无本体和后训练模式，正在逼着近百家数采厂转型和撤退。

01 数采厂正在关键转折点上一场主动的撤退2026 年 8 月 28 日多家媒体报道北京首个人形机器人数据训练中心已停止运营。这个中心 2025 年 3 月在石景山首钢园揭牌占地约 3000 平方米部署过 100 多台机器人搭了家庭康养、特种作业、新零售、汽车装配、机器人新餐饮、3C 电子工厂等十大实景场景年产出超百万条多模态数据。石景山区方面当初的预期是年数据交易超 100 万条三年内形成 50 亿元规模的机器人数据服务市场。但核心设备与技术的提供方睿尔曼智能已经撤出。这家公司成立于 2018 年主营关节模组、机械臂和轮式机器人2026 年 3 月完成近 5 亿元 C 轮融资8 月启动创业板上市辅导。从睿尔曼后续公开回应来看这更接近一次主动的模式调整从集中式实验室采集进一步转向真实作业环境中的数据采集与训练。这一点决定了这件事该怎么读倒下的不是一家数采场是一种数采模式。全国已经布局超过百家的具身智能数采与训练场接下来都会面对同一个问题当行业从“有没有数据”进入“数据是否有效”的阶段传统数采场还能提供什么新的价值原文链接无本体和后训练模式正在逼着近百家数采厂转型和撤退。02红海按条计价的生意为什么撑不住即使完全不讨论外部因素只看数采本身的供需关系传统按条计价模式也正在触碰越来越明显的天花板。原因并不复杂随着行业数据供给快速增长数据条数与模型能力提升之间的关系正在变得越来越弱。标准模式过去两年国内数采场的模式高度一致租一块场地搭若干个实景场景批量采购不同厂商的机器人本体招一批采集员用遥操作操作员通过手柄、动捕或主从臂驱动机器人录制动作按轨迹条数/有效数据时长向模型公司结算。这个模式跑得很快。据中国信通院等机构 2026 年 8 月发布的《具身智能训练场研究报告2026 年》全国已建成的具身智能数采 / 训练场超过 70 家另有 46 家在建及规划中总布局超过 110 家。睿尔曼自己的复盘睿尔曼给出的撤出理由公开可查的有三条一是环境太干净。该公司相关负责人对南都记者表示实验室遥操采集是在封闭的标准化场景中完成动作录制环境参数可控、光照固定、场景相对单一产出的数据无法覆盖真实世界中光线干扰、物料偏差、场地不平、工况异常等不可预知的物理变量导致机器人的环境泛化能力一般。二是重资产纯投入。场地建设、专用设备、专职数采团队都要单独投所有成本都是纯研发投入没有业务收入摊薄。三是单位有效数据成本高。这是前两条的乘积——由于数据泛化性有限大量采集的数据无法落地应用折算到可落地的有效数据上单条成本很高。睿尔曼董秘把石景山定义为公司数据采集的 1.0 版本完成了从 0 到 1 的验证积累了千万级轨迹片段数据但本质上仍是实验室场景。用该公司的话说实验室遥操数采解决有没有数据的问题到真实作业环境中远程遥操数采解决的是数据好不好的问题。但真正的病因在商业模式不在泛化性泛化性差是症状。病因是一句更简单的话**数采场卖的是轨迹条数客户买的是模型能力提升。**这两者之间的转换率极低而且数采场既不掌握、也看不见这个转换率。这个错配在早期是被掩盖的。当行业整体处在无真机数据可训的阶段条数和能力近似成正比——任何一条数据都在填一片空白所以按条计价是成立的、公平的、可结算的。睿尔曼说石景山解决了具身智能无真机数据可训的早期空白问题支撑了基础动作模型的搭建这句话是真的。但基础数据一旦够用这条正比关系就断了。断了之后问题变成客户没法验收。他不知道这一万条让模型好了多少只能砍价。数采场没法提价。它无法证明自己这一万条比隔壁那一万条更值钱只能拼产能。七十多家已经建成的场子在同一个无差别计量商品上正面相撞后面还排着四十多家。还有一个后果值得单独说按条计价不需要看懂模型。所以进场门槛几乎为零。一个不懂具身智能的运营团队只要能租到场地、买到机器人、招到人就能开工计件。