3 月 16 日，京东一纸对于建成人人限度最大、场景最全的具身智能数据采讨好心的宣发，在被龙虾抢去风头、千里寂了一段时辰的机器东谈主赛谈砸下重音。
某种兴味上，这是一场带有激烈工业互联网颜色的数据大坐褥畅通。
这次动员涵盖里面超 10 万职工、外部最多 50 万各行业东谈主员，致使在宿迁一地就动员超 10 万市民——这种史无先例的东谈主海战术，试图用限度化的暴力好意思学，强行击穿具身智能现时最致命的软肋：数据荒。
在模子架构迟缓照管、算力门槛相对透明的今天，高质地的物理交互数据已成为决定机器东谈主能否信得过走向千行百业的唯独赢输手。
这场被界说为"东谈主类历史上限度最大的数据麇集行为"的背后，揭示了一个产业共鸣：当具身智能认真畅通收尾的"小脑"日渐发达，若何以更高质地数据喂养出信得过清醒物理世界的大脑，正成为决定行业异日花式的中枢战役。
从京东的弥远叙事走向产业的微不雅现实，这数十万东谈主产生的数据究竟是金矿照旧砂砾，还很难细则。
卷入的打工东谈主
京东之是以勇于，也必须发起这场数据东谈主海战，其中枢逻辑在于其强大且高度复杂的自营实体供应链。
与纯软件互联网公司不同，京东自己即是一个巨大的物理世界互动场，而具身智能的闇练，胜利关系到其异日十年的践约本钱与运营终结。
这一布局与北京亦庄的机器东谈主产业生态酿成深度耦合。
亦庄经济期间开发区当今已蚁合 300 余家机器东谈主相干企业，产业链限度超百亿元，绽开了 40 余个实在利用场景，成为国内东谈主形机器东谈主产业的中枢蚁合区。京东行动扎根亦庄的"链主"企业，此前已发布机器东谈主产业加快筹备。
京东此时大举过问数据采讨好心为代表的软基建，推行上是在补皆产业链最缺失的一环。亦庄提供"躯干"和测试场，京东则试图用海量场景为机器东谈主注入清醒实在世界的学问。
这种软硬结合的产业共振，试图打造一个从数据飞轮到硬件迭代的交易闭环。
数十万东谈主的更始绝非易事。
凭据推敲，麇集场景躲闪物流、工业、零卖等。在推行操作中，这很可能依赖于京东现存的数字化管理网罗。举例让一线快递员、仓储分拣员捎带带有视觉，致使力觉传感器的可衣裳开垦进行平方功课。
从一线职工和被迫员的宿迁市民角度来看，这场畅通充满了复杂性。
职工在无形中成为了机器东谈主的数据憨厚，这些机器东谈主异日的接洽恰是替代高强度的东谈主力服务。若何瞎想合理的薪酬激勉与利益分拨机制，幸免职工的抵拒感情成了京东需要接头的问题。
不外，现时具体若何实施还莫得传导到职工层面。
一位京东的北京地区职工向华尔街见闻默示，当今还莫得传说这件事。在他看来，要是有相应的报恩，应当算是一种市集行为，职工是否餍足参与就看个东谈主的选择。京东在宿迁的一位职工也向华尔街见闻默示，还莫得收到相应的告知。
尽管在官宣的表述中提到，"对所少见据的麇集，京东都将严格照章依规进行"，但现实的情况往往更复杂。
就快递这一场景来说，仓储活水线是圭臬化的，但快递配送深入千门万户、零卖场景触及多半破钞者面部特征与秘密习尚。
在数据合规日益严格的今天，数十万东谈主随身麇集的非结构化数据，其脱敏、清洗的合规本钱可能是一个天文数字。
破题莫拉维克悖论
1988 年，机器东谈主学家汉斯・莫拉维克曾得出这么一个论断：
"让缠绵机在才略测试或棋战中达到成东谈主水平很容易，但要让它领有一岁婴儿的感知和畅通技艺，却极其艰巨，致使险些作念不到。"
今天具身智能对于莫拉维克悖论的主要映射，讨好在行业的数据真空上。
大模子们的得胜，设立在胜利磨灭互联网三十年累积的万亿级高质地文本语料之上。但物理世界并莫得一个现成的互联网。具身智能要念念在实在世界跑通缩放定律，濒临的是沿途巨大的数据墙。
京东的这次大动宣战，所对准的恰是这一锚点以及数据麇集背后的逆境。
第一，仿真局限性的问题有待责罚。
现阶段，行业取得数据的主流旅途仍是发生了严重的分化，并在各自的瓶颈中苦苦挣扎。
当今绝大多数初创公司高度依赖仿真环境，如英伟达的 Isaac Sim 或 MuJoCo 等物理引擎，让机器东谈主在臆造世界中进行千万次的强化学习。这种方式本钱极低、速率极快，且不需要缅想试错导致的硬件损坏。
然则，资深从业者们越来越深切地意志到" Sim-to-Real（仿真到现实）"的局限性。
物理世界的复杂性不仅在于视觉上的光影变化，更在于极其奥秘的物理战斗反馈，举例线缆的柔性形变、衣服的非刚性拉扯、螺丝拧入时的轻细摩擦力变化，致使是传感器自己的电磁噪点。
当今的物理引擎算力，无法齐全模拟这些高维、非线性的微不雅物理规矩。这导致很多在仿真环境中证据齐全的模子，一朝部署到真机上，就会出现严重的"脑梗"或动作失真。
既然仿真有领域，那就回到实在世界。
从斯坦福爆火的 Mobile ALOHA，到如今 Figure AI、宇树、智元等头部企业，都在多半使用遥操作——即由东谈主类衣裳动捕服或使用 VR 开垦，像收尾阿凡达一样操控机器东谈主奉行任务，从而记载劣等一视角的视觉、重要角度和力矩数据。
