对话简智朱雁鸣：不卷模型卷基建，具身智能核心是读懂人的数据

「自动化」是具身数据行业的第一竞争力。 作者丨高景辉 编辑丨马晓宁 2026年的具身智能赛道，热闹非凡。 各家机器人厂商都在秀Demo、拼算力，试图用海量数据教会机器人叠衣服、冲咖啡。 但一个尴尬的现实是：我们似乎从未真正教会机器人“看懂”这个世界。 绝大多数机器人仍在模仿人类动作的表层轨迹，却不理解为什么拧不开瓶盖时要先擦擦手。 这种认知缺失，像极了自动驾驶早期依赖高精地图的窘境——能应付固定场景，却处理不了充满不确定性的真实生活。 而阻碍具身智能真正进入生活的瓶颈，是数据。 没有足够好用的数据，机器人就无法学习和训练，从而无法理解真实的世界。 于是，在行业集体陷入“做模型”的宏大叙事时，简智机器人选择去啃一根更小众、也更苦的骨头：具身数据基建。 “行业里不缺做模型的公司，缺的是数据，特别是从人类第一视角出发、包含思考与触觉反馈的闭环数据。 ”在简智机器人联创朱雁鸣看来，单纯靠模仿学习在物理AI里跑不通。 如果给机器人喂的是缺乏因果链的“表演数据”，训练出的模型往往只是机械的复读机，一旦遭遇长程任务或意外干扰，就会瞬间崩溃。 简智所做的，是一套关于“人”的全维度数据产品。

他们自研从头、到手、到全身的高精度数据获取产品，深入家庭和商超做众包，去捕捉人类不经意的力反馈、多模态感知，甚至并反向分析出其行为背后的思维链。 在具身智能的底层逻辑里，数据不仅是燃料，更是构建认知的“第一性原理”。 当大多数玩家热衷于“造车”时，简智为什么笃定要去建“电池厂”？ 未来具身智能的核心壁垒，究竟在算法还是在于那套关乎人类行为的“说明书”？ 答案，远比我们想象的更硬核。 01每一条技术路线，都有一个“CTO”雷峰网：先从简智的创立开始吧，当时创立公司的初心是什么？ 朱雁鸣：我们最初对具身智能行业有一种朦胧的热情。 智驾本身也是一种具身智能，但更广义的具身智能可以做人类能做的所有事情，是对生产力的底层变革。 所以我们在具身赛道中深入研究的时候，比较想去创造一些差异化的价值，这也是我们选择细分方向时候的一条准则。 我们在2025年7月成立时，更多在复盘整个具身智能产业中有哪些空白、不足，所以不想盲目追热点。 我们细想下来行业里不缺做模型的公司，缺的是数据基建，特别是无本体或其他范式下的数据。 当时行业还没有大规模崇尚 UMI 或 EGO 概念，更多在通过运动控制快速出demo，或是用 VLA 的方式训练模型。

但我们相信，scale up和数据驱动是智能通往终局的关键路径。 而对于物理AI他所需要的数据也与之前不同，文本的世界是结构化的，但我们的生活场景每时每刻都在变化，是非结构化的世界，在此之上具身需要的是逐步替代人的能力。 我们需要的是从 Human Data（人类行为数据）入手，构建一套从行动到思考再到反馈的闭环数据产品和平台。 雷峰网：简智核心团队来自智驾领域，这一背景带来了什么优势？ 朱雁鸣：主要是认知层面的优势。 泛 AI 领域里，真正实现落地的物理 AI 产品就是自动驾驶，其他 AI 落地大多停留在对话、图像生成层面。 自动驾驶是真实在路上跑、服务于人，且在技术上实现了端到端、数据飞轮架构落地，这让我们对数据的 infra 有了深刻认知。 第一，模型算法迭代所需的数据，一定是伴随迭代的人类真实数据。 今天具身领域，最需要被突破的方向是的预训练，让模型具备通识、泛化且跨本体的长任务执行能力，并低成本做广泛的落地。 在这个过程中，除了量大之外，更多是让数据“坐标系”与“人理解世界”对齐，这样才能更好的从行为到认知形成闭环。

