全行业两年攒下百万小时数据，影溯想1个月生产完：全国首个具身仿真数采中心落地杭州
产能公式从“人×小时”，变成“环境配置数×并行算力”。
作者丨 幸丽娟
编辑丨 岑 峰
训练一个可用的具身智能模型， 需 要千 万小时 的多模态交互数据；而 现实仅有百万小时 ，剔除低质部分后，真正可用的更少。
缺数据，是具身智能行业的共识。
但只盯着“数据”这两个字，会错过更关键的问题：
一台机器人在固定货架前抓取，成功率可以很高。货架挪个方向，目标前多放一排饮料，换一侧伸手，成功率就往下掉。练过的，它能一遍遍做对；没练过的，它连手该从哪边伸都不知道。
行业缺的不只是数据量，还有“数据里的变化”。
过去两年，补缺口的主流办法是建场地、加采集人手。
据中国信息通信研究院，截至今年6月底，全国共建成启用超过70家训练场，另有40 余家在建或规划。
然而，大量训练场集中在叠衣服、收拾桌面、分拣搬运这类易展示任务上，复杂长程任务挖掘严重不足。数据小时数在涨，模型见过的空间布局没涨。
问题出在扩容的对象上。加场地，加采集人手，扩的是同一批场景的采集次数——货架还是那个货架，只是多采了几遍。
多样性要涨，靠的是条件变多 ： 布局、遮挡、物体组合、接近路径，每多一种都是一次重新排列。
而一个训练场里能有多少种排列，取决于它被布置成什么样；改一次布置，采集流程就得跟着重走一遍。采集的人力、时间成本数倍往上叠。
产能越加越大，多样性原地踏步。行业真正卡住的地方，不是“采得不够多”，而是 “变一次太贵” 。
来自空间智能赛道的影溯，给出了另一种解法：不只采得多，还要穷尽空间的各种排列组合，采得“不一样”。
10月29日， 影溯 在杭州正式落地 全国首家以仿真为主的具身智能数采中心 ，目标将产能拉升至 月产百万小时级数据。
它以三维场景重建与生成为核心，把真实空间、生成式模型与仿真能力接到一起，做一套 可编辑、可复用、可扩展 的环境与数据供给体系。
在“真实数据为王”的共识里打出“仿真”的旗号，需要底气。
这种底气，源自影溯直接变革数采方式，同时解开数据多样性和产能两大“卡点”；更源自，它自己作为一家空间智能基模公司，最知道模型需要什么数据，以及什么才叫真正的高质量数据。
01
数据产能和多样性，
卡在“每加一种变化就重来一遍”
要看懂影溯的选择，得先看清楚它要替代的数采流程，成本到底花在哪。
EGO第一视角采集与遥操作，是具身智能获取真实行为数据的两种主要方式。EGO需要人员进入环境、完成操作；遥操需要操作者持续参与，并适应具体设备和任务。两者方式不同，但都绕不开“人”。
绕不开人，就绕不开组织。新增一种空间布局，补充一类操作条件，流程就得再走一遍：找场地，约档期，把人凑齐，设备调好，采完拆掉。
此外，采集人员的任务熟练度、操作习惯，以及对不同设备的适配程度，也会直接影响采集效率和数据一致性。
重组流程不仅繁琐，而且还没法并行。场地要一个一个谈，人要凑齐了才能开工，采完的场景拆掉就没了。
于是每增加一种变化，就要重付一次全额的组织成本。
这就是多样性涨不上去的真正原因：不是行业不想加条件，是每加一种，就得从头组织一遍，成本线性叠加。
影溯要做的，就是把这个成本降下去，同时把数据多样性拉上来。
在仿真环境里，空间布局、物体位置、遮挡关系和任务条件可以通过生成、编辑与组合来扩展，不必为每一种变化重新安排实体场地和人员操作。 同一项任务可以被放进不同的环境条件里，覆盖那些真实采集中很难穷尽的变化 。
对算法团队来说，它是扩展训练分布、复现失败条件的空间；对机器人本体厂商而言，它是一套能够反复配置和验证的环境基础。
数据多样性与产能的同步提升，还来自数据生产全流程的并行计算。
基于少量真机或遥操示范种子，系统结合运动规划、策略驱动与自动化物理质检，在 数百个并行环境 中自动批量合成对齐了 RGB、深度、分割、6D 位姿与动作指令的闭环轨迹。环境能重复使用，条件能批量调整，数据生产的规模由此随算力和任务系统扩展，而不再只随人数线性增长。
两种范式的分野就在这里：过去两年行业比的是谁的场地多、采集员多， 产能公式是“人×小时” ，小时数在涨，条件空间并没有涨； 影溯数采中心的公式是“环境配置数×并行算力” ，每多一种配置，就多一组条件覆盖，多样性跟着算力一起扩。
基于这套体系，影溯数采中心有望实现月产百万小时（或日产十万小时）的数据生产能力——这意味着 单中心短期运转的有效产出 ，就能跨越全行业过去两年攒下的 数百万小时存量总和 。
而比这些数字更关键的，是它指向的工作方式的革新： 模型在哪类遮挡、布局或操作条件下出问题，就针对这些条件扩展环境、补充样本、开展回归测试，把从发现问题到再次验证的周期压短。
数据生产与研发贴得越紧，“如何生产出高质量高需求数据”才有了方向可依，也能 少走“采了大量、却用不上”的弯路。