人形机器人缺数据，人类自己顶上了

过去一年，人形机器人圈最贵的不是电机，是数据。遥操作一台Unitree G1采一小时演示，操作员累得腰酸背痛，任务覆盖还窄得可怜。而最近，两篇arXiv论文和一笔近亿元天使轮，不约而同指向同一个判断：人形机器人的数据瓶颈，正在从「真机采集」转向「人类视频+世界模型」。λ0用500小时人类数据零样本打上真机G1，Contact-UAN用6.5分钟真机数据修正仿真世界模型，格物通智则直接拿着近亿元去预训练物理反演世界模型。三条线，拼出了具身智能下半场的雏形。

🎥 500小时「人类第一视角」，喂出λ₀

机器人学的老规矩是「要什么任务，采什么数据」，λ₀把这条规矩掀了。

先看场景。人形的loco-manipulation（移动操作）要求全身协调：一边走路、弯腰、下蹲，一边用手操作物体。用遥操作采这种数据几乎是噩梦——主从臂只能控手，腿怎么迈、重心怎么移，都得靠额外编程或者操作员用全身动捕服硬扛。一台机器人一天有效采集时间屈指可数，成本摊到每条示教上贵得吓人。

λ0背后的HumanVerse给了另一条路：500小时开放世界的人类loco-manipulation数据，第一视角视频与同步的身体、手部运动配对。更关键的是pipeline设计——对齐相机视点与手臂外观、离线精修运动参考和控制器输入，把端执行器误差压下来，同时保住全身协调性。

结果在真机上见真章：在SIMPLE基准上拿到90.0%成功率，真实世界loco-manipulation任务整体62.5%，全程零样本，没有用任何目标任务机器人示教。

产业逻辑藏在「中期训练（mid-training）」这个词里。人类数据经过机器人对齐后作为监督信号，而且论文明确指出：全身人类数据越多，下游任务进度持续提升——这是一个类scaling law的信号。大模型时代有互联网文本这个「免费午餐」，具身智能一直没有对应物。HumanVerse相当于第一次把「人类行为视频」规模化接进了人形训练管线。

🔧 6.5分钟真机数据，修好一个世界模型

sim-to-real最大的谎言，是「仿真里能跑，真机就差不多」。

做过真机部署的工程师都懂那种绝望：策略在仿真里步态漂亮、动作流畅，上硬件后动作「看起来」对——论文原话叫qualitatively transfer——但力学交互全丢了。力矩效率低下、负载调节失灵、抗冲击鲁棒性差，跳一下关节可能直接过流。根子出在执行器（actuator）的sim-to-real gap：所有接触力都依赖执行器输出的力矩，而仿真里的执行器模型和真机永远对不上。

Contact-UAN的解法聪明在「不推翻重来」：保留模拟器的物理先验，只用一个残差网络修正执行器动力学，让仿真的rollout对齐真机录制的rollout。细节上还有个坑——接触一致性回放（contact-consistent replay）：如果真机回放在仿真里起始接触力不对齐，残差模型学到的会是复位伪影，而不是执行器差异。所以它只用机载本体感知，先推断支撑脚位姿来初始化回放。

数字说话：只用6.5分钟真机行走数据训练，产出的策略实现20%更低的跑步力矩、43%更低的力跟踪误差，还做到了精细的阻抗控制和动态鲁棒的跳跃。

产业逻辑很简单：域随机化是「把仿真参数抖到真机落在分布内」，UAN是「让仿真主动去拟合真机」。6.5分钟这个量级对产业极其友好——真机校准的边际成本从「小时级」压到「分钟级」，意味着每卖出一台机器人，它自己走路产生的数据就够完成校准。

圈子里流传一句话：真机数据论秒卖，人类数据论小时采。Contact-UAN这类工作，本质是在给第二条曲线降价。

💰 近亿元天使轮，钱开始押世界模型

一级市场的嗅觉，往往比论文引用数早半步。

36氪消息，具身大脑公司格物通智完成近亿元天使轮融资，投资方阵容堪称豪华：匹克投资、鸿富资产、杭州资本、杭州人才集团、某省级具身产投，外加多家头部上市公司，Maple Pledge 枫承资本出任独家私募股权融资顾问。

钱的去向也写得直白：物理反演世界模型的大规模预训练与技术迭代、硬件与本体构建、人才引进与规模扩充，并推进多个场景PoC验证和真实数据采集。

值得注意的是结构性变化：一家天使轮公司就敢把主力资金押在大规模预训练上，说明两件事。第一，算力与数据基建已经成为具身大脑公司的入场券，没有预训练能力，融资故事都讲不圆；第二，资本愿意为「世界模型」这个叙事付确定性溢价——相比本体硬件的红海，大脑层的差异化空间更大。

