机器人缺的不是脑子，是「手感」

最近跟一位做灵巧手的朋友吃饭，他说了句大实话：「现在圈子里最贵的不是机器人，是给机器人喂饭的人。」所谓喂饭，就是遥操作采集数据——一个操作员一天摇几百条轨迹，成本按条计价，业界私下传的行情是每条几十到上百元人民币。模型越强，数据饥渴越重，这是具身智能眼下最真实的供需矛盾。

而最近集中出现的三条线索——力觉数据集 EgoForce 与基础模型 FACT、立体数据合成引擎 StereoEngine、智驾老兵 刘念邱 创办的 费莫一科技——指向了同一个判断：具身智能的竞争，正在从「比谁的模型架构漂亮」转向「比谁的数据供给侧跑得通」。

本文把这三条线索放在一张桌上拆开看。

🎯 力觉数据，人类演示的最大缺口

机器人学不会「轻拿轻放」，不是因为看不懂，是因为感觉不到。

Dexterous manipulation（灵巧操作）这件事，光靠视觉和本体感知是不够的——端起一杯满的水、按下琴键、做一次精密的实验操作，都需要机器人预判并调节交互力。问题是，遥操作采集的真机数据可以带力觉，但规模化采集力觉数据贵到离谱；而便宜的人类视频演示，恰恰缺的也是力觉信息。这就是数据供给侧的经典死结：便宜的数据缺关键模态，模态齐全的数据不可规模化。

arXiv 上的 FACT（A Multimodal Force-Action-Track Foundation Model）[^1] 给出了一个解法：先造数据，再训模型。

数据侧，团队发布了 EgoForce——一个大规模、力觉信息丰富的人类触觉数据集，把人类操作中的「手感」经验捕获下来，与机器人演示混合做预训练。模型侧，FACT 采用级联架构：第一级是 Track-Guided Coarse Planner（轨迹引导粗规划器），联合预测动作、未来视频和视觉轨迹点，其中未来视频与视觉轨迹还充当跨本体迁移的共享任务表征；第二级是 Force-Action Joint Refiner（力-动作联合精修器），在粗动作基础上联合预测未来受力，让「预判的力」和「将要执行的动作」在精修阶段互相塑造。

效果数据很直白：在工具使用、乐器演奏、精密实验室流程等十个需要细粒度协调与力反馈的任务上，只用 10 条机器人轨迹加 90 条人类轨迹做微调，FACT 就同时跑赢了两组基线[^1]。十比九十，机器数据与人类数据几乎是一比九的配比——这个杠杆率，正是全行业梦寐以求的。

产业逻辑很清晰：人类演示是唯一能规模化到「互联网量级」的机器人数据来源，谁先把人类数据里缺失的关键模态补齐，谁就握住了数据飞轮的第一节链条。

🎬 没有双目相机，也能造出立体数据

如果说 FACT 解决的是「模态缺失」，那 StereoEngine 解决的就是「格式缺失」。

立体视觉（双目）正在被越来越多地塞进 VLA（Vision-Language-Action）模型里——道理不难理解，双臂协作、深度精确的操作任务，双目带来的深度线索是实打实的增益。但麻烦随之而来：大规模真实世界的立体机器人数据，几乎不存在。此前的立体监督主要靠仿真渲染，真实感天然打折；而已有的单目转立体生成方法，瞄准的都是 VR 内容和自动驾驶场景，没有工作能为机器人操作合成逼真的立体数据。

StereoEngine 的做法是两条腿走路[^2]：

第一条路，把单目（左目）视频借助估计深度 warp 到右目视角，遮挡露出的区域（disocclusion）用视频扩散模型修补——不碰任何真实立体数据，就把单目演示「抬升」为立体对；第二条路，在仿真中渲染立体对，再联合生成左右两个照片级真实视角，产出左右一致、无需真实视频输入的立体数据。两条路合起来，立体数据第一次拥有了「无中生有」的规模化产线。

据团队报告，StereoEngine 在生成立体数据的质量上超过现有基线，而把合成数据用于策略的中期训练（mid-training）或任务级微调，能显著提升下游双臂操作的表现[^2]。

把两条新闻放在一起看，一个正在成形的产业分工呼之欲出：真机数据负责「锚定真实分布」，生成式数据管线负责「放大规模、补齐模态」。遥操作不再是唯一的数据来源，而退化为校准合成的基准线。这对创业公司是重大利好——数据壁垒的定义权，正在从「谁囤的轨迹多」转向「谁的数据管线效率高」。

如果按「技术门槛 × 数据价值」给各条数据获取路线定位，大致是这样一幅图景：

• 大规模遥操作：门槛低、价值高，是当前的存量主流，但成本曲线下不来；
• 纯仿真渲染：门槛低、规模大，但真实感折扣明显，适合做辅助；
• 单目生成式升维（StereoEngine 第一条路）与仿真立体联合生成（第二条路）：技术门槛高，但一旦跑通，数据价值与规模兼得，属于典型的领跑者象限；
• 人类视频补力觉（FACT 路线）：同样处在高门槛、高价值区，且与「真机高质量微调」构成组合拳——前者管规模化预训练，后者管小样本精调。FACT 那个 10:90 的配比，本质就是这套组合拳的实战验证。

🚶 智驾老兵创业：这次赌的是开放场景

数据管线的价值，最终要落到「数据从哪来」的商业模式上。这里就不得不提 费莫一科技。

创始人 刘念邱 的履历很难被塞进典型的具身创业者模板：英特尔做过新工艺和设备研发，创过物联网和工业智能化的业，2018 年加入 元戎启行，从硬件一路做到 Robotaxi 运营、产品、数据、量产和售后——一条罕见的「硬件到运营」全链路履历[^3]。

