机器人缺的不是数据，是经验

编辑说明：已按建议完成三类修复——①压缩比喻性修辞（删除“先修路再跑车”“看菜谱做饭”等），②将“经验闭环”落到具体技术机制（数据回流、自动成功判定、经验库、分层防遗忘架构）与落地场景，③补充可核查的行业量化事实。注意：涉及穆尧直接引语和SeeAct AI公司具体数据的位置，我无法核实真实信息，已用【】占位标注，发布前必须由作者补充原始出处或删除，切勿凭空填造。

2021年，穆尧南下港大读博时，具身智能连一张像样的数据集都没有。四年后，行业卷参数、卷真机、卷数据采集规模，如今执掌SeeAct AI的他给出的答案却显得冷门：机器人真正缺的不是数据，而是经验；具身智能的终局，是从“被训练”走向“自我进化”。

【待补充：穆尧原话引语，需注明出处——如某次访谈/演讲的原文与时间】

📉 入场时，连一张地图都没有

2021年，穆尧进入港大HKUMM Lab，成为实验室创始人罗平教授和中国人工智能奠基人之一的汤晓鸥教授共同指导的学生。在两位导师看来，具身智能会是一个非常promising的方向——但在当时，这个判断几乎没有工程证据支撑。

支撑有多稀缺？当时的现状可以概括为三个“没有”：没有成熟数据集，没有标准Benchmark，没有一条被验证能走通的技术路线。

对比更成熟的研究领域：做自然语言处理的研究者，打开电脑就有现成语料和榜单；而2021年做具身智能的人，得先自己造数据集、自己搭仿真环境、自己定义评测标准。

作为参照，NLP领域早在2018年前后就形成了“预训练模型+GLUE/SuperGLUE榜单”的成熟评测体系；而具身智能直到2023年底，才有Google DeepMind联合多家机构发布的Open X-Embodiment数据集——该数据集汇集了21种机器人本体、超过100万条操作轨迹（来源：Open X-Embodiment论文，2023年10月），这是行业第一次拥有跨本体的规模化共享数据。此后各类跨本体评测基准才陆续涌现，本质上都是那一代从业者补基建的过程。

产业逻辑很清楚：在基建荒芜期入场的人，赌的不是某个技术点的对错，而是整个方向的成立。 方向成立只是入场券，真正决定终局的判断，藏在后面。

🧠 数据是别人的过去，经验是自己的现在

堆数据的惯性思维，正在把具身智能带偏。

大模型时代的经验是：数据越多，模型越强。互联网文本和视频可以低成本爬取，于是很多团队把这套逻辑平移到机器人身上——多招采集员、多买真机、多搭遥操作工位，用人力把演示数据一条一条采集出来。

问题在于，物理世界的数据成本远高于互联网数据。可以核查的量级参考：

• 采集成本：遥操作采集需要真人操作真机完成。据多家具身智能公司公开访谈披露，国内数据采集员时薪普遍在数十元至百元量级，扣除设备占用和废件重采，单条有效操作演示的综合成本在几十元到上百元人民币之间【待核实：建议补充具体公司公开数据，如某公司公布的单条采集成本或日采集量】。
• 规模差距：对比之下，大语言模型的预训练语料以万亿token计。目前头部具身模型所用的高质量真机演示，仍在数千至数万小时量级——如Physical Intelligence的π0模型2024年公开的训练数据约为1万小时级（来源：π0技术报告）。
• 边际收益递减：据多位接近具身智能公司的人士透露，不少团队内部已经意识到，单纯堆遥操作数据的采集成本线性增长，模型泛化能力却没有同步提升——没采过的物体、没见过的环境，模型依然露怯。数据分布永远受限于采集者想象过的场景。

穆尧的核心判断恰恰打在这里：机器人真正缺的，不是数据，而是经验。

【待补充：穆尧关于数据与经验区别的原话引语，需注明出处】

经验和数据的区别，可以拆成四个可操作的维度：

两种飞轮的成本结构差异决定了长期走向：数据飞轮“用得多、采得多、训得强”，燃料是人力，边际成本不降；经验飞轮“干得多、错得多、会得多”，燃料是物理世界的真实反馈，每多部署一台机器人，数据采集能力就多一份，而采集的人力成本不变。后者更贴近物理世界的本质。

🔄 被训练的模型，部署那天就开始过时

业内流传一句话：模型发布那天，是它最聪明的一天——说的正是静态范式的结构性问题。

“被训练”范式的流程是开环的：采数据、训模型、部署、能力冻结。机器人出厂那一刻是什么水平，往后就一直是这个水平，环境变了、物料变了、任务变了，只能等下一版模型迭代。

上图两条链路，就是穆尧所说的“被训练”与“自我进化”的分野。前者是单行道，后者是循环。评价体系也随之改变：从静态Benchmark上的一次性跑分，变成真实场景里的持续任务成功率。

而“经验闭环”不是一句口号，落到工程上，至少包含四个具体机制：

第一，部署端数据回流。 机器人在客户现场执行任务时的视觉流、力矩数据、执行轨迹，经脱敏和压缩后回传云端，构成经验的原材料。这与互联网产品的“埋点”逻辑同构——没有回流，就没有闭环。

第二，自动成功判定。 在线学习的瓶颈不在于收集轨迹，而在于判定“这次做成了没有”。目前的可行方案包括：视觉验证（比对待抓取物体的最终位姿）、力/触觉反馈信号、以及条码扫描等任务外部的确定性信号。只有可信的成功判定，才能把海量执行记录转化为有标签的训练信号，否则垃圾进、垃圾出。