这类模式在数据供给稀缺期能够快速释放产能但当行业进入下一阶段仅依赖场地、人力和工时形成的竞争力将越来越有限。这一点先记在这儿下面第 4 节要用。03 为什么是现在两件事同时发生了数采场要转型这个判断2024 年也有人说。它在 2026 年才真正成立是因为两件事撞到了一起。第一件事无本体采集把采数据赶出了场地今年以来不依靠机器人本体的无本体采集兴起——人自己戴着采集设备从第一人称视角技术上叫 egocentric就是从自己的眼睛和手的角度记录在真实环境里采绕开真机遥操的高成本和低效率。关键在于为了把这种采集做到规模化机器人厂商发动的是宝妈、店员、工人这些在真实环境里本来就在干活的人而不是向实验室环境下的数采场采购。Interact Analysis 的报告发现一些数采场开始引入无本体采集模式。但南都援引的一位具身智能公司数采业务人士说得更直接自从转向无本体模式后其公司停止了和数采场的合作同时要求数采外包供应商不能在专门搭建的数采场内采集无本体数据。第二件事真机 RL 被写进了基础模型的主线配方先把话说住免得说过头RL 不是新东西也没有取代模仿学习。在这批数采场建起来的时候RL 作为一种训练范式早就成立一直有团队在用到今天也仍然有大量团队在纯模仿学习的路子上做得很好。这不是一次改朝换代。变的是它的位置。以 Physical Intelligence 的 π 系列为例π₀2024和 π₀.₅2025的机器人策略训练本质上是模仿学习——把人演示的动作当作标准答案让模型去复现。到了 π*₀.₆ / RECAP流程变成先在演示数据上做离线 RL 预训练再用目标任务的演示数据做一轮 SFT然后进入**部署 → 让模型自己跑 → 收集经验和人类干预 → 重训 → 再部署的迭代。**注意模仿学习并没有被换掉它仍然是底座RL 是加在上面的一层提升的是成功率、速度、流畅度和特定的失败模式。所以真正的变化不是出现了 RL而是真机 RL 从一个可以在实验室里做的研究选项变成了写进通用机器人基础模型主线配方里的一道工序。研究选项和一道工序的区别在于工序要**反复跑、按量跑、跑在真实本体上。**而这道工序的输入是三样东西——模型自主 rollout模型自己开着机器人跑、reward 与价值信号、以及人类干预。技术细节晚点第 3 节讲。这里只需要注意一个事实在一个 SOTA 训练配方里明确写着一个必须有物理场地、真实机器人和真人在场的环节而且这个环节要按量重复。一件要按量重复的事才可能变成一门生意。于是瓶颈换了位置——旧业务的杀手正是新业务的来源这两件事撞在一起产生了一个反直觉的结果。无本体采集杀死了数采场的旧业务。但它同时也把整个行业的瓶颈从“我没有数据。”推到了“我有一堆数据模型也训出来了可它在真实任务上成功率 40%。我不知道它差在哪也不知道下一批该采什么。”前一个问题无本体采集解决了后一个问题它一点也没碰。原因是无本体数据在训练流水线上的位置——它覆盖得了前两段覆盖不到第三段。预训练阶段。无本体数据极其好用而且是目前最便宜的规模化来源。视觉语义、任务结构、物体可供性affordance这些先验人的第一视角看得清清楚楚。动作微调阶段。开始吃力但可以补。人手不是夹爪第一视角里没有关节反馈、没有力这个本体差异embodiment gap得靠一批真机数据收口。这一步仍然是离线的仍然可以外包。再往后。绕不过去真机强化学习。模型得自己开着机器人在真实任务上跑跑出成功也跑出失败才知道该往哪儿改。这一步没有离线替代品——它的输入必须由这个模型此刻的行为生成谁也没办法提前替它采好。所以无本体采集真正干的事是把前两段的成本压到极低于是**把所有人都更快地推到了第三段。**而第三段的瓶颈不是数据量是有没有地方让模型跑、有没有人在它失败的时候接手。而验证模型、定位失败、在失败点补数据这件事拆开正好是三笔生意且每一笔都必须落在物理场地上体检要求场景可复现——同样的光照、同样的物料位置、同样的初始状态否则两次测试的分数不可比。