具身智能行业缺的不是模型，而是‘人类说明书’——对话简智朱雁鸣

导语：在具身智能赛道，简智选择做数据基建，用众包方式采集人类行为全模态数据，试图让机器人真正“看懂”世界。

当行业都在“造车”，他们为何去建“电池厂”？

2026年的具身智能赛道，各家机器人厂商都在秀Demo、拼算力，试图用海量数据教会机器人叠衣服、冲咖啡。但一个尴尬的现实是：我们似乎从未真正教会机器人“看懂”这个世界。绝大多数机器人仍在模仿人类动作的表层轨迹，却不理解为什么拧不开瓶盖时要先擦擦手。这种认知缺失，像极了自动驾驶早期依赖高精地图的窘境——能应付固定场景，却处理不了充满不确定性的真实生活。

而阻碍具身智能真正进入生活的瓶颈，是数据。没有足够好用的数据，机器人就无法学习和训练，从而无法理解真实的世界。于是，在行业集体陷入“做模型”的宏大叙事时，简智机器人选择去啃一根更小众、也更苦的骨头：具身数据基建。

“行业里不缺做模型的公司，缺的是数据，特别是从人类第一视角出发、包含思考与触觉反馈的闭环数据。”在简智机器人联创朱雁鸣看来，单纯靠模仿学习在物理AI里跑不通。如果给机器人喂的是缺乏因果链的“表演数据”，训练出的模型往往只是机械的复读机，一旦遭遇长程任务或意外干扰，就会瞬间崩溃。

简智所做的，是一套关于“人”的全维度数据产品。他们自研从头、到手、到全身的高精度数据获取产品，深入家庭和商超做众包，去捕捉人类不经意的力反馈、多模态感知，甚至并反向分析出其行为背后的思维链。在具身智能的底层逻辑里，数据不仅是燃料，更是构建认知的“第一性原理”。

每一条技术路线，都有一个“CTO”

简智在2025年7月成立时，便没有盲目追热点，而是复盘整个具身智能产业中还有哪些空白和不足。“我们细想下来行业里不缺做模型的公司，缺的是数据基建，特别是无本体或其他范式下的数据。”朱雁鸣回忆道，当时行业还没有大规模崇尚UMI或EGO概念，更多在通过运动控制快速出demo，但他们相信，scale up和数据驱动是智能通往终局的关键路径。

物理AI需要的数据与文本世界截然不同——生活场景是非结构化的，每时每刻都在变化，具身智能需要逐步替代人的能力，因此必须从Human Data（人类行为数据）入手，构建一套从行动到思考再到反馈的闭环数据产品。

简智核心团队来自自动驾驶领域，这一背景带来了三重认知优势：

• 数据必须伴随迭代的真实人类数据。预训练阶段最需要被突破的是让模型具备通识、泛化且跨本体的长任务执行能力。这要求数据“坐标系”与“人理解世界”对齐，尤其是有价值的corner case，比如人在操作时受干扰失败又弥补的过程，只能通过长期真实积累获得。
• 数据闭环与商业闭环必须深度结合。自动驾驶数据成本低是因为每辆量产车都在持续生产数据，但具身智能的数据无法天然获取，视频只是最简单形式，触觉、思考链路等信息需要更深的发力点——能让人类在自然生活中生产全维度数据的设备。
• 长链路、高并发的数据处理经验。自动驾驶每天回流的数据级别接近几百T，这让他们从一开始就必须对硬件、数据链条、数据处理方式做完整的结构化设计，才能在交付时应对大规模、长链路的挑战。

目前简智团队规模约140人，研发人员占比超过85%。在具身数据这一交叉领域，他们采用“垂线预研+技术委员会”的组织方式：每个技术领域（如摄像头、触觉、IMU等）都有一位类似CTO的角色牵头预研，横向则由技术委员会从生产加工、模态到自动化链条用模型驱动拼出完整方案。“成熟行业一个人可以全栈规划，但具身数据领域每个方向都需要创新，实现1+1＞2。”朱雁鸣说。

用模型处理数据，而非用模型输出动作

简智招人的第一优先级是模型方向的人才，但要求非常独特——不是做具身动作输出模型，而是做data仿真模型。其核心工作是将采集到的人类行为数据，通过模型加工还原成接近人类整体感受的数据格式。他们定义的human data包含人的第一视角图像、全身关节运动、手上的触觉，以及每个动作中的力反馈，这些维度可以完整描述人类绝大多数行为。

难点在于，每个模态由不同硬件收集，各有不同的特征、频率和信息残缺，如何将它们还原到同一时间轴、同一时空坐标系下？单纯靠人工粗糙对齐会影响数据质量。因此简智尝试用“数据基础大模型”（data foundation model）解决：把多模态输入注入模型，像训练自动驾驶端到端模型一样，通过真值系统评测输出与真实世界的匹配度，再根据gap反向优化模型能力。“我们是行业内第一家不用大模型做具身动作模型，而是用模型解决数据问题的企业。”朱雁鸣强调。

第二类核心人才是底层硬件方向，包括光学、嵌入式软件、PCB设计以及自研触觉方案等。上层数据和模型只能做交叉验证、提升精度，但数据的底层对错需要硬件质量来保证，这其中有许多围绕人类感受的底层原理创新。

