一副手套，正在改写机器人数据规则

具身智能圈吵了两年的问题，Reward AI 用一副手套给了一个新答案。

9月，这家公司发布了通用操作策略模型 OM-1（Omnibody Model 1）。据其官方发布信息（信源①：Reward AI 官方发布稿，2025年9月），它最反常识的地方在于训练数据来源：完全来自人类演示，用一副 7 自由度的穿戴式数据手套采集——没有遥操作，没有机器人本体上的真机数据。官方还宣称，模型可以直接跑在工业机械臂和人形机器人上，以人类速度执行任务，学一个新任务只需要不到 30 分钟的演示数据。

需要先说明的是：上述核心指标（人类速度、30分钟学习、跨本体部署）均为官方自报口径，截至发稿尚无第三方复现验证。 下文将把「官方宣称」与「本文推演」分开呈现。

数据，一直是具身智能最贵的那块骨头。现在有人试图绕开它。

🧤 把遥操作数据工厂，整个跳过去

数据采集的姿势，正在决定哪家公司活得更便宜。

过去两年，具身智能公司最重的资产不是模型团队，而是数据采集车间：一排排机械臂，操作员坐在工位上，通过遥操作设备一遍遍搬运、抓取、插拔，一小时一小时地攒真机演示数据。这一路径的成本痛点已有公开研究佐证：斯坦福 ALOHA 团队在论文中披露，其双臂遥操作数据采集系统的人手操作（human teleoperation）质量显著低于共享自主动作，且遥操作平台需要配备专用主从臂设备（信源②：Zhao et al., Learning Fine-Grained Bimanual Manipulation with Low-Cost Hardware, ALOHA 论文, 2023）。遥操作数据昂贵、难规模化，是学术界与产业界共同的判断。

OM-1 的路线是另一种极端：把「机器人」从数据采集环节中整个拿掉。操作员只戴一副 7 自由度的穿戴手套，像平时干活一样演示任务，手套记录人手动作。没有遥操作延迟带来的动作失真，也没有「人在替机器人干活」的分布偏移问题——因为数据里记录的就是人类最自然的操作方式。

值得注意的是，这条路线并非孤例，学界已有可对照的先行工作：哥伦比亚大学与斯坦福的 UMI（Universal Manipulation Interface）用手持夹爪替代真机采集「在野」人类演示，并验证了这类数据可迁移到真机策略（信源③：Chi et al., Universal Manipulation Interface: In-The-Wild Robot Teaching Without In-The-Wild Robots, 2024）；斯坦福的 DexCap 则用穿戴式动捕手套采集灵巧手操作数据（信源④：Wang et al., DexCap: Scalable and Portable Mocap Data Collection System for Dexterous Manipulation, 2024）。OM-1 与这些工作的差异在于其宣称的「跨本体部署 + 人类速度执行 + 30分钟学会新任务」的工程化程度——这属于官方口径，未经独立验证。

以下为本文推演，非官方宣称，属假设性分析： 如果这条路线被第三方验证，改变的不是某个模型指标，而是数据供给侧的成本结构——采集端有望从「机器人工程师+机械臂」降级为「普通工人+一副手套」，数据的边际成本曲线可能陡峭下移。但这一成本结论目前没有任何公开的成本核算数据支持，仅是路线成立后的逻辑推演。

🤖 Omnibody：一套策略，通吃工业臂和人形

跨本体，是通用操作策略的成人礼。

OM-1 名字里的 Omnibody（全本体）不是修辞。官方宣称（信源①）：同一套策略，可以直接部署在工业机械臂和人形机器人上，且以人类速度执行。

以下为本文对其可行性的工程分析，属假设性推演： 这在工程上意味着两件事。

第一，训练数据与本体解耦。传统遥操作数据天然绑定采集用的那台机器人——关节构型、连杆长度、运动学差异，都会让换一个本体就得重采数据。而人手演示数据记录的是「任务应该怎么被完成」，不是「某台机器人怎么完成」，天然具备跨本体的潜质。这一点在 UMI 论文中已有部分验证——但其验证范围是特定夹爪构型，能否推广到任意本体，OM-1 尚未提供证据。

第二，部署侧需要一个本体适配层。从人类手部动作映射到 6 轴机械臂末端、或到人形机器人的灵巧手，中间的运动学重定向和残差补偿，是 OM-1 必须在工程上补齐的一环。官方发布未说明该适配层的实现方式与覆盖的本体清单。

官方使用了「人类速度」这一表述（信源①）。操作策略的实机执行速度长期是被吐槽的重灾区——很多演示视频靠 3 倍速撑场面。若官方宣称属实，意味着模型推理和控制链路的延迟被压到了可用区间，这是走向产线部署的硬门槛，而不是实验室指标。但由于缺乏未经加速的完整实测视频与第三方测试，该宣称目前只能作为待验证信息对待。

⚡ 电磁手部追踪：67cm/s 下见真章

手上的数据不干净，后面的模型再大也白搭。

OM-1 敢走穿戴采集路线，有一个容易被忽略的前提：手部追踪必须足够准。官方给出了一个对比数据（信源①）：在 67 cm/s 的手部运动速度下，电磁式手部追踪的过冲（overshoot）比视觉-惯性方案低 60%。此为官方单方面公布的测试数据，测试条件、样本量与统计口径未公开。