这恰恰是遥操采集模式下被当成缺点的环境太干净。但这里可控控的是测量条件不是任务难度能复位的是光照和初始状态这些能不能对齐不是把任务本身变简单——跑的活儿还是要贴近真实工况只是每次都从同一个起点开始这样两次打分才能比。同一个属性在采集生意里是缺陷在评测生意里是刚需。所以场地的身份要换从数据源变成练习场。说白了体检、诊断、补课都在这儿发生。它是一家专门开给机器人大脑的辅导班。这件事语言模型那边已经做过一遍大语言模型的训练配方就是这个形状行业里叫 RLHFreinforcement learning with human feedback用人类反馈做强化学习——模型自己生成人来判好坏再拿这个信号回去训。差别只在于人来判好坏这一层发生在哪儿语言模型的那一层一个网页前端就收完了用户点个赞或者踩就是一条数据具身智能的这一层网页收不了——人得站在机器人旁边等它出错然后伸手。脑训练中心就是具身智能的那个前端。只不过它不是一个网页是一块场地、一批机器人和一群人。04 RL 是一种训练范式不是一种模型架构这一节要回答第上面3.4 节的商业模式赖以成立的技术问题为什么客户的模型必须部署在环为什么模型自己跑出来的数据比采集员遥操出来的数据贵得多先澄清一个常见误解行业里经常把我们做 VLA和我们做 RL当成两条路线在比较。这是范畴错误。VLA 是架构——视觉语言动作模型长什么样。RL 是训练范式——你拿什么信号去更新它。同一套架构喂不同结构的数据、换不同的目标函数就是不同的范式。π 系列的演进正好是一个干净的例子架构是连续演进的叠加上去的是新的训练范式π₀、π₀.₅学人当时做了什么。π*₀.₆还要学哪些经验更好。这件事有个直接的商业含义下面要用到客户不需要更换模型架构就能接入一个 RL 化的数据服务。接入门槛几乎为零。【技术盒非技术读者可跳过】π₀ 的训练目标是条件 flow matching把演示动作加噪训练网络还原出演示动作的分布。整个过程中没有 Q(s,a)、没有价值函数、没有 reward 最大化。π₀.₅ 架构上更复杂离散 FAST 动作 token 连续动作专家损失是交叉熵加 flow matching 两项但学习范式仍然是监督的——它的预训练可以还原成标准的 VLM 式 token 预测。RECAP 的变化在于引入了价值函数从而可以算出优势advantageA(s,a) Q(s,a) − V(s)有了这一项演示动作就不再被默认当成同等正确。优势大的动作和轨迹在策略训练中获得更大权重。RECAP 作者自己也说明初始的模仿学习策略已经能做出合理动作RL 在此之上提升的是成功率、速度、流畅度和特定失败模式。RECAP 把优势用起来的方式相当朴素把优势二值化作为一段额外的文本输入喂给模型——正的写 “Advantage: positive”负的写 “Advantage: negative”推理时只要正的那一档就得到一个好于数据集平均水平的策略。论文称之为 advantage conditioning并说明这样做可以绕开 PPO / REINFORCE 这类在线策略梯度方法在大 VLA 上的复杂度。奖励也用得极省每一幕只需要一个稀疏的成败标签——这一趟到底成没成。价值函数从这个标签学出离成功还有多远优势再从价值函数导出。两根轴online / offline RL和 on-policy / off-policy 数据这两组词长得像经常被混着用。分不清就会得出既然是 offline那就不需要真机、不需要场地这种错误结论——而这个结论会把后面整篇文章推翻所以先花一段说清楚。第一根轴梯度什么时候算。online RL一边跑一边更新。机器人每走一步策略和价值函数实时改一次。offline RL攒一批再更新。跑一批存下来回头在这批数据上重训一遍模型然后拿新模型再去跑。第二根轴数据是谁走出来的。on-policy 数据由当前这个模型自己跑出来的。