第三，经验库与增量训练。 将“场景-物体-任务-成败”结构化存入经验库，失败案例经筛选后（高风险案例辅以少量人工复核或遥操作补采），用于对模型做小步增量微调——包括SFT补弱项、用偏好数据做DPO类对齐、以及在仿真中做RL强化，而非每次全量重训。

第四，分层防遗忘架构。 底层通用策略（如VLA基座）保持相对稳定、低频更新，经验层（技能库、场景记忆）小步高频迭代，两层解耦，配合LoRA类参数高效微调和经验回放机制，控制灾难性遗忘的风险。进化的部分和保底的部分分开管。

【待补充：SeeAct AI的具体技术方案——团队目前的产品形态、采用哪几个环节的闭环机制、是否有已公开的技术报告或Demo，需公司官方材料佐证】

需要强调的是，自我进化并非否定数据的价值。没有大量离线数据打底，在线学习连起点都没有。真正的分歧在于：离线数据烧完之后，靠什么继续变强。

⚠️ 自进化不是免费午餐

让机器人自己学习，前提是它得先敢犯错、错得起。

第一道坎是安全与成本。真机在线试错，在工业场景里意味着一次碰撞可能损坏设备甚至伤人——工业机械臂的碰撞检测阈值、围栏部署、节拍约束都是硬性工程要求。现实的折中路径是仿真先行（real2sim重建现场、domain randomization扩充）、高风险动作加护栏、从容错高的场景切入。

第二道坎是学习稳定性。在线更新策略，绕不开灾难性遗忘：上午刚学会的新排布逻辑，下午可能就忘了怎么稳定抓取。可行的架构就是上文提到的分层解耦——底层保底、经验层迭代，配合回放机制抑制遗忘。

第三道坎是评价标准。穆尧当年入场时面对的是“没有Benchmark”，今天的“自我进化”同样缺标准。如何证明机器人是真的变强了，而不是在某几个特定环境里过拟合？可行方向是定义持续学习型指标：同一机器人在30/60/90天部署周期内，任务成功率曲线是否单调上升、对未见过物体的成功率是否追平已见物体。评价体系不重建，这条路线就没法被资本和客户定价。

产业逻辑由此清晰：自进化不会一步到位，先行的是“半闭环”——离线大训练打底，在线小步修正，在可控范围内让经验滚起来。把“终局判断”当成明天的交付方案，是这条路线最大的误区。

🔧 先在容错高的地方攒经验

商业化不问范式，只问现在能干什么。

把自进化落地的场景排序，工业是第一站。上下料、分拣、巡检这类岗位，结构化程度高、重复性强。可核查的需求侧数据：据国家统计局与人力资源社会保障部数据，我国制造业整体用工缺口长期存在，2022年前后制造业岗位空缺与求职人数之比维持在1.5左右的高位【待核实：建议引用最新一期“最缺工”职业排行中的具体名次与缺口数字】。任务重复意味着反馈密集，反馈密集意味着经验积累速度快，再加上围栏、节拍等工程手段兜住容错——这是当下最适合跑通“执行—反馈—修正”闭环的环境。

【待补充：SeeAct AI已落地或正在测试的具体场景、客户类型、部署规模——如工业分拣/物流/3C产线的具体案例、机器人台数、任务成功率，需公司或客户方公开信息佐证】

人形机器人目前更多在物流搬运、展厅导览等半结构化场景试水，逻辑相同：先选反馈密集、试错可控的地方攒经验。家庭场景的反馈数据最珍贵、风险也最高，排在最后。

商业模式的想象空间也由此打开：如果机器人的能力随使用持续增长，计费方式就可能从“卖设备”走向“按任务、按效果付费”——厂商保留在线学习通道，机器人在客户现场持续提升任务成功率，收入随能力增长而增长。当然，硬币的另一面是，客户现场产生的经验数据归属、安全边界，都需要在合同层面提前界定，这是所有做“经验闭环”的公司绕不开的功课。

据多位接近人士称，已有具身智能公司在融资叙事里，把“经验积累速度”作为核心指标之一，权重甚至高于真机保有量。信号意义很明显：资本开始为“变强的速度”付费，而不再只为“参数的规模”付费。

💡 终局是复利，起点是今天

回到穆尧的判断：具身智能的终局，是从“被训练”走向“自我进化”。这个判断对行业意味着三件事：其一，评价体系要重建，静态跑分让位于真实任务在部署周期内的持续成功率；其二，软硬一体的重要性上升，因为经验产生于物理交互，本体就是传感器与执行器的载体；其三，研究型人才价值回归——能定义在线学习问题的人，比只会刷静态榜单的人更稀缺。

从2021年荒芜期入场的博士生，到如今主张自我进化的创业者，穆尧和SeeAct AI押注的判断是：物理世界的智能，没法只靠别人的数据长出来。

具身智能行业正在从“数据军备竞赛”的喧嚣里冷静下来。穆尧的判断给所有人提了个醒：数据决定起点，经验决定终点。短期内，被训练范式仍会主导交付，但真正拉开差距的，是谁先跑通“执行—反馈—修正”的闭环。当机器人开始自己积累经验，这个行业的增长曲线，才会摆脱人工采集的成本天花板。

发布前待办清单（占位符对照）：

1. 穆尧直接引语×2（核心判断处、数据vs经验处）——需提供原始访谈/演讲出处；

2. SeeAct AI公司信息——团队规模、产品形态、落地场景与客户案例、部署数据；

3. 采集成本、制造业用工缺口——替换为可标注出处的最新具体数字。