而且在这个过程中，很多corner case非常有价值，比如人在操作时候收到干扰失败，又怎么去弥补的过程，这些是商业化的必备能力，而这些数据必须通过长时间的真实世界积累，而非人为枚举。 第二，是对数据闭环链路与商业闭环链路结合的思考。 做自动驾驶时，数据成本非常低，因为每一台上路行驶的量产车，都在持续生产数据。 但具身智能完全不同，它的数据无法天然获取，视频只是最简单的形式，要给模型做长期学习训练，触觉模态、人类思考链路等信息，无法单纯通过安装摄像头获取。 这给了我们底层思考：要构建可行的数据链路，必须往更深处发力。 智驾的数据生产基于已有的车辆，而具身数据的核心基础，是如何拥有能让人类在自然生活中生产全维度数据的设备。 第三，是长链路、高并发数据处理的经验。 做自动驾驶时，每天回流的数据级别接近几百 T，大规模数据和行为需要长链路的清洗流程。 这给我们的核心经验是，数据交付除了做好硬件，更重要的是应对长链条、大规模交付的能力，这需要在最开始就对硬件、数据链条、数据加工处理方式做完整的结构化设计。 雷峰网：简智现在团队大概有多少人？ 研发占比多少？ 朱雁鸣：规模在140人左右，研发人员占比超过85%。

雷峰网：具身数据是一个交叉领域，对此简智在组织上有什么调整？ 朱雁鸣：具身智能需要专业领域人才，更需要领域融合后的综合性创新，数据业务也是如此。 所以我们结合各技术领域优势，每个领域预研出一条主线，这条线下的每个人都是CTO。 例如在数采设备上，涉及摄像头、触觉、IMU、磁编码器等，我们有类似CTO的角色做垂线预研，横向则由技术委员会组成，从生产加工到模态再到自动化链条，通过模型驱动拼出完整方案。 成熟行业里，一个人很难全栈把所有事情规划清楚，当下的具身数据领域，更需要每个领域都有创新，实现 1+1＞2 的效果。 雷峰网：简智现在招人一般会招哪些人？ 朱雁鸣：我们第一优先级是模型方向的人才，但我们要的模型人才，不是做具身动作输出模型的人才，而是做 data 仿真模型的人才。 核心工作是将采集到的人类行为数据，通过模型加工还原成接近人类整体感受的数据格式，这件事难度很高。 我们定义的 human data，核心要素包括人的第一视角图像、全身关节运动、手上的触觉，以及每个动作中的力反馈，这些维度可以完整描述人类绝大多数行为。 比如拿起一杯水，包含看到水、接触水、拿起时胳膊感受到的力反馈、拧开瓶盖的全流程。

这里的核心难点是，每个模态由不同硬件收集，各硬件有不同的特征、频率，以及硬件本身特性导致的信息残缺，如何把它们还原成同一时间轴、同一时空坐标系下的完整数据。 单纯靠人工、粗糙的时间对齐，都会影响数据质量和精度。 因此我们尝试用数据基础大模型（data foundation model）解决这个问题：把多模态输入注入模型，像训练自动驾驶端到端模型一样，通过真值系统评测输出与真实世界的匹配度，再根据 gap 反向优化模型能力。 我们是行业内第一家不用大模型做具身动作模型，而是用模型解决数据问题的企业。 第二类核心人才，是底层硬件能力相关的人才，包括光学、嵌入式软件、PCB 板设计，以及自研触觉方案相关的底层研发人才。 我们希望通过底层原理性创新，提升采集过程中的模态精度。 上层数据和模型只能做交叉验证、基于已采集信息提升精度，而数据的底层对错，需要硬件质量来保证，这其中有很多围绕人类感受的底层原理创新需要做。 雷峰网：你们有数采工厂吗？ 需要专人管理吗？ 朱雁鸣：我们采用众包模式，数据来自真实家庭和真实场景，没有用数采工厂方式，这是我们和其他企业不一样的地方，也是我们认为面向终局，大规模、高效采集真实数据的最终路径。

