前沿机器人的瓶颈不是算力，不是标注，也不是模型本身
而是数据采集。语言模型可以轻松地在互联网文本上扩展，但机器人需要物理轨迹、电机扭矩和触觉力——这些数据无法简单爬取，每一个 token 都必须付出努力去获取。
以下是对当前塑造行业的七种数据类型的拆解，每种都代表着采集成本与动作标签纯度之间的权衡：
1
真实遥操作Real Teleoperation
代表项目：AgiBot World、DROID。由人类引导硬件采集，随人力投入线性扩展。
2
低成本采集Low-cost Capture
代表项目：Mobile ALOHA、UMI 手持式。降低采集成本的同时保留真实物理特性，但在将人手动作映射到机器人关节时，会引入具身映射问题（embodiment mapping problem）。
3
车队 / 部署数据Fleet / Deployment Data
代表项目：Tesla Optimus、Figure。来自已经在现场工作的机器人产生的轨迹。Tesla 押注其汽车车队基础设施可以迁移到 Optimus。它能产生强大的、真实的边缘案例（edge cases），但需要规模化部署才能获得。
4
仿真Simulation
代表项目：NVIDIA Isaac Sim、Genesis。虽然提供近乎无限的规模，但 sim-to-real 的差距仍然难以建模接触密集的动力学，如滑动、扭转、摩擦。
5
世界模型合成数据World-Model Synthetic
代表项目：NVIDIA Cosmos 3。NVIDIA 刚刚发布了 Cosmos 3，它原生输出动作轨迹（action trajectories），而不仅是视频像素。如果世界模型能准确地原生模拟物理定律，将大幅减少对手动遥操作数据的需求。
6
第一人称视频Egocentric Video
代表项目：Ego4D、Meta Project Aria。通过头戴设备采集的第一人称人类视频。比遥操作更具可扩展性，且更接近机器人自身的视角。但仍不携带任何机器人动作信号。
7
互联网视频Internet Video
来源：YouTube、TikTok。最大规模、最低成本，基本上免费。能捕获最广泛的物体、任务和物理场景，但零动作标签，且（大多数）为第三人称视角。
采集数据只是第一步。
下一个伟大的执行挑战是：设计一套连贯的训练方案（training recipe），将这些异构数据源融合进一个统一的模型。
下一个伟大的执行挑战是：设计一套连贯的训练方案（training recipe），将这些异构数据源融合进一个统一的模型。