off-policy 数据别人走出来的——人的演示、遥操录制或者这个模型好几个版本之前留下的旧数据。关键在于这两根轴互相独立。你完全可以用 offline 的算法去训 on-policy 的数据——模型十分钟前刚在真机上跑出来的东西攒进缓冲区回头离线算梯度。还是用开车说第一根轴是教练什么时候讲评你每压一次线当场吼一嗓子还是开完一整圈回来一起复盘。第二根轴是在讲评谁开的车你自己刚开的那圈还是老司机三个月前的录像。同一个教练两件不同的事伸手打方向是往数据里加东西第二根轴回来复盘是更新模型第一根轴。教练开完一圈才复盘offline讲评的仍然是你自己刚开的那圈on-policy——这两件事一点也不矛盾。摆成一张表π*₀.₆ 用的是论文自己的说法iterated offline RL迭代式离线 RL。论文在讨论章节里讲得很直白——RECAP 做的是迭代式的离线更新即收集一批数据、重训模型、再重复而不是策略和价值函数随数据实时更新的全在线 RL 循环全在线被列为未来工作的方向。但同一篇论文的摘要里描述数据来源用的词是演示数据、来自 on-policy 采集的数据、以及自主执行过程中专家遥操作的干预。所以一句话算法是离线的数据是模型自己跑出来的。对本文来说重要的是后半句。“offline” 从来不意味着不需要真机、不需要场地——决定这件事要不要物理场地的是经验由谁生成不是梯度在什么时候算。而且梯度在离线算对下面的第4节反而是好消息如果必须严格实时更新训练就得和机器人物理绑在一起交付物只能是一个训好的模型正因为更新是攒一批再离线做的交付物才能停留在数据 payload上。这是脑训练中心能作为一门外包生意存在的前提。为什么再采 10 倍遥操数据也没用一个很自然的反应是那我多买点数据不就行了把遥操采集的量翻十倍总能覆盖到吧。覆盖不到。这是本文最要紧的一步推理。模型跟着人的演示数据学。上线自己跑的时候出一点小偏差就落到一个演示数据里从来没出现过的状态上——因为演示者不会犯这个错。它在这个状态上没见过任何示范于是偏得更多下一步落到更陌生的状态误差沿着任务时长累积。这是模仿学习里最扎实的经典结论之一Ross Bagnell 2010后续 DAgger 工作 Ross, Gordon Bagnell 2011行为克隆的误差不是随任务步长线性增长而是平方增长。用大白话说只看老司机的行车记录仪学开车。老司机永远开在车道正中间所以录像里没有一帧是车已经压线了该怎么救。你自己上路一压线就傻了越修越偏。想学会救车只能你自己开在你快压线的那一下让教练伸手打一把方向。教练打方向的那一下就是最贵的数据。由此得到一个非常锋利的推论模型最需要帮助的那些状态按定义就是人的演示数据不包含的状态。再采 10 倍遥操数据也覆盖不到它们。这一句话同时干掉两件事。它首先解释了为什么传统遥操数采存在结构性的能力边界。不是场地搭得不够真是人替机器人走一遍这个品类本身有天花板。把场地搬到工厂、搬到家里只要还是人在开就还是老司机录像只不过录像的背景变复杂了。产量再高也翻不过这堵墙。**要真正覆盖模型自身产生的失败分布让模型部署在环、自己进入这些状态是目前最直接也最有效的路径之一。**要拿到那些状态的数据只能让模型自己开进去。没有第二条路。于是大脑在环是唯一解这正是 3.2 的第二根轴。这里后面固定用这套说法所以客户的大脑必须部署在环不是一个产品设计上的偏好是物理上的唯一解状态分布必须由客户那个模型生成别人代替不了。那么模型到底学到了什么前面四节讲的都是机制为什么必须是模型自己走出来的数据为什么这件事只能在物理场地上发生。最后看一眼结果——这套训练在模型里究竟长出了什么以及它值多少钱。除了该做什么动作π*₀.₆ 还带一个价值函数它预测的是从现在这一刻起离把任务干成还有多远。论文把这个数归一化到 −1 到 0 之间0 就是干成了。把这条曲线画出来是这样的左边是一次成功的折衣服。