机器人没有互联网数据：一张数据引擎与 Scaling Law 地图

机器人缺的不是“数据”两个字，而是带动作标签、覆盖足够多样性、还能在真实硬件上执行的数据。这三件事同时满足，才是有用的数据。本文梳理真机遥操作、仿真合成、人类视频三条路线，以及它们之间并不总是正向的 scaling 关系。文中数字优先引用论文或官方页面；二手口径和未验证内容不写进结论。

先说结论

机器人没有互联网级的动作数据。网络视频可以无限增长，但大多数视频没有机器人动作标签；真机遥操作标签最干净，却要按人力和场地线性付费；仿真可以把几百条演示放大成数万条轨迹，但 sim-to-real 差距会把一部分“免费数据”折价。

所以机器人数据引擎不是某一条路线，而是三条路线的组合：真机负责校准与质量，仿真负责放大，视频负责扩展行为和场景的上限。

最值得记住的 scaling law 也不是“数据越多越好”。《Data Scaling Laws in Imitation Learning for Robotic Manipulation》（arXiv:2410.18647）在有限任务范围内观察到，环境与物体的多样性比同一环境里继续堆演示更重要；而 2026 年的《Rethinking VLA Model Scaling》（arXiv:2602.09722）进一步显示，动作表示没有对齐时，继续加入异构数据可能产生负迁移。

机器人 scaling 的第一变量是数据覆盖的世界，第二变量才是数据条数。

三条数据路线，解决三个不同问题

flowchart LR
    A["真机遥操作<br/>动作标签精确"] --> D["校准真实物理<br/>接触与失败"]
    B["仿真合成<br/>边际成本低"] --> E["放大场景与轨迹<br/>补长尾"]
    C["人类视频<br/>规模最大"] --> F["扩展行为先验<br/>提供高层计划"]
    D --> G["混合数据引擎"]
    E --> G
    F --> G
    G --> H["VLA / WAM 策略"]

真机遥操作回答“动作到底是什么”。 Open X-Embodiment 把 21 个机构的数据合在一起，形成 100 万条以上轨迹、22 种机器人本体的联合数据集。DROID 则把采集做成分布式流水线：多地点、多场景、多人操作，收集真实世界的长尾。它们的共同点是动作标签天然来自机器人本身，缺点是每增加一小时数据，都要增加设备、操作员和质检成本。

仿真合成回答“怎么把少量经验扩成大量变化”。 MimicGen 的基本思路是：把少量人工演示拆成可重放的子动作，再在不同初始状态和场景里组合。RoboCasa 把这种思路扩展到厨房与家庭任务。合成轨迹的动作标签干净、数量可扩展，但它们只在仿真器定义的世界里正确。

人类视频回答“机器人还没见过哪些行为”。 VPT 先用少量动作标注训练逆动力学模型，再给大规模无标签视频伪标注；MimicPlay 让人类视频只负责高层 latent plan，低层动作仍由机器人数据学习；EgoMimic 和 GR-2 则尝试把人类视频纳入视觉预训练或跨本体共训练。它们不是把“看人做事”直接变成“机器人会做”，而是把视频当作行为先验。

Scaling law 的关键不是数量

《Data Scaling Laws in Imitation Learning for Robotic Manipulation》给出了一个很反直觉的结果：当任务覆盖的环境和物体种类增加时，成功率可以呈现近似幂律增长；但在多样性已经足够之后，继续在同一个环境里增加演示，边际收益会迅速降低。

这很好理解。机器人如果只见过同一张桌子上的同一个杯子，采集一万条演示，主要学到的是这个桌面和这个杯子的固定关系；换一批物体、换一个摆放位置，策略依然可能失败。少量覆盖不同环境的演示，往往比大量重复演示更有信息量。

数据变化	可能学到什么	常见结果
同一物体、同一环境，重复更多演示	动作平均化、固定视觉线索	训练集提升快，换场景收益小
增加物体外观与初始状态	视觉变化与抓取策略	泛化更明显
增加环境与布局	任务结构与空间关系	长期收益更大
增加本体但不对齐动作空间	多域梯度混合	可能负迁移
加入失败与恢复片段	异常状态与重规划	真实部署更稳，但标注更贵

2602.09722 把“动作对齐”单独拿出来做消融。它在 LIBERO 上观察到，EEF-relative 表征产生正向迁移，而世界坐标系表征可能出现轻微负迁移；在数据配方上，OXE-only 的冻结 VLM 配置达到 77.3%，加入真实 EEF 数据后降到 73.8%，再加入仿真 EEF 数据后降到 72.1%。这不是“仿真没用”，而是未对齐的数据不能靠数量自动变成互补信息。

产业数据引擎长什么样

公开资料里，Physical Intelligence、NVIDIA 和 AgiBot 的路线很不一样，但都遵循“真机起步、混合放大、部署回流”的结构。

Physical Intelligence 在 π0 中使用了 1 万小时以上的机器人数据和多种机器人配置，核心是自建操作员团队与公开数据混合。NVIDIA GR00T N1 把真机轨迹、人类视频和合成 neural trajectories 放在同一套训练配方里，试图让人形模型既有动作标签，也有更广的视觉先验。AgiBot World 则把遥操作做成数据工厂，公开了百万级真机轨迹和多本体数据。

这几种做法都说明：所谓 data flywheel 不是部署后神奇地产生数据，而是一个具体的生产流程：