往不需要在脑海中精确渲染每一帧未来画面，而是基于对物理规律的隐性理解进行预判。这种机制为机器人基础模型提供了更强的高效推理能力，降低了从感知到决策的复杂度。
系统化工程思维：从学术验证到量产落地
与许多追逐单一热点的学术研究不同，LaST系列工作体现了强烈的系统工程思维。刘家铭强调，机器人智能的提升不能仅靠优化某个孤立算法，而需构建数据、模型、训练策略与硬件本体耦合的一体化系统。LaST-HD仅是该系列的一环，此前LaST₀聚焦基础模型架构，LaST-R1探索后训练增强，TwinRL结合数字孪生优化强化学习，共同构成了完整的机器人学习闭环。
至简动力百台机器人的交付，标志着这套一体化管线通过了从实验室到真实工业场景的严格验证。这种以应用为导向的学术理念，要求研究成果必须解决真实痛点。例如，OOL手套的设计初衷并非为了发表高分论文，而是为了解决高质量原生人类数据匮乏的问题；Mixture-to-Human训练策略也不是为了刷榜，而是为了让机器人在部署后能通过少量人手数据快速适应新场景。这种从工业界反推科研需求的模式，确保了技术演进始终服务于落地价值。
个性化未来：千人千面的长尾竞争
具身智能的终局竞争，不在于预训练阶段那80分的基础能力比拼，而在于最后20%的长尾场景与个性化适应能力。目前的落地场景主要集中在半开放的工业环境，如柔性制造与自动化实验室，这些场景任务相对固定，环境可控，适合高自由度机器人的初步部署。
真正的挑战在于家庭场景。面对完全开放的环境、截然不同的用户习惯以及隐私安全要求，传统的遥操作或全场景重建方案均存在局限。至简动力提出的“ToC范式”愿景是：用户佩戴轻量级手套，在家中按自己的习惯进行简短试教，机器人即可在几十分钟内完成微调，不仅提升操作精度，更学会用户的独特逻辑与偏好。这种“千人千面”的定制化能力，通过数据飞轮的持续回流与在线优化，将成为拉开机器人企业差距的关键护城河。
虽然家庭场景面临高自由度与高泛化难度的双重挑战，且灵巧手的售后维护成本高昂，但通过人手数据与模型的深度融合，实现稳定、安全且个性化的操作已具可行性。随着数据规模的扩大与隐空间推理技术的成熟，机器人将从通用的执行工具，进化为真正理解物理规律、适应人类习惯的智能伙伴。