中间有一段机械臂抬手把已经叠好的衣服又搓皱了——曲线立刻掉下去红后面它自己缓过来重新叠好——曲线升回去绿。右边是一次没干成的活儿开冰箱、取滤芯开门那一下曲线抬起来最后碰倒了滤芯曲线又掉下去。关键是这条曲线不是人事后标注的是模型自己算出来的。论文的原话是价值函数正确识别出了这一幕里的失误也识别出了进展的快慢。也就是说脑训练中心真正在教模型的不只是多会几个动作而是判断力——让它自己知道此刻这一步是在往成功走还是在往失败走。这件事对整个商业模式的意义比它看上去大。一个有判断力的模型才谈得上自我改进它能给自己每一步打分才能知道哪些经验值得学、哪些该躲开。脑训练中心卖的与其说是数据不如说是让模型长出判断力的那批经验。而判断力只能从干砸过里学。价值函数要学会把叠好的衣服搓皱是件坏事训练数据里就得真有搓皱这一幕以及它后来到底成没成。这正是上面3.3 说的那件事这一幕人在演示的时候不会给你——老司机不会把叠好的衣服搓皱所以录像里没有这一帧也就没有任何东西可以告诉模型这是坏事。那么这一段训练值多少钱论文用的指标叫throughput每小时完成多少次任务。它同时包含成功率和速度——对真实作业来说做得对但慢得离谱和没做成差别不大。四个任务上加了真机经验和人类干预这一段之后throughput 大约翻倍。论文的说法是 increases throughput by about 2×在最难的几个任务上每小时的成功次数翻倍以上失败率下降 2 倍以上。它跑到的稳健程度是连续做 13 小时浓缩咖啡在一个没去过的房子里连续折两个多小时衣服不用人管装出来的箱子是工厂里真拿去打包的。图里最值得看的是横轴那几级台阶——π₀.₆ 预训练 → π*₀.₆ 离线 RL 预训练 → 加 SFT → 最后是 Ours。前面几级用的都是已有的演示数据在机房里就能做完只有最后那一跳需要模型自己开着真机器人跑、需要人在它失败的时候伸手。那一跳就是脑训练中心要卖的东西。它也恰好是整条训练流水线上唯一一段花钱也买不到现成数据的。05 脑训练中心交付的还是数据但数据的结构变了现在可以把商业模式说完整了。我们把它叫作脑训练中心——数采场不再向客户卖轨迹条数而是提供模型后训练服务客户把自己的模型大脑交过来部署在环在场地里自己开机器人干活采集员不再演示而是在模型失败时接管并演示一遍专家轨迹。最终交付的仍然是数据 payload。这一点很重要它不要求数采场具备训练模型的能力是一个数采场能力半径之内的转型不是改行。这里要先堵一个误读否则整个模式会被当成不可能大脑在环说的是模型要在这个环里跑起来不是要把权重交出去。至少有三条路绕开这件事推理留在客户那边。场地只上传观测、下行动作模型跑在客户自己的机房里。代价是链路时延任务越接近实时越吃紧。权重装在客户交付的推理设备里。场地拿到的是一个盒子有物理接触没有文件。客户驻场。人和机器一起进场场地只提供场景、机器人和采集员。走哪一条是工程和商务问题不是这个模式成不成立的前提。变的是数据的结构。最要紧的是第三行。旧模式的数据分布由人的脚本决定新模式的数据分布由模型的失败分布决定。 前者是盲采后者是有的放矢——你采的每一条都恰好落在这个模型这一刻走不过去的地方。这也是它能卖出溢价的全部理由不是数据更贵是每条数据的边际效用被定向提高了。这条逻辑推到底会得到一个和直觉相反的操作原则遇到机器人老是搞不定的场景脑训练中心要做的不是绕开它是专挑它反复练。 换作是要交货的产线卡在某个环节第一反应通常是绕过去、先把活干完但在脑训练中心模型卡住的那个点恰恰是这一刻最贵的数据所在。同一个卡住了两种目标函数下的最优反应是相反的。所以计价方式其实不必推倒重来——还是可以按条卖也可以打包成场景包卖。变的不是怎么收钱是这一条和那一条不再是同一个东西。按成功率提升计价听着漂亮但成功率的归因太难切干净不现实。还有一行值得单独说失败的那部分。在模仿学习范式下采失败了的数据是废品——这条得重录。