人形机器人开始偷师人类了

人形机器人行业喊了一年Scaling Law，但很少有人敢正面回答一个问题：数据从哪来？遥操作真机数据贵到肉疼，仿真数据又缺真实力交互。最近两篇论文给出了互补的答案：一边用500小时人类第一视角数据喂出全身操作基础模型λ0，零样本迁移到Unitree G1真机；另一边用6.5分钟真机行走数据，把仿真里学不会的力交互补齐。一高一低、一软一硬，人形机器人的技术栈正在被重新拼装。

📈 数据荒，卡住的是全身而不是手臂

金句先行：人形机器人缺的不是模型，是能教的老师。

先看一个业内熟悉的场景。想让人形机器人学会『走过去、蹲下、把地上的箱子搬上桌子』这一整套动作，传统做法是遥操作采集演示——一个操作员戴着手柄和VR头显，一秒一秒地带教。这一套流程的问题不用多说：贵、慢、且操作员本身的动作受限于遥操作设备，很多全身协调的细节根本传不下去。

λ0论文开篇就把这个痛点写得很直白：humanoid loco-manipulation（行走+操作）需要全身协调地与物理世界交互，但规模化采集机器人演示的成本居高不下。人类演示看起来是天然的替代品——人类每天都在做搬箱子、开门、蹲起这些事，数据几乎免费。

但用人类数据教机器人，历史上有三个坑：

这就是核心矛盾：人类数据量最大、成本最低，但『本体鸿沟』让它一直被当作辅助材料而非主粮。多位做具身智能数据的朋友私下聊过类似的判断：真机遥操作数据的边际成本降不下来，谁先打通人类数据到机器人的通路，谁就掌握人形Scaling Law的入场券。

🔁 HumanVerse：500小时人类数据怎么变成机器人的教材

金句先行：数据不在多，在于能不能被机器人『消化』。

λ0背后的数据工程叫HumanVerse——500小时的开放世界人类loco-manipulation数据，特点是第一视角视频与全身、手部运动同步配对。注意两个关键词：第一视角（egocentric）解决『机器人将来怎么看世界』的视角一致性问题；同步的身体+手部运动解决『只看手不看腿』的历史缺陷。

整条human-to-humanoid流水线可以拆成四步：

这条流水线的精髓在『对齐』二字。相机视角和手臂外观要对齐——否则模型看到的画面和真机执行时的画面是两个世界；动作参考和控制器输入要离线精修——人类关节和机器人关节的动力学不一样，直接照搬人体运动，末端执行器误差会累积到不可用。

论文的验证方式很硬气：零样本迁移到Unitree G1，且不使用目标任务任何机器人演示。也就是说，模型从头到尾没见过『G1做这个任务』的数据，全靠人类数据+流水线对齐，直接上真机做全身操作和长距离移动操作任务。这在半年前还是很多团队不敢押注的路线。

产业逻辑很清晰：一旦这条通路成立，数据采集的瓶颈就从『有多少台机器人、多少个操作员』变成『有多少人愿意戴个相机干活』——前者的扩展成本是线性的，后者接近于众包。

🧠 λ0：人形基础模型的mid-training逻辑

金句先行：人类数据不是预训练的边角料，而是mid-training的主菜。

λ0的定位是一整个人形全身操作基础模型。它的训练结构里有一个值得注意的设计：机器人对齐的人类演示被用作mid-training（中期训练）的监督信号，而不是简单的预训练语料或者事后的微调数据。

看结果：在SIMPLE基准上成功率90.0%，真实世界loco-manipulation任务平均成功率62.5%。更关键的发现是——全身人类数据量的增加，持续提升下游任务表现。这句话翻译成业界语言就是：这条数据路线出现了可扩展的正相关曲线，而这正是所有具身智能团队梦寐以求的东西。

从这张图能看出λ0路线卡的位置：它牺牲了一部分本体对齐度（靠流水线精修找补），换取接近互联网视频的可扩展性。遥操作真机数据对齐度最高但几乎无法扩展，互联网视频量最大但对齐度太低。第一视角人类数据是当前唯一同时向右上角移动的路线。

当然，62.5%的真实世界成功率距离工业可用还有距离，且论文没有披露跨本体（非G1）的迁移数据——通用性是否随数据规模化，还需要后续验证。

⚙️ Contact-UAN：底层欠的账，6.5分钟来还

金句先行：上层策略学得再好，传到电机上还是会走样。

如果说λ0解决的是『学什么』，Contact-UAN解决的是『学了之后落到硬件上为什么变形』。

一个业内共识级的现象是：人形策略在仿真里训练后，动作姿态上能定性迁移到真机，但力交互学不会迁移——力矩效率差、负载调节不稳、抗冲击能力弱。根因出在执行器（actuator）的sim-to-real差距：所有力的表现都依赖电机扭矩，而仿真的电机模型和真机永远有出入。

Contact-UAN的做法是一个残差世界模型：保留仿真器的物理先验，同时用一个小网络修正执行器动力学，让仿真轨迹和真机录制的轨迹对齐。这里有个很巧妙的细节——接触一致的回放（contact-consistent replay）：如果在仿真里回放真机数据时接触力初始就是错位的，残差模型学到的会是『修正重置伪影』而不是『修正执行器差距』，等于学了个错误的补丁。所以它只用本体感知数据，推断仿真侧支撑脚的位姿，让回放从一致的接触力开始。

效果数据如下：

数字很能说明问题：仅用6.5分钟真机行走数据训练的UAN，就泛化到需要精确力与冲量调节的任务上——跑步力矩降低20%，力跟踪误差降低43%，还能做到极限柔顺、精确阻抗控制，以及动态稳健的跳跃。6.5分钟对比500小时，恰好是数据金字塔的两端：塔尖的海量人类数据管认知与策略，塔底的极少量真机数据管动力学保真。

💡 产业判断：一场关于『补课』的双线作战

金句先行：人形机器人没有银弹，只有同时补的几门课。

把两篇论文放在一起看，拼图关系就出来了：

• 数据侧（λ0/HumanVerse）：解决全身操作的监督信号来源，把人类变成数据工厂，押注的是Scaling Law在上层的有效性；
• 动力学侧（Contact-UAN）：解决仿真到真机的力交互保真，用极少量真机数据换取执行层性能，押注的是『小数据修大模型』的杠杆效应。

这其实是当前人形机器人技术栈的典型分工：越往上（感知、策略、任务理解），越依赖海量数据与基础模型；越往下（执行器、接触动力学），越依赖物理建模与少量真机校准。两条线谁也不能缺位——只有λ0没有UAN，模型会『想得对、做不准』；只有UAN没有λ0，机器人是『执行精准、不知道该干什么』。

对产业玩家的启示有三条：其一，手里有第一视角数据入口的团队（消费硬件、AR眼镜、内容平台）可能成为人形机器人产业链的上游新贵；其二，本体厂商的价值锚点正在从『造出像人的机器』转向『提供高保真动力学数据的采集平台』；其三，mid-training这个位置会变成新的竞争高地——谁的对齐流水线精修得好，谁就能把同样的人类数据榨出更多价值。

当然，冷静一句：两篇论文都还在学术验证阶段，62.5%的真实任务成功率、单一本体G1的验证范围，都说明这条路刚跑通0到1。但从『人类数据无法用于全身操作』到『90%基准成功率』，这个跨越本身就是信号。

数据在高处汇成河流，动力学在低处夯实河床。人形机器人的下一个阶段，不缺叙事，缺的是把这两件事同时做扎实的团队。