全球最大，谷歌Figure排队买！这个团队，撑起硅谷最火机器人

新智元报道 藏不住了，这次是彻底藏不住了！ Google DeepMind、Figure、1X、Genesis AI、Dyna Robotics…… 硅谷这一轮最火的机器人玩家， 背后竟站着同一家数据「供血商」 。 Dyna-2跑出100万小时的Scaling Law，背后有它。 GENE-26.5一口气完成一顿20步的饭，用到的第一人称数据，也来自这里。 能拿下这些头部客户，光会「数据采集」显然不够。 这家神秘公司手里，还有另一张更硬核的王牌——强大的数据处理与算法能力。 那些行业中最难啃的corner cases，手被挡住、戴着透明手套、动作快到发虚的画面，到了他们的手里，依然能一帧一帧重新提取成模型可学的材料。 也正因为采集、处理、算法、交付整条链路全部打通， 它才能沉淀出150万小时高质量数据存量，并在全球累计完成200万小时级别的数据交付 。 快速移动+多手入镜，依旧可以稳定识别 能做到这个量级，基本上已经算是头部机器人公司背后的数据基础设施了。 如今，这家神秘公司终于揭晓了—— 它，就是Maxinsights！ 一家扎根硅谷的Physical AI团队，头部客户几乎都在美国，今年3月才悄悄回到国内开展业务。 它要做的，是把真实世界的人类经验，规模化变成Physical AI的训练燃料。 人类日常视频 成为Physical AI恶补的大课 那么问题来了，一家做数据的公司，为什么要训自己的模型？又为什么要把模型做到如此高精？ 答案，要从Physical AI走进现实世界的那道门槛说起。 让Physical AI解释怎么叠衣服，和让它真的把衣服叠好，中间隔着大量细节。 手应该抓在哪里？衣角被压住了怎么办？布料滑动之后，下一步动作该怎么调整？ 这些经验，很少被完整写进文字。人类却每天都在使用它们。 大语言模型能跑通Scaling Law，是因为互联网早就替它攒好了文本；视觉模型也继承了几十亿张现成的图片。 机器人从来没有这样的条件。互联网上有几十亿小时的视频，却几乎没有一段是从「手的视角」记录人怎么干活的。 而第一人称数据，也叫Egocentric Data或Ego数据，提供了一种记录方式—— 从操作者的视角，拍下双手如何与物体交互，以及动作发生前后，环境出现了什么变化。 它让学习材料，更贴近任务本身。 过去教机器人干活，主流做法是遥操作。也就是，一个人戴着设备远程控制机器人抓杯子、叠毛巾，机器人把每一次动作记下来。 这种数据质量高，但贵、慢，一台机器人一天也就产出几小时，而且数据和特定的机器人本体绑死，换一台机器就得重采。 第一人称数据的价值，就在这里。 采集设备跟随操作者，记录他看到的场景，以及双手与物体的交互过程。 人在厨房、工作台和生活空间里积累的操作经验，由此有了进入训练系统的机会。 然而，拍下来，只是第一步。 视频不等于训练数据 以人类在厨房拧瓶盖的视频举例，人看一眼，就知道发生了什么。 进入训练流程后，却需要进一步拆解—— 哪只手握住瓶身，哪只手开始旋转，动作从哪一帧开始、在哪一帧结束，手腕在空间中如何移动。 如果两只手交叉，手指被瓶身挡住，或者动作太快带来模糊，判断就会变难。 一句「正在拧瓶盖」的标签，解释不了这些细节。 机器人要的是带着结构的数据，而非一段影像。 Maxinsights的算法到底强在哪里？团队介绍的一段演示，把三层能力放到了同一条数据里。 这张王牌算法，解决了什么 先来看人，手被挡住了，动作还能不能追得上？ 人在真实环境中干活，上半身一直在动，双手还会交叉、被物体遮挡。