02人的行为就是真值，人能做出来的动作，机器人就应该能实现雷峰网：具身数据赛道有细分方向，有的只卖数据，有的也卖设备，简智属于哪种？ 朱雁鸣：我们本质上是一家数据解决方案公司，但会根据不同场景提供不同方案。 很多面向 C 端的模型公司，落地场景偏生活化，这类数据可以公开获取，比如家庭机器人需要的各类家庭场景数据，我们可以通过众包实现，直接给这类客户提供数据方案。 另一类客户的场景是封闭、自有场景，比如工厂产线、封闭实验室，这类数据无法公开获取，数据所有权本质上在场景应用方手里。 针对这类客户，我们会提供硬件设备方案和最高效的本地化部署闭环，让他们在自有场景中完成数据采集和生产。 雷峰网：有人认为设备是具身数据公司的核心壁垒，卖了设备别人就不买数据了，你们怎么看？ 朱雁鸣：首先，数据和设备都很重要。 设备是基建中的最底层，它决定了数据的模态数量、底层模态质量，设备的便捷性、成本，也决定了数据采集的规模化能力，但我不认为设备就是全部。 数据最终是服务于模型的，模型需要的不是单纯的视频，也不是多模态数据的简单打包，绝大多数核心工作，都发生在采集后的数据加工处理环节。

现在绝大多数模型公司，哪怕是做预训练，都极度追求数据质量，数据质量会从底层影响模型的效果、精度、以及对因果关系的认知。 比如如果发生在餐馆，人会考虑是不是避让其他人的移动、绕开一些饭菜，如果只有动作表层的标注也是不够的，背后都有完整的因果驱动，我们需要给模型提供串联好全模态、稠密的COT过程，才能给模型提供有效的参考，让它更容易学习。 另一个核心原因是规模化。 大批量设备采集的大批量数据，如何快速、高效、低成本地转化成可训练的 Token，才是核心难题，生产 100 台设备和 100 万台设备，是完全不同的难度。 雷峰网：刚刚提到家庭众包，具体是一种怎样的合作方式？ 朱雁鸣：我们在众包模式上的运作很像 C 端公司。 我们自己做了一款 APP，把设备给到每个家庭，用户通过 APP 了解采集任务，用我们的设备完成正常的家务动作即可，不需要对用户的操作做额外的教育和约束，用户的自然操作对模型来说反而更有价值，模型需要学习多样化的人类行为，才能补充场景盲点，因此行为上传后我们通过云端来识别、标注。 另外我们的设备在人机工程上也有明显优势，非常轻便，使用效率和人类正常干活的效率基本一致。

用户完成操作后，通过 APP 上传采集的数据，我们基于数据回收情况给用户结算，整个流程自然且高效。 雷峰网：有没有工业或商业场景的众包？ 朱雁鸣：有的。 目前50%是家庭，30%是商超和工厂，10%是物流，剩下的10%是医疗、实验室等分散场景。 雷峰网：场景方会有隐私顾虑吗？ 朱雁鸣：这个问题我们有完善的解决方案。 首先，所有数据的隐私处理，都有一套标准化流程，包括地点、人脸、对方知识产权相关的信息，都会在数据售卖前完成脱敏处理，这是数据公司的基础义务。 第二，我们和每一个场景方、采集方合作时，都会在合作协议和费用说明里，明确标注双方的权利归属，我们获取的不是用户的个人信息，而是其在场景下的行为和操作数据，本身不会涉及过多个人隐私数据。 雷峰网：众包没有标准化流程，数据质量会不会参差不齐，给后期处理带来压力？ 朱雁鸣：因为我们崇尚人的行为其实都是“真值”，毕竟无论什么情况，人都是可以克服困难完成任务。 因此关键在于真值上传后，是否有一套自动化的方式完成数据识别与处理。 我们的自动化识别，核心是把人的行为和动作做对齐，进行细致化的标注、分类，而非判定人的行为对错。 还有质检环节，核心是对人的操作行为做分类，而非丢弃数据。