但风险也明摆着。预训练烧钱极快，PoC到订单的转化周期没人敢打包票。据多位接近人士的说法，今年具身智能融资的天平正在从「本体」滑向「大脑」，投资人开始追问的不是你有多少台机器人，而是你的数据飞轮每转一圈能沉淀多少可复用的模型能力。天使轮近亿元是弹药，也是对赌。

🧭 四象限：三条路线各占一个生态位

路线之争的尽头，往往是拼图之争。

把三件事放到一张桌子上看，会发现它们其实在解同一个问题的不同侧面：数据（学什么）、动力学（学得对不对）、预测（下一步发生什么）。

读图要点有三。其一，遥操作真机采集落在右上角，确定性最高但数据成本也最高，是当前的「存量玩家」；其二，Contact-UAN和λ0占据了低数据成本、中高确定性的甜蜜区，这也是为什么这两篇论文值得产业界认真读；其三，物理反演世界模型数据成本高、落地确定性尚未验证，属于典型「潜力股」——赌的是世界模型成为具身大脑统一底座的那一刻。

更务实的判断是：三条路线大概率不是替代关系，而是栈关系——人类数据提供行为先验，残差世界模型提供动力学校准，物理反演世界模型提供长程预测。谁能把三层串起来，谁就拿走下一代具身大脑的定义权。

⚠️ 冷静点：62.5%离产线还有多远

论文里的成功率，和车间里的良率，隔着一条叫长尾的河。

先泼冷水。62.5%的真实世界loco-manipulation成功率，意味着三次里错一次。放在工业上下料、精密装配场景，这个数字不可接受——产线要求的是99.9%以上的可重复性，且失败模式可预测。所以λ₀这类模型近期的合理落位不是工厂，而是容错率更高的物流分拣、商超补货、家庭服务这类「错了也无大碍」的场景。

再看隐忧。人类演示天然不携带机器人本体的动力学信息，embodiment gap只能靠pipeline工程弥补——视点对齐、外观对齐、控制器校正，每一层都是误差源。开放世界的人类数据还面临采集一致性问题：谁来保证500小时之外新增的数据分布不漂移？此外，Contact-UAN依赖本体感知回放，面对复杂多接触任务（双手搬运、工具使用）时，支撑脚推断这套方法能不能泛化，论文没有给出答案。

据业内私下流传的判断，2026年人形公司的竞争维度将发生一次换锚：从「会做什么动作」的视频演示比拼，转向「数据体系效率」的硬碰硬——每一元成本能转化多少可用监督信号，每一个真机小时能沉淀多少模型能力。这个指标现在还没有共识定义，但头部团队已经在内部悄悄统计了。

🧩 被改写的不是模型，是成本曲线

技术的胜负手，从来不是论文分数，而是每条数据的单价。

把三件事连起来算一笔账。遥操作路线：采集一小时loco-manipulation演示，需要设备、场地、熟练操作员，边际成本高昂且不可压缩。λ₀路线：人类在日常环境里正常干活，相机和动捕记录，单位数据成本下降一个量级，且随数据规模扩大还有摊薄空间。Contact-UAN路线：校准成本压到6.5分钟，真机数据从「训练资产」降格为「校准耗材」。格物通智路线：用近亿元预训练把物理规律本身变成先验，赌的是未来新任务几乎不需要从零采数据。

三条曲线叠加，指向一个此前不存在的可能性：人形机器人的数据获取成本第一次出现「结构性下降」而非「线性优化」。这是和过去两年所有硬件降本故事性质不同的变量——硬件降本省的是买机器人的钱，数据降本省的是教会机器人干活的钱，后者在整机BOM里占比只会越来越大。

当然，预训练的钱最终要靠订单回收。所有这三条路线，验证终点都一样：真实场景里，客户愿意为一次成功交付付多少钱。

小结：λ₀证明了人类数据可以规模化喂给人形并产出真机成绩，Contact-UAN证明了执行器动力学的sim-to-real可以用分钟级真机数据解决，格物通智的近亿元天使轮则证明资本已经为世界模型叙事排好了队。三条线本质上是同一块拼图的三面：数据、动力学、预测。接下来一年值得盯的指标只有两个——人类数据路线的scaling曲线还能斜多久，以及世界模型公司能否把PoC变成第一批付费订单。数据便宜的路线会赢，但赢的前提是它真能干活。