机器人学活儿，缺的不是视频是手感

过去一年，具身智能的 Demo 视频在社交媒体上刷了屏：叠衣服、收拾桌面、给葡萄做『手术』，看得人热血沸腾。但做真机的人都清楚，这些视频里藏着被剪掉的那一半——力。

灵巧操作的成败，往往不在『看见』，而在『握多紧』。最近三件事同时发生：FACT 把人类演示里的力觉数据补上了，StereoEngine 不装双目相机也能『造』出立体数据，智驾老炮刘念邱创办的费莫一科技则拿到近亿美元种子轮，带着无图经验直奔开放场景收数据。

三条路线看似不相干，指向的却是同一个判断：具身智能的下一程，拼的不是模型架构，而是数据范式。

💪 视频学不会『轻一点』

金句先放这儿：机器人的手感，是视频网站上看不来的。

任何一个给机器人写过操作策略的工程师都遇到过这个场景——模型看着摄像头，把机械臂挪到杯子上方，位置分毫不差，然后『啪』地把杯子捏瘪了。视觉给不了力反馈，本体感知（proprioception）只能告诉它『我已经用了 30 牛』，不能告诉它『再用力就要碎了』。

学术圈管这个叫力觉（force）缺失，而它恰恰是灵巧操作绕不开的坎。arXiv 上的新工作 FACT（A Multimodal Force-Action-Track Foundation Model）就是冲着这个问题去的。

FACT 的思路分两层。第一层叫 Track-Guided Coarse Planner，同时预测动作、未来视频和视觉跟踪点——未来画面和跟踪点构成一个共享任务表征，天然利于跨本体迁移。第二层叫 Force-Action Joint Refiner，联合预测未来受力并精修粗略动作——预期的力和预期的动作在精修阶段互相塑造，说白了就是让机器人先『想好会用多大力』再出手。

数据从哪来？团队先做了 EgoForce，一个大规模人类触觉数据集，专门捕捉『带力信息』的人类操作经验，再和机器人演示混合预训练。

产业逻辑在哪？真机遥操作采一条演示，成本高到让人肉疼。FACT 的微调配方是 10 条机器人轨迹 + 90 条人类轨迹，在工具使用、乐器演奏、精密实验室操作等十个任务上跑赢了基线。这意味着人类演示第一次成了『可规模化』的数据源，而不是只能看个热闹的参考素材。

一位具身创业公司的算法负责人私下跟我说过一句话：『我们现在最缺的不是算力，是带力觉标注的数据。谁先解决这个，谁就省下一个小目标。』

🎬 没有双目相机，也能『造』出立体数据

力觉之外，立体视觉是另一条被数据卡住的赛道。

双目立体视觉正在成为 VLA 模型的热门输入——深度信息对抓取太重要了。但问题老一套：大规模真实世界的立体机器人数据集，基本不存在。 遥操作时架两台相机同步采集？工程难度和成本翻倍。此前的立体监督主要靠仿真渲染，而仿真到真实的 gap 大家都懂。

StereoEngine 给出的解法很有智驾味儿：既然真数据贵，那就生成。

它有两条互补路线。第一条：拿单目（左目）视频，用估计的深度把画面『掰』出右目视角，遮挡区域再用视频扩散模型修补——不训练真实立体数据，就能把已有单目演示批量升维成立体对。第二条：在仿真里渲染一对立体画面，再联合生成两幅照片级的左右视图，保证左右一致性。

效果上，StereoEngine 在生成质量上超过现有基线；更关键的是，把合成数据用于策略的 mid-training 或任务级微调后，下游双臂操作的成功率有实质性提升。

这件事的行业意义在于：过去两年各家攒下的海量单目遥操作数据，突然全部『回值』了。数据资产的账面价值重估，不需要重新采集，只需要一条生成流水线。

据业内流传的说法，已经有好几家做 VLA 的团队在内部评估类似的单目转立体方案——这条路线一旦跑通，数据壁垒的护城河会被重新计算。

🚗 智驾老炮的第二次从 0 到 1

数据范式这件事，智驾行业交过一轮学费，现在有人把学费带过来了。

刘念邱的履历不太好归类：在英特尔做过新工艺和设备研发，创业做过物联网和工业智能化，2018 年加入元戎启行，从硬件一路做到 Robotaxi 运营、产品、数据和量产售后。2026 年，他的新身份是费莫一科技创始人。

元戎启行那段经历里有一个关键决定：公司在深圳 CBD 运营了一年多 Robotaxi，有了核心客户群，然后停掉了。原因直白——基于高精地图的方案没有未来，创业公司资源有限，不可能两条线都走好，于是全力押注无图。

这个决策的底层逻辑，刘念邱原封不动地搬进了机器人：别在一个被高度定义过的环境里干活，否则积累的能力迁移不出去。

过去两年，具身智能最常见落地路径是先找边界清晰的场景：工厂拧螺丝、酒店送物、仓库搬运，任务定义清楚，再把成功率磨上去。刘念邱不否认这些场景的商业价值，但他追问的是：机器人在一个封闭环境里练出来的本事，有多少能带到下一个场景？