我们会区分高速高效完成的动作、有干扰场景下完成的动作、失败后完成纠错的动作，同时对数据做颗粒度极细的原子化处理，以适配模型不同训练阶段的需求。 雷峰网：你们的海外收入占比挺高的，你们在出海过程中有遇到哪些阻碍？ 朱雁鸣：海外模型公司对数据的要求非常高，目前海外模型公司在模型训练上的进展整体快于国内，他们对触觉模态、训练数据的体量规模、多样性的要求非常严格，同时要求我们的迭代速度能匹配他们模型的进展。 雷峰网：随着数据量增加，存储和算力会有压力吗？ 朱雁鸣：肯定会有，但这件事我们很早就有预判，因为数据飞轮的重要因素就是“数据流转效率”，对此我们从源头做了三层解决方案：第一，端侧的数据压缩与质检。 我们的每一台设备，在采集端就具备数据质检能力，能根据人的行为、场景的特殊情况，自动丢弃无效数据，避免无效数据占用传输链路和存储空间。 第二，行业领先的无损压缩能力。 我们在压缩比例和对训练效果的影响上，做到了行业综合最优。 传统压缩方案很难平衡压缩比和有效信息损失，我们可以把原生数据压缩到原来的 2%，且压缩后的数据解包用于模型训练，训练的指标和效率基本不受任何影响。 第三，自动化的数据处理速度。

存储成本主要来自两部分，一是采集后的原生数据等待加工的暂存成本，二是加工后的成品数据存储成本。 最容易被忽略的，是原生数据等待加工的排队存储成本，这也是我们一定要用模型做自动化处理的核心原因。 人工处理是线性增长的，只能靠加人提升效率；而模型可以实现指数级的效率提升，让存储成本大多只发生在成品数据上，而非中间过程。 03现在行业对 EGO centric 的理解，大多还停留在浅层的第一视角图像雷峰网：你们对不同数据路线，比如仿真、互联网视频、遥操怎么看？ 朱雁鸣：我个人认为，不同数据路线，要结合模型的训练阶段来看，它们有不同的使命和目标，但高精度、质量、完整且泛化是通用性的要求。 首先，如果想构建具备通用能力的具身基座模型，让模型学到底层的物理环境认知能力，那么对标对象一定是人，核心是人的 EGO（自我中心）视角出发的认知。 第三视角的认知，无法形成行为因果的闭环。 比如打开冰箱拿可乐，人打开冰箱看不到可乐，会先拿走挡住可乐的物品，再拿可乐。 从第三视角，无法覆盖这些行为的完整逻辑，也无法闭环人执行这些动作的因果链。 因此，对于基座模型的预训练阶段，最重要的就是大量第一视角下，人类的闭环行为和逻辑数据。

仿真合成数据的价值会随着两个因素快速弱化。 一是模型要解决的问题的复杂程度。 合成数据最难的不是物理特性的仿真，比如丝巾、水流、头发丝的仿真，而是无法仿真真实的交互。 比如美国餐馆端菜的场景，核心难点不是端菜动作，而是狭窄过道里避让客人，客人抬胳膊的瞬间做出避让动作，这些来自真实生活的交互场景，完全无法通过仿真模拟。 随着问题交互复杂度的上升，仿真数据的价值会快速下降。 二是长程任务的需求。 现在行业里很多具身任务都是短程的，比如叠衣服 2 分钟就能完成，但真实的家务任务，比如拖地需要半小时，中间还要去清洗拖布，这个过程中需要持续的思考和任务拆解，长程任务的逻辑，仿真也很难模拟。 因此，仿真数据只在解决拿、放等基础动作问题时有价值，越到真实场景的复杂问题，价值越弱。 另外，仿真的幻觉是非常严重的问题。 物理 AI 对幻觉的容忍度极低，这和语言模型完全不同。 就像自动驾驶对幻觉零容忍，一旦出问题就是人命关天；机器人商业化落地也是同理，用户不会接受机器人有概率损坏家中财物。 仿真的因果本身不真实，会产生大量幻觉，让模型误以为错误的逻辑是正确的，这也是核心短板。 真机遥操数据在我看来更适合用在评测和后训练过程中。