⚛️量子位•較早收集於 59m
72天，從0到千萬小時產能，具身「新銳派」接管數據賽道？
💡72 天擴至千萬小時，解鎖具身 AI 機器人訓練海量數據（28字元）
⚡ 30-Second TL;DR
有什麼變化
72 天達成千萬小時產能
為什麼重要
快速擴展預示具身 AI 數據供應轉變，為開發者提供高容量數據集訓練物理 AI 模型。
下一步行動
註冊物理 AI 數據平臺，獲取千萬小時以上具身數據集。
誰應關注：Researchers & Academics
關鍵要點
- •72 天達成千萬小時產能
- •推出物理 AI 數據一站式平臺
- •瞄準具身 AI 數據領域主導
🧠 深度解析
本篇為 AI 生成分析，非原文內容。
🔑 增強重點摘要
- •該公司透過大規模部署模擬環境與自動化數據標註管線，解決了具身智能領域長期面臨的『數據荒』與高昂標註成本問題。
- •其平臺整合了從數據採集、清洗、增強到模型訓練的全流程，特別針對機器人操作（Manipulation）與導航（Navigation）任務進行了優化。
- •此產能擴張依賴於其自研的合成數據生成引擎，能將真實世界數據與物理模擬數據進行高效融合，顯著提升了機器人在複雜環境下的泛化能力。
📊 競品分析▸ Show
| 特性 | 該新銳公司 | Scale AI | NVIDIA Isaac Lab |
|---|---|---|---|
| 核心定位 | 具身 AI 數據一站式平臺 | 通用數據標註與訓練 | 機器人模擬與訓練平臺 |
| 數據生成 | 強調合成數據與物理模擬融合 | 強調人類反饋與真實數據 | 強調高保真物理模擬 |
| 價格模式 | 專案制/訂閱制 | 按量計費/企業級合約 | 軟體授權/生態整合 |
🛠️ 技術深入
- •採用基於物理引擎（如 PhysX 或 MuJoCo）的閉環模擬系統，實現數據的自動化生成與驗證。
- •引入多模態數據對齊技術，將視覺、觸覺與本體感覺數據進行時序同步，以適應具身智能模型的訓練需求。
- •利用主動學習（Active Learning）演算法，自動篩選高價值數據樣本，減少冗餘數據對訓練效率的影響。
- •支援大規模分佈式訓練架構，可將千萬小時級別的數據集快速分發至 GPU 集群進行模型微調。
🔮 前景展望AI analysis grounded in cited sources
具身智能數據服務將成為機器人產業的基礎設施。
隨著機器人落地場景複雜化，數據的質量與規模將直接決定模型在物理世界的泛化表現。
合成數據將在未來兩年內佔據具身 AI 訓練數據的 60% 以上。
真實世界數據採集成本過高且難以覆蓋極端邊緣情況，合成數據是擴展數據規模的唯一可行路徑。
⏳ 時間線
2026-02
公司啟動具身 AI 數據平臺研發，確立千萬小時產能目標。
2026-04
正式對外宣佈達成 72 天從零到千萬小時產能的里程碑。
📰
AI 週報
閱讀本週精選 AI 大事摘要 →
👉相關動態
AI 策展新聞聚合。所有內容版權歸原始發布者所有。
原始來源： 量子位 ↗
每週 AI 簡報
每週一封，可隨時退訂。