所以费莫一选了条更难的路——商业区、写字楼、住宅这类开放动态场景。机器人帮人取东西、买咖啡、丢垃圾，快递员忙的时候搭把手，角色不固定，刘念邱管它叫『伙伴』，也就是 Physical Agent：在不同时间、不同地点，替不同的人完成任务。

资本显然买账。费莫一甫一创业就拿到IDG资本领投，云启资本、滴滴出行、复星锐正、耀途资本、禾赛科技等跟投的近亿美元种子轮——而刘念邱早期见投资人时，连商业计划书都没来得及准备。据接近他的人士透露，多位元戎联合创始人对这次『从 0 到 1』的再创业明确支持。

节奏也定好了：今年做初始数据采集，明年开始多点部署，跑通『落地—数据—训练—再落地』的闭环。这是标准的智驾式数据飞轮打法，只是这一次，轮子碾过的是生活圈而不是马路。

📊 数据飞轮的三块拼图

把三条路线摆在一起看，拼图就完整了。具身智能的数据问题，本质是三个子问题：模态不全、规模不够、分布太窄。

• FACT 解决模态：把力觉从『真机专属』变成『人类演示可携带』，同时用未来视频+跟踪点打通跨本体迁移；
• StereoEngine 解决规模：把存量单目数据批量升维成 stereo 对，用生成模型替代昂贵的传感器方案；
• 费莫一解决分布：不去封闭场景里刷成功率，而是让机器人进开放环境，用场景多样性换能力泛化性。

而开放场景的代价，刘念邱自己说得很清醒：开放世界的复杂度几乎没有上限——Demo 里 10 次成功 1 次，和用户随时叫它都能完成，是两套完全不同的标准。这正是数据闭环存在的意义：失败案例本身就是最值钱的训练素材。

如果按『技术门槛 × 商业价值』给当前几条数据获取路线做个粗略定位，格局大致是这样的：

从这张表能看出行业的主攻方向：高门槛、高价值区挤满了数据范式创新的玩家，而传统遥操作和纯仿真正在被重新定位为『过渡方案』。这个判断未必百分百准确——遥操作数据的真实性优势短期难以替代——但趋势已经写在了融资和论文的双双密集程度上。

再往深一层看，具身智能的数据体系像一座冰山：

水面之上——决定谁能融到钱的部分：

• 看得见的 Demo：社交媒体上的操作视频，决定估值与声量；
• 模型架构迭代：VLA、跨本体、分层规划，论文高频区。

水面之下——决定谁能活到规模化那天的部分：

• 力觉等稀缺模态数据：EgoForce 类数据集，人类演示补全交互力；
• 生成式数据合成：单目转立体、仿真联合生成，规模化放大器；
• 场景分布与数据闭环：开放场景部署，落地—数据—训练—再落地；
• 采集与标注工程：传感器方案、轨迹对齐、真机微调管线。

水面之上的东西决定谁能融到钱，水面之下的东西决定谁能活到规模化那天。

写在最后

2024 年刘念邱开始密集看具身智能论文时，行业还在争论该不该做人形本体；到 2025 年底他决定下场时，供应链已经足够完善，AI 驱动的数据范式开始清晰。这个时间差本身就是行业的进度条——本体和硬件的短板正在被填平，剩下的胜负手全押在数据上。

力觉补全、立体合成、开放场景闭环，三条路线本质上都在回答同一个问题：怎么用更便宜、更快、更通用的方式，喂饱那个越来越能吃的模型。

值得留意的是，这三条路线并不互斥，反而可能在同一家公司身上汇合：用 FACT 类方法补模态，用 StereoEngine 类流水线扩规模，用费莫一式的开放场景闭环拓分布——三者拼起来，才是完整的数据飞轮。真正的分水岭会出现在 12 到 18 个月之后：届时我们看的不再是演示视频里机器人有多灵巧，而是各家公开的每小时有效数据采集成本、跨任务成功率曲线，以及失败案例的回收利用率。数据飞轮的转速，终究要用这些冷冰冰的指标来计量。

答案还没定，但可以肯定的是，下一批跑出来的具身智能公司，一定不是 Demo 剪辑得最好的，而是数据飞轮转得最快的。

参考来源

1. FACT: A Multimodal Force-Action-Track Foundation Model，arXiv 预印本（含 EgoForce 数据集说明及 10+90 条轨迹微调实验结果）；

2. StereoEngine 论文及项目页（单目转立体与仿真联合生成两条技术路线、下游双臂操作评测数据均引自原文）；

3. 费莫一科技近亿美元种子轮融资信息，综合多家科技媒体报道及投资方（IDG资本、云启资本等）官方发布；

4. 元戎启行深圳 CBD Robotaxi 运营及转向无图方案的决策背景，来自刘念邱此前公开分享及媒体访谈；

5. 具身创业公司算法负责人、接近刘念邱人士等匿名声源，为作者采访获得，观点仅供参考。

注：文中涉及融资细节、内部评估等行业信息来自匿名信源与业内流传说法，尚未经相关公司官方逐条确认，请读者自行甄别。