在 RL 范式下失败轨迹带的是负向信号它本身就是交付物的一部分π*₀.₆ 用的奖励就是每一幕一个成败标签成和不成都要。这直接改写数采场的成本结构。旧模式里没采成的工时是纯损耗新模式里不是。采集员的工时利用率是被范式换算出来的不是被管理挤出来的。不过有一句实话得说在前面RECAP 论文自己写得很明白干预是一次打断性的事件即使熟练的操作员也没法保证每次接管的质量都一致更没法靠接管去打磨速度和流畅度这类细节。接管数据真正擅长的是把整个任务卡死级别的大错误改掉、帮模型走出探索不到的死角至于够不够快、够不够顺还得靠模型自己反复跑、靠成败信号慢慢磨。所以接管点是最贵的数据说的是它单条的信息量不是说光靠接管就能把一个能用的模型调成好用的模型。一个自然的质疑是不就是人在旁边接管吗谁都能做。护城河有三条而且都不在设备上一、客户的模型部署在环是深度绑定。遥操数采是一锤子买卖报价低两毛就换供应商。大脑在环意味着场景配置、评测基线、失败案例库全部跟这个客户的这个模型版本咬合切换成本很高。它从一锤子买卖变成了按轮次滚动的长期合作。二、场景资产和失败案例库越跑越值钱。服务过的模型越多什么样的模型会在什么样的场景上以什么方式失败这个库就越厚。这个库直接决定诊断质量而且是新进入者买不到的。三、这是最关键的一条——它要求运营方看得懂模型在哪失败。回收上面说的部分。按条计价不需要看懂模型所以门槛为零所以一百多家挤在同一条路上。而脑训练中心要求你把 2.3 那三件事都做得了体检要出得了可信的分数诊断要判断得出这究竟是感知问题还是控制问题补课要设计得出下一轮该补什么。这个模式天然把只想赚数据红利的团队筛出去。对手里真有具身 knowhow 的团队来说这不是坏消息——这是过去两年里第一次有一种商业模式让 knowhow 能被定价。06 重庆这套东西开始建了2026 年 9 月 3 日重庆市经信委、大渡口区人民政府与原力无限签署合作协议原力无限落地重庆建设全链条实景实训场景应用研发中心深入重庆真实产业现场。重点推进的是四件事具身大脑、实景实训、数据建设、场景应用。这四件事正好是前面几节论证下来、一个脑训练中心必须同时凑齐的四样具身大脑——客户的模型得进场自己跑。这是 3.4 的结论状态分布只能由那个模型自己生成谁也替不了。实景实训——场地的身份从数据源换成练习场这是2.3。数据建设——交付物仍然是数据 payload不是一个训好的模型这是第 4 节。场景应用——失败分布的来源。没有真实产业现场就没有值得练的失败这是 3.5。少任何一样环都闭不上没有大脑在环采出来的还是演示数据没有真实场景模型跑不出有信息量的失败不落到数据交付上这门生意就不是数采场接得住的。四件事里最值得单独说一句的是**「实训」**。它不是采集也不是训练场。实训是职业教育里的词——学生自己上手做师傅在旁边看着做错了当场纠正。这恰好就是 2.3 给场地找的那个新身份也恰好是 π*₀.₆ 那条流水线上最后那一跳的形状模型自己开人在它失败的时候伸手。从数采到实训差的不是修辞是交付物。最后回到开头。从集中式数采走向真实场景从“生产多少数据”走向“这些数据能否真正改善模型”正在成为行业越来越明确的方向。原力无限在重庆尝试的“实景实训”也是沿着这一方向继续向前一步场地不只是生产数据的地方更成为模型验证、发现失败、产生有效经验并持续迭代的训练基础设施。从“数采”到“实训”差的不只是一个词而是对数据价值的重新定义。最终需要被衡量的不再只是生产了多少条数据而是模型因此变好了多少。数采的行业标准正在陆续建立格式、标注、模态、计数、抽检都可以越来越细。但站在模型训练的角度更关心的是另一条标准这批数据究竟有没有让模型变得更好当这个问题成为数据基础设施真正的价值尺度数采场的下一阶段也就清楚了。它不再只是一个生产数据的地方。它应该成为机器人大脑持续发现问题、获得经验、完成训练和迭代的地方。这就是我们所理解的——脑训练中心。