众包模式：让人类在自然生活中生产数据

与其他企业不同，简智没有采用数采工厂方式，而是坚信众包才是大规模、高效采集真实数据的终局路径。他们开发了一款APP，将设备给到每个家庭，用户通过APP了解采集任务，只需用设备完成正常的家务动作，无需额外教育和约束。“用户的自然操作对模型来说反而更有价值，模型需要学习多样化的人类行为来补充场景盲点。”朱雁鸣解释道。行为上传后，云端自动识别、标注，根据数据回收情况给用户结算，流程自然高效。

除50%的家庭场景外，众包已覆盖商超和工厂（30%）、物流（10%），以及医疗、实验室等分散场景。对于隐私顾虑，简智有一套标准化流程：所有数据的脱敏处理在售卖前完成，合作协议中明确权利归属，他们获取的是场景下的行为和操作数据，而非个人信息。

当被问及众包没有标准化流程是否会导致数据质量参差不齐时，朱雁鸣回答：“我们认为人的行为都是‘真值’，关键在于上传后能否自动化识别与处理。”他们的自动化识别核心是对行为做对齐和细致化标注、分类，而非判定对错。质检环节会区分高速高效完成动作、有干扰完成动作、失败后纠错动作等，同时对数据做颗粒度极细的原子化处理，以适配模型不同训练阶段的需求。

数据飞轮的基建：从端侧无损压缩到自动化处理

随着数据量增加，存储和算力压力必然上升。简智很早就从源头设计了解决方案：

• 端侧的数据压缩与质检。每一台设备在采集端就具备数据质检能力，能根据行为和场景自动丢弃无效数据，避免占用传输链路和存储空间。
• 行业领先的无损压缩。他们做到了将原生数据压缩到原来的2%，且压缩后的数据解包用于模型训练，指标和效率基本不受任何影响。
• 自动化的数据处理速度。存储成本不仅来自成品数据，更来自原生数据等待加工的排队存储。人工处理是线性增长，而模型可以实现指数级效率提升，让存储成本大多只发生在成品数据上。

朱雁鸣还提到，设备在采集后最重要的环节是加工处理，单纯卖设备无法解决模型真正需求——数据最终要服务于模型，需要串联好全模态、稠密的思维链（COT）过程，才能给模型提供有效参考。

EGO数据才是具身智能的“第一性原理”

对于当前热门的数据路线，朱雁鸣有着清晰的判断：

仿真合成数据的价值会随着任务复杂度和长程化快速弱化。仿真最难的不是物理特性模拟，而是无法仿真真实交互——比如美国餐馆端菜时在狭窄过道里避让客人，客人抬胳膊的瞬间做出避让动作，这些来自真实生活的交互场景完全无法通过仿真模拟。而且仿真会产生严重幻觉，物理AI对幻觉的容忍度极低，错误的因果会让模型学到错误逻辑。

真机遥操数据更适合用于评测和后训练。模型训练的完整流程应该是：通过人类数据完成预训练，再通过精选专家数据完成中间训练，最后基于评测结果做强化学习。遥操正是在最后环节发现模型bug、反向优化的评测数据，而非直接作为训练数据。

那么什么才是核心？EGO（自我中心）数据。“Ego我们认为是最容易scale，且符合第一性原理的，因为天然和人的认知对齐。”朱雁鸣说。以打开冰箱拿可乐为例，人看不到可乐会先拿走挡住的可乐物品，这一闭环行为因果只有第一视角能完整覆盖。EGO centric数据能提供人类行为背后的思维链（COT），非EGO视角的训练缺少了对模型深层认知的监督，只能监督轨迹和图像，无法监督模型面对问题时的解决方案。

简智早在2024年10月就开始向EGO方向做产品了，这源自智驾经验：智驾已进入深水区，必须强化模型的认知能力，即思维链（COT）能力。而具身智能中，很多demo只是让模型以回放方式复现操作，没学到深层逻辑，只有EGO数据能补上这一课。

行业之前没有大规模采用EGO，是因为去年大家都在用VLA，其Backbone是语言模型，构建的因果面向文本，没有空间、重力、摩擦力等物理属性。现在大家发现VLA满足不了物理世界要求，才回归到导入大量人类行为数据的方式。但朱雁鸣提醒：“现在行业对EGO centric的理解，大多还停留在浅层的第一视角图像，很多人头上戴个iPhone、挂个GoPro就开始采集数据，但这只是第一视角的视频，只靠视频无法闭环人的行为和感知，存在严重的信息缺失。真正的EGO数据必须包含触觉、力反馈等全模态信息，并还原出背后的因果链。”

出海与未来：数据需求的快节奏匹配

目前简智的海外收入占比很高，海外模型公司在模型训练上的进展整体快于国内，他们对触觉模态、训练数据的体量规模和多样性的要求非常严格，同时要求迭代速度能匹配模型进展。“在这个过程中，设备只是基础，数据的加工处理能力才是规模化交付的核心壁垒。”朱雁鸣总结道。

在具身智能的终局想象中，简智要做的不是卖设备，而是成为物理AI的“数据基础设施”——让机器人能够通过人类看不懂的数据，真正理解世界的运行逻辑。正如他们笃信的那句话：人能做出来的动作，机器人就应该能实现，前提是它先读懂了“人类说明书”。