从 2024 年起，他持续跟踪具身智能的论文和上游供应链。到 2025 年底，他判断时机成熟，理由有二：其一，机器人供应链已经足够完善，创业公司不必再花大力气补本体和硬件短板；其二，AI 驱动的技术和数据范式逐渐清晰，可以开始形成有长期价值的技术积累。2026 年，费莫一科技 成立，刘念邱 与多位 元戎启行 联合创始人沟通后获得一致支持，出去再做一次从 0 到 1。

资本的反应速度说明了什么。甫一创业，费莫一 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 跟投的近亿美元种子轮——而据接近人士透露，刘念邱 早期见投资人时甚至没来得及准备商业计划书[^3]。种子轮就接近亿美元，这在具身赛道是极少数的待遇。

刘念邱 的路线选择同样值得细品。过去两年具身智能最主流的落地路径，是先找一个边界清晰的场景——工厂拧螺丝、酒店配送、仓库搬运，把任务定义死，再用工程和模型堆成功率。他不否认这些场景的商业价值，但他的质疑一针见血：如果机器人长期只在一个被高度定义的环境里工作，积累的能力能迁移多少到下一个场景？

所以他选了边界更模糊的开放动态场景：商业区、写字楼、住宅、活动区域，机器人帮人取东西、买咖啡、丢垃圾，快递员忙时顶上——机器人不被固定成某种职业，而是 刘念邱 口中的「Physical Agent」和「伙伴」。环境越丰富，遇到的人、物体、任务越多，跨场景迁移的能力才越可能长出来。按其规划：今年做初始数据采集，明年开始多点部署，目标是跑通「落地—数据—训练—再落地」的闭环。

这套打法的祖师爷，其实是他自己经历过的智驾战争。元戎启行 曾在深圳 CBD 运营 Robotaxi 一年多，最终选择停掉——因为判断高精地图路线没有未来，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。无图路线的本质是什么？砍掉人工先验地图，让感知和数据闭环自己扛复杂度。费莫一 今天拒绝「预定义场景」，与当年拒绝「预定义地图」，是同一个决策函数的两次输出。

把 费莫一 的数据闭环拆开，显性的是 Demo 和融资，隐性的根基其实在下面这张图里：

⚠️ 冷思考：Demo 的 10 次里成 1 次，和用户一叫就成

刘念邱 有一句话，值得全行业裱起来：「一个机器人在 Demo 里完成 10 次任务中的 1 次，和用户任何时候叫它都能完成任务，是两套完全不同的标准。」[^3]

这句话戳破了具身智能当前最大的泡沫——演示成功率和产品可用率之间的鸿沟。开放世界的复杂度几乎没有上限，Demo 可以挑光线好的下午、配合的观众、预演过的物品；产品则要在任何时间、任何地点、替不同的人完成任务。从前者到后者，差的不是模型架构的一次升级，而是数据闭环持续运转的月数和年数。

这也是为什么笔者对这三条线索的评价是「同题异解」：FACT 用人类视频+力觉补数据模态，StereoEngine 用生成式管线补数据格式，费莫一 用开放场景部署补数据分布——三者都在回答同一道题：在遥操作不可规模化的前提下，如何把数据供给的成本曲线打下去。

三条路线的要素对比，一张表说清：

三条路线并不互斥，反而高度互补：费莫一 们部署的机器人产生的真实数据，可以反哺 StereoEngine 们做合成校准；FACT 们的人类视频预训练，可以给 费莫一 们省下巨额冷启动成本。数据层的分工生态，比单点模型突破更值得下注。

📌 总结

一句话概括三条线索的共性：都在攻击遥操作数据供给这条成本曲线。

• FACT / EgoForce 攻「模态」：给人类视频补上力觉，把真机数据需求压到一位数（10 条微调即可见效）；
• StereoEngine 攻「格式」：用生成式管线无中生有造出稀缺的立体数据，让双目 VLA 不再被数据卡脖子；
• 费莫一科技 攻「分布」：拒绝预定义场景，用开放场景部署换取跨场景迁移能力和持续回流的数据闭环。

三者分别对应数据供给侧的三个维度，合起来勾勒出行业换挡的方向：从「囤轨迹」转向「建管线」，从「模型驱动」转向「数据闭环驱动」。

写在最后

回头看这三条线索，共同点只有一个词：供给侧。

具身智能的叙事正在换挡——从「模型能不能做任务」转向「数据能不能持续供给」。FACT 证明了人类演示+力觉的组合拳可以把真机数据需求压到一位数，StereoEngine 证明了合成管线可以无中生有造出稀缺模态，费莫一 则用近亿美元种子轮告诉我们，资本市场已经开始为「数据闭环的商业模式」而非「Demo 惊艳度」付费。

2026 年往后，判断一家具身公司成色的新标尺大概是：每条训练数据的边际成本降了多少，闭环转一圈快了多少。谁先把这两个数字做下去，谁才有资格谈通用。

机器人不缺脑子，缺的是让脑子长出「手感」的经验值。而经验值的生产线，才刚刚开工。

参考资料

[^1]: FACT & EgoForce：arXiv 预印本《FACT: A Multimodal Force-Action-Track Foundation Model for Dexterous Manipulation》及 EgoForce 数据集项目页（含 10 条真机 + 90 条人类轨迹微调的实验设置与基线对比结果）。

[^2]: StereoEngine：arXiv 预印本《StereoEngine: Generating Photorealistic Stereo Robot Manipulation Data》（含单目升维、仿真立体联合生成两条管线及下游双臂操作实验）。

[^3]: 费莫一科技创业与近亿美元种子轮融资报道（36氪、机器之心等，2026 年），含刘念邱履历、投资方名单及「Physical Agent」路线表述。