3000块钱，这支中国团队把ChatGPT成功的“秘密”用在了机器人训练上

作者 | 华卫 策划 | 蔡芳芳 两年时间，大语言模型横扫全球。而机器人发展了几十年，依然难以走出实验室。问题可能出在，机器人还没有属于自己的“数据互联网”。 对ChatGPT来说，其核心架构Transformer是Google在2017年提出的；OpenAI做对的，是另一件事：把数据规模推到前所未有的量级，核心要素就是海量、低成本、易获取的互联网文本数据。仅有规模还不够，OpenAI在ChatGPT训练过程中设计了一套数据反馈链路策略RLHF。当模型参数足够大、有效数据足够多，智能就“涌现”了。 机器人训练要实现类似的突破，或许也需要一场精妙的数据策略：不仅要有足够的数据，精度也得够。然而，在当前具身智能领域中，虽然已经出现大量训练场和数据采集中心，但真正可用于训练的数据规模仍十分有限。 与大模型能依赖互联网公开数据不同，机器人数据从一开始就很“贵”。传统机器人训练要么需要请专家写代码，要么需要专业的遥操作设备、光学动捕系统、力矩传感器来采集数据，这些设备加在一起，少则几十万，多则上百万。更麻烦的是，每家厂商的机械臂，电机、力矩、尺寸都不一样，在A机器人上采的数据，到B机器人上可能完全不能用。每一台机器人本体，都是一座“孤岛”。仿真数据成本低，但离现实的“鸿沟”不小：在仿真环境里练得很好机器人，放到现实世界可能就失灵了。 2024年，斯坦福UMI抓夹开源，行业一度沸腾。一套3D打印的塑料架绑上一个GoPro相机，成本只需要400美元（约合2800元人民币），证明了“低成本采集”这条路走得通。然而，UMI有自己的天花板。其精度只有厘米级，抓个积木、叠件衣服还行，但像拧螺丝、穿针引线、精密装配，但凡需要“手感”的任务，UMI就训不出来了。并且，它只能单臂操作，而人类80%以上的日常操作场景需要双手协同。 现在，国内一支团队拿出了一套千元级的手持采集系统UMI ver.2 并将其开源。这套系统不仅是能实现毫米级精度、双臂协同的真正生产力工具，价格还只有传统方案的1/100、甚至更低。在成本已经被UMI打下来的基础上，UMIver.2把精度和维度也提上去了。 项目地址： https://github.com/qiongming-intelligence/UMI https://gitee.com/QiongMing-Intelligent/UMI 这支团队来自穹明智能，由“前华为天才少年”李元庆领衔，成立于2025年底。短短两年内，团队在具身智能数据定义与工具链开发取得显著突破，首次提出“伴随式数据采集”理念，自研外骨骼设备 CoMiner、口袋机RoboPocket等数采设备，并与优必选等头部人形机器人企业、地方大型数采中心及跨国数采基地达成战略合作。同时，穹明智能还推出了搭载自研大脑的软硬件一体解决方案，并在酒店服务、零售药房等真实场景中批量部署。 在与穹明智能团队的独家对话中，我们获悉了更多关于这套千元级系统背后的深层思考，包括技术策略、开源背后的决策与成本控制方面的取舍。 毫米级精度的数采，成本怎么压到千元级？ 首先，UMI ver.2的优势很直接地体现在参数上：精度达到毫米级定位，误差控制在 0.5mm 以内，较上一代 UMI 实现了十倍以上的跃升。该精度水平已能够覆盖大多数精细操作类具身任务的数据采集需求。 “我们其实是把机器人学习看成一个系统性问题。从底层数据一直到算法、再到评估和部署，是一个不断循环的过程，每一个环节都会影响最终效果。但如果回到本质，机器人学习仍然是深度学习问题，而深度学习本质上是‘数据的游戏’，好的数据才会带来好的模型。” 