这是当今被公认质地最高的数据取得方式，不外，这遇上了数据麇集在交易上的第二大问题，即极不得当经济效益的过问产出比。
据行业测算，单台全尺寸东谈主形机器东谈主的硬件本钱动辄数十万致使上百万，而通过遥操作麇集有用数据，不仅需要不菲的硬件折旧费，还需要支付不菲的专科操作员东谈主力本钱。
华尔街见闻了解到，单条高质地的复杂交互任务数据，其麇集和清洗本钱可能高达数百好意思元，且失败率极高。
这种作坊式、手搓数据的模式，无法维持具身智能走向通用化所需的百亿、千亿级参数限度。
为了镌汰门槛，谷歌等巨头发起了 Open X-Embodiment 等开源数据集筹备，试图讨好人人各大实验室的数据供全行业使用。国内也有企业选择开源百万级的真机数据集。
但这里荫藏着数据麇集的另一大逆境，一个巨大的工程难题，即机器东谈主硬件骨子的十分碎屑化。 狗型、轮式、双足东谈主形，致使不同厂家的东谈主形机器东谈主，其重要解放度、电机扭矩、传感器布局和重点结构都绝对不同。
一台在 UR5 机械臂上检修出来的高质地抓取数据，根底无法胜利平移给一台特斯拉 Optimus 或京东的物流机器东谈主使用。
恰是"跨骨子映射"的艰巨，导致现存的开源数据大多变成了洒落的孤岛，难以酿成限度效应。
大要恰是在上述三大逆境之下，具身智能赛谈的交易竞争逻辑仍是发生了本质的改变：谁领有实在的落地场景，谁就领有了陆续取得廉价、高质地闭环数据的护城河。
这就诠释了为什么特斯拉和京东选择了与其他纯硬件初创公司截然有异的路子。
特斯拉依托其强大的超等工场，让 Optimus 胜利在实在的电板分拣活水线上昼夜试错；而京东则试图通过其触达世界的物流网罗、数十万的产业工东谈主和强大的实体零卖体系，打造一条半自动化的数据活水线。
这种叮嘱，是将企业的供应链壁垒胜利变调为 AI 时期的数据壁垒。
与之酿成昭着对比的是，很多莫得自有场景的机器东谈主初创公司，必须被迫转型——他们要么圆寂向高校和科研机构廉价兜销硬件，以此同样商榷者们分享使用数据；要么只可花重金去工场租出容貌，或者雇佣像简智这类新兴的具身智能数据服务商来定制数据。
不错说，京东的入局澈底撕开了具身智能行业的算法面纱，将其拉入了一个拼资金、拼场景、拼东谈主力更始的重钞票交易拼杀期。
在数据荒眼前，算法的护城河正在变浅，而掌持实在物理世界交互进口的巨头，正在悄然抓住这张通往 AGI 的大网。
更稀缺的高质数据
面对京东筹备"两年内累积超 1000 万小时实在场景数据"，业内东谈主士的反映并非一边倒的狂热，更多是安宁的凝视。
在具身智能的语境里，数据的质与模态，远比单纯的时长伏击得多。
算法行业指出现时的核肉痛点：现时缺的不是东谈主类视角的第一东谈主称视频，而是包含精准物理反馈的"现象 - 动作对"。
比如，宿迁市民带着录像头逛超市，或者快递员记载下送货过程，这产生了海量的互联网级泛化视觉数据。
这些数据对于检修机器东谈主的世界模子，让它清醒什么是门、什么是苹果极具价值；但对于检修机器东谈主的"收尾计策"，让它知谈用多大牛顿的力去捏住苹果而不捏碎，这类纯视觉数据险些是无效的。
一位从事机器东谈主行业的东谈主士对华尔街见闻默示，机器东谈主缺的是有价值的数据，尤其是机器东谈主真机数据。在其看来，京东这一操作照旧属于经由外包的 BPO 生意，提供东谈主员和容貌。
东谈主类在进行物理抓取时，伴跟着极其复杂的触觉、力觉和骨子空间坐标微调，这些高维度的隐性知识，庸碌的可衣裳开垦根底无法捕捉。要是京东的几十万东谈主力仅仅在孝敬视频，那自后期变调为机器东谈主可奉行为作的损耗率将高得惊东谈主。
另一位国内头部机器东谈主企业认真东谈主曾直言，行业的紧要难题是"清寒合股的数据集界说圭臬"。
举例，每一家机器东谈主公司的重要解放度、传感器位置、驱动器类型都不一样。京东麇集的海量东谈主类动作数据，若何重定向映射到不同构型的机器东谈主骨子上？
要是清寒合股的底层圭臬，这 1000 万小时的数据最终可能只可变成京东自研机器东谈主的罕见养分，而难以成为鼓吹全行业逾越的基础法式。
这大要恰是京东为安在首年推敲中，至极强调了" 100 万小时的机器东谈主骨子数据麇集"。行业信得过的发展办法，是用来贯通世界的东谈主类泛化视频预检修 、用来学习技能的机器东谈主骨子高质地数据微调，和用来进化迭代的强化学习自我探索。
京东告示建造具身智能数据采讨好心，标识着国内企业启动尝试用限度化、工程化的技巧来支吾机器东谈主产业的数据短缺问题。
通过实体场景与大限度东谈主力的结合，如实能为数据累积提供一种新旅途。
但要信得过齐全机器东谈主的"智能透露"，仅靠数据限度的堆砌并不及够。
如安在海量采讨好保险数据的高维度与高质地体育游戏app平台，若何设立合股的数据圭臬，以及若何妥善处理限度化采讨好的秘密与合规问题，将是企业和统共行业在迈向交易化阶段必须解答的课题。