追踪系统要从不断变化的画面里，尽可能准确地还原身体与手部姿态。 但视频的演示中，即便在这样的情况下，算法追踪仍能保持较高准确性。 这背后，自研MaxEgo所承担的手部与姿态信息提取，正是这套处理能力的重要组成部分。 遮挡的手部追踪依然稳定 难就难在，真实操作不会为了方便算法，始终把双手摆在镜头前。 抓取时手指被物体挡住，转身时视角发生变化，这些片段都包含有价值的动作信息。追踪越可靠，后续训练就越有机会保留这些细节。 再来看空间，人出门走了一圈， 系统还能不能对回原点 ？ 这里考验的是SLAM，也就是一边确定自身位置，一边建立周围环境的地图。 拍摄者不断移动时，定位误差可能逐渐累积。人明明回到了出发点，系统记录的轨迹却未必能对得上。 这段演示里，从出门到绕一圈回来，轨迹能够较好地闭合，与起点重新对齐。 由此一来，这让手部动作有了更完整的空间背景—— 手怎样运动、人在什么位置，以及周围环境的几何关系，可以被放在一起理解。 这背后全靠团队打底的硬功夫。 Maxinsights的核心工程班底集结了Waymo、谷歌、Meta、 QCraft 等等顶尖企业，以及斯坦福、伯克利前沿实验室的资深人才，大多深耕自动驾驶多年。 作为一个由海量数据驱动的行业，团队早已具备了管理与迭代百万级车端数据的成熟实战经验。 如今转向机器人，底层的工程方法与数据链路依旧纯熟。 最后再来看动作，轨迹追到了，还要讲清楚人在做什么。 在演示中，语言标注由自研视频理解与标注模型生成，能够较准确地对应实际操作。 在Maxinsights的数据体系里，这些信息会按照环境、任务、子任务、动作指令分层组织。 比如，一段酒店房间里的操作，可以拆成： 酒店房间 → 打扫房间 → 摆放水壶 → 双手把水壶放到桌上。 这就把运动轨迹与任务含义联系起来：模型既能获得身体和双手如何运动的信息，也能知道这些动作是在完成什么目标。 身体怎么动、在空间里怎么走、正在做什么，三层信息合在一起，一段日常视频才有了更完整的学习价值。 数据处理得越深入，原始画面中可供模型学习的信息就越丰富。 根据内部版本的评测，从MaxEgo 0.5到1.0，相关难例上的关键误差指标下降超过一半。 支撑算法迭代的，是20亿余帧人体姿态数据，以及人工校正和高精度参考数据构成的验证体系。 这也解释了，为什么数据积累和算法能力会相互促进。 在姿态追踪、空间定位与动作理解之外，还有更深的物理信息可挖。 按Maxinsights的排序，往上还有身体与环境几何、物体位姿，以及最难测、也最值钱的接触信息。 因此，在Maxinsights的流程里，采集之后还连接着质量检查、格式统一、视频理解、空间处理、姿态追踪和人工校正，交付前再进行检查与格式转换。 两个模型加上四阶段自动化QA，把98%的质检覆盖交给机器完成，人只处理机器拿不准的那部分。 而人纠正过的样本，又回流成下一版模型的训练数据。 这是一个越做越顺的飞轮：交付得越多，模型越准，标注越便宜。 5000个人的手艺，第一次被「电子化」 技术之外，Maxinsights更难复制的是另一件事—— 怎么让全球5000+名采集员，持续、不重样地拍出真实生活。 Maxinsights 在多个国家铺了直管的现场团队加 社区 网络，覆盖2000+采集环境、50000+场景，月采集产能45万小时。 运营靠一个Agent平台调度： 它会盯着数据分布，发现「餐厅后厨够多了、修车间不够」，就把设备和人往缺口调； 它会识别无效片段、摆拍片段、佩戴偏移； 它还会让场景每两周轮换一次，避免同一个厨房被拍到模型厌倦。 采集员是谁？ 很多是家庭主妇，餐馆厨师，车间工人，