穹明智能技术探索负责人高圆寺表示，其目标场景是家庭，这类场景的特点是任务长、操作复杂，对数据质量要求非常高。传统的遥操作方式虽然精确，但成本高，而且人的动作并不总能被机器人真实复现。所以他选择从数据侧切入，用 UMI 这种“无本体采集”的方式，它和机器人本体是解耦的，更适合在家庭的真实环境中做数据采集，把数据规模先做上去。“算法当然也重要，但我们更倾向于先把数据理解清楚，再通过迭代去不断优化模型。” UMI有一个行业默认的痛点：数据有效率低。采集了100个小时，真正可用的可能只有10个小时。对此，穹明智能团队的做法是：将提升 UMI 数据的可用性提升当作一个系统工程，从多个方面展开来解决问题。 一是多传感器之间的同步和对齐，包括硬件层面的时间同步以及软件层面的标定。二是视觉数据本身的质量，比如视频需要有足够大的视场角，避免操作过程中出现盲区；同时，自动曝光必须收敛快，例如在光照复杂的家庭场景，如果曝光跟不上，数据很容易失效。另外，位姿估计方案也很关键，团队评估后认为SLAM的精度在家庭场景会下降，红外方案更为合适。 “我们把 SOP 定义得很细，从源头去保证数据质量。”高圆寺解释道，采集流程本身经常被忽略，如果操作不规范，比如动作过快，数据同样会失效。 而与此同时，UMI ver.2 的整机成本才不到3000元，相比传统动捕方案可以节省90%以上成本，并且全套硬件透明可采购。更关键的是，部署效率极高，仅需30分钟就能跑通全流程，接近于一套可快速复制的数据生产基础设施。这意味着，原本集中在少数机构手中的高质量数据采集能力，具备了向更广泛开发者与中小团队扩散的可能。 “我们不是为了低成本而低成本，而是我们对 UMI 数据的定位让我们选择了当下的方案。”高圆寺强调。据透露，从训练通用具身模型的角度来看，真正需要的是多源异构数据，如遥操作数据、UMI 数据、仿真数据、互联网数据等，不同构型的数据对于模型有不同贡献。 在穹明智能团队看来，不追求UMI采的数据能够一次性训练出高精度泛化模型，只要让模型理解人类操作意图就可以了，不一定要达到亚毫米级别的精度。因此在硬件选型上，他们的原则是在保证数据对齐和视频质量的前提下，尽量选用实惠的组件。同时，团队在整个训练 pipeline 上做了优化，让 UMI 数据能和真实机器人数据对齐。 完全对外开放，“开源是勇敢者的游戏” 一套不到3000元的系统，精度做到毫米级，还能双臂协同。但真正决定它能走多远的，可能是生态：有没有足够多的人和公司使用这套系统，并在这个体系里持续贡献和迭代。 “达到最终通用模型的数据规模大到堪比一个‘登月工程’。”高圆寺很直接地指出，这些数据不可能靠几家初创公司或大厂在内部就能采集完成，需要大家一起参与进来，把大家的日常行为都记录下来。甚至从理想状态来看，可能需要把大家日常生活中的行为逐步记录下来，才能覆盖真正需要的数据多样性分布。 因此，穹明智能团队的选择是：彻底开源。“我们一开始也有点纠结，最终大家还是达成一致。所有源码、硬件清单、部署教程、训练推理流程完全开放，用户可自由使用、修改、分发，二次开发衍生作品需以同等协议开源，保障社区共享与技术普惠。” 穹明智能品牌与开发者生态负责人郁葱葱透露了这个决定背后的考量：“现在我们看到这个行业是由少数公司推动，或许未来会变成整个生态的持续迭代加速，那个时候不再只是比‘谁技术更强’，而是谁打造了更好的生态圈，站在了生态的中心。” 他也坦言，开源存在风险，比如协议违规与商用滥用、技术碎片化导致难以形成统一标准、未经验证的修改引发设备损坏或安全隐患