这个数字背后是很现实的工程取舍——以下为本文基于公开技术常识的分析：视觉追踪在强遮挡、快动作、反光环境下容易丢帧漂移；惯性方案（IMU）则会累积误差。而人手做装配类操作时，速度可能超过 60 cm/s，还频繁被工件和工具遮挡。电磁追踪以发射器建立磁场坐标系，不依赖视线，对遮挡天然免疫——代价是工作范围受磁场覆盖限制，且对金属环境干扰敏感。

另一层设计同样值得咀嚼：官方称 OM-1 的控制层用强化学习训练，并且「跑在自己的时钟上」（信源①）。本文的解读是：感知决策与底层控制解耦——策略层不必迁就控制频率，控制层在自己的节拍内做高频稳定。这种分层架构在双臂协作、接触力敏感的任务里，往往比端到端方案更扛造。但具体的控制频率、解耦接口设计，官方未披露，以下分析均为基于其表述的合理推测。

💰 30 分钟学一个新任务，账要这么算

落地账本上，数据成本只是一半，换产速度是另一半。

以下整段为假设性推演，前提是官方「30分钟学会新任务」的宣称成立——该前提本身未经第三方验证。

如果这一宣称成立，影响最大的可能不是实验室，而是中小制造企业。工业机器人落地最痛的不是买设备，而是集成：换一个工件、改一个工位，传统方案要重新编程调试数天甚至数周。

在宣称成立的前提下，新任务部署流程理论上可以压缩为：工人戴手套演示半小时 → 数据入库训练 → 策略更新部署上机。这将把「换产」从工程师主导的集成项目，变成近乎人人可参与的轻量操作。对多品种、小批量的柔性产线，这是真正的刚需场景。

不过要把话说全：30 分钟数据的训练耗时、算力开销、成功率一致性，官方均未披露。演示「学会」和产线「用好」之间，还隔着良率、节拍、异常处理这三座山。业内有一种普遍的审慎观点：各家发布的学习曲线都很漂亮，客户真正关心的往往是「连续跑八小时的成功率是多少」。（注：此为行业内可公开观察到的普遍现象，非针对本产品的具名信源。）

⚠️ 没开源、没 API，先别急着欢呼

发布即巅峰的行业惯性，值得每个人警惕。

必须泼的冷水是：OM-1 目前没有公开权重、代码或 API（截至发稿，其官方渠道亦未提供技术报告）。这意味着所有指标——人类速度、30 分钟学习、60% 过冲改善——都是自报家门，第三方无法复现验证。

这在国内具身智能行业并不陌生：Demo 驱动的叙事先行，工程验证滞后，最后靠客户现场交付来挤出水分。对 OM-1 这类「数据范式级」的宣称，检验标准应该更苛刻：

• 跨本体的泛化边界在哪？柔性物体、透明物体、精密装配这些硬骨头啃得动吗？
• 30 分钟数据的任务上限是什么？多阶段长程任务还行得通吗？
• 电磁手套的采集成本、佩戴负荷、对操作环境（金属干扰）的要求，规模化后还成立吗？

产业观察的角度看，OM-1 的真正价值不在这一个模型，而在于它把「穿戴式人类数据采集」这条路线顶到了台前：假设性推演——如果人类演示数据可以直接迁移到任意本体，那么数据采集这件事，就有望从具身智能公司的成本中心，变成一个可以外包、可以规模化的独立工种。UMI 与 DexCap 的开源工作已证明这条路线在学术上可行，但「学术可行」到「产线可用」之间，还没有任何团队交出过公开答卷。

参考信源

1. Reward AI 官方发布稿（2025年9月，OM-1 发布），公司官网及官方公众号——本文所有产品指标的唯一来源

2. Zhao et al., Learning Fine-Grained Bimanual Manipulation with Low-Cost Hardware（ALOHA）, 2023——遥操作数据采集成本与质量的学术佐证

3. Chi et al., Universal Manipulation Interface: In-The-Wild Robot Teaching Without In-The-Wild Robots, 2024——手持设备人类演示数据路线的独立学术验证

4. Wang et al., DexCap: Scalable and Portable Mocap Data Collection System for Dexterous Manipulation, 2024——穿戴式手套数据采集的独立学术验证

写在最后

具身智能的竞争，表面是模型竞争，底层是数据范式竞争。Reward AI 的 OM-1 用一副 7 自由度手套，把「不需要遥操作、不需要真机数据」这张牌打上了桌——人类速度执行、30 分钟学新任务、跨工业臂与人形部署，每一项都踩在产业最痛的点上。

但需要再次明确：这些数字全部来自官方发布，UMI、DexCap 等独立学术工作只能证明「穿戴/手持采集」这条路线本身可行，无法替 OM-1 的具体指标背书。封闭发布、指标未经验证，意味着它现在更像一张值得跟踪的牌，而非已赢的牌。接下来半年，看它敢不敢开放复现、敢不敢进客户产线。数据范式的变革从来不靠发布会，靠的是第三台机械臂、第五个工位上的真实良率。