老师傅，成了具身智能行业稀缺的数据源。

在今年WRC现场，启智展示了一套名为HALO的技能服，喷涂工握住喷枪，厨师拿起锅铲，设备同步记录第一人称视觉，以及空间深度，手部触觉，肌电信号和身体姿态等，工人照常干活，操作过程则被转换成模型可以处理的数据。

喷枪经过拐角时怎样控制速度，夹取易碎物品时用了多大力量，翻炒过程中手腕如何配合身体移动，很多经验很难写进操作手册，却决定了最终的作业质量。启智希望借助HumanGPT，把这些藏在熟练工人身体里的经验提取出来，再交给不同形态的机器人。

具身智能公司曾经热衷于展示机器人跑得多快，手指有多灵活，模型参数有多大。进入工厂后，竞争标准迅速变得朴素且直接，机器人能否稳定干活，换一批工件后是否还会干，学会一项技能需要花多少钱。

模型要回答这些问题，首先需要真实数据。工业现场可能是高质量数据最难获取的地方，懂工艺的人不会遥操作机器人，会遥操作机器人未必懂喷涂和焊接。启智据此设计了一条新的技术路径，让工人直接贡献技能，再通过HumanGPT和RobotGPTs完成人机之间的迁移。

这也是行业正在发生的迁移，机器人公司交付的内容，已经越过硬件本体，延伸到技能的采集，训练和持续更新。

一项技能，怎样被拆给机器人

目前，具身智能行业广泛采用遥操作采集数据，采集人员佩戴头显或手套，远程控制机器人完成抓取和搬运，机器人在操作中生成视觉和运动数据，随后被送入模型训练。

遥操作得到的数据与机器人动作天然对应，局限也很明显，数据往往和特定本体紧密绑定，同一个动作换到另一款机器人上，关节数量，机械结构和控制方式都可能变化，机器人硬件迭代后，前期数据的复用价值也会下降。

此外，工业场景还多了一道工艺门槛，整理桌面和叠衣服属于常见生活技能，喷涂和焊接需要长期训练。企业很难培养一名懂喷涂的数据采集员，再让他熟练遥操作机器人。经验丰富的产业工人才是更合适的数据来源。

HALO技能服让工人在正常作业中提供数据。新版设备可以同步记录第一人称视觉，空间深度，手部触觉，肌电信号和全身姿态。动作发生在真实场景中，工人如何握住工具，接触物体时用了多大力量，身体各部分怎样配合，都可以进入数据集。

数据采集之后，完整任务还需要分层处理，炒菜可以被拆成抓，拿，取，放，捏和推等原子技能，多个原子技能组成切菜和翻炒，再组合为完整任务。训练抓取能力时，平台可以检索不同场景中带有抓取标签的数据，无须局限在某一道菜或某一台机器人上。

分层处理给数据复用留下空间，机器人进入新的垂直场景时，可以调用已有的原子技能和组合技能，新增数据主要补充行业工艺与现场差异。

启智相关负责人没有给出训练一项技能所需的数据门槛，他们认为，单独讨论一万小时，十万小时或百万小时的数据量，参考价值有限，更实际的方法是采集一批数据，训练模型，检查效果，再决定下一轮补充哪些内容。

按照启智的计划，其希望在今年11月前积累约十万小时数据，其中大部分由合作方在真实场景中采集。公司内部还搭建了厨房场景，持续记录真人做菜的过程，后期项目会逐步加入机器人操作，让烹饪任务在人与机器之间完成迁移。

机器人公司还在卷数据规模，工业客户更关心模型学到的能力能否稳定输出到业务场景。

HumanGPT，为什么还需要RobotGPTs

启智HumanGPT采用分层架构，模型根据多模态信息理解环境和任务，生成连续的人类动作，动作会被映射到SMPL标准人体表征中，不直接绑定某款机器人的关节。

标准人体在系统中承担一层中间表达的作用，人的技能先以统一形式保存，再由RobotGPT翻译成具体机器人可以执行的动作。

双足人形机器人，轮式双臂机器人以及工业机械臂拥有不同的自由度和运动范围。RobotGPTs需要结合本体的运动学与动力学特征进行适配，启智目前主要采用强化学习完成相关迁移。

这种设计减少了数据与机器人本体之间的绑定，一段真人采集的数据，可以保留为人类技能资产，再根据任务需要迁移给不同构型的机器人。机器人更新换代后，前期数据仍有机会继续参与训练。

技能的通用范围依然有限，分拣场景积累的数据可以服务相近任务，线束整理涉及另一套物理关系和工艺要求，通常需要单独训练垂直模型，启智选择先处理边界清晰的行业问题，形成稳定方案后，再复制到相似场景。

类似地，技能服务也改变了工业机器人集成商的工作内容。

传统集成商负责安装机器人，设计工装夹具，编写程序并完成现场调试，模型进入生产系统后，交付流程增加了数据采集，模型微调，效果验证和持续更新。

在这套体系里，大衍数据平台负责数据治理和模型训练，墨斗IDE承担任务编排与仿真，OpenmindOS连接机器人本体，HumanGPT提供人类技能模型。客户最终买到的产品，可能是一台复合机器人，也可能是一套焊接或喷涂方案，平台提供的是技能和交付技能的方法。

工业现场作为检验标准，机器人需要保持稳定节拍，处理工件变化，还要满足客户对投资回报的要求。启智判断，工业客户通常可以接受约两年的投资回收期，也就是通过节省人工成本和提升产能，在两年左右收回机器人及配套系统的投入，而启智本身更重视客户复购和跨客户批量应用，被也视为更直接的落地指标。

具身智能商业化可能催生一条新的技能供应链，熟练工人的经验被采集和标注，经过模型训练后交付给机器人，再根据产线数据持续更新。焊接，喷涂，分拣和烹饪会逐渐形成各自的数据集与技能模型。

机器人公司交付的内容随之增加，一台机器之外，还包括它学过哪些技能，能在哪些场景稳定工作，以及下一项技能需要付出多少训练成本。（本文首发于钛媒体APP，文 | TechPulse，作者 | 张帅，编辑 | 杨林）