為什麼機器人訓練需要資料採集？

  • 機器人透過感測器、攝影設備和雷達等，結合人工操控或模擬，採集真實場景中的多維度原始資料，為後續智能訓練提供素材。
  • 資料不僅要涵蓋多種場景，還需要兼顧精確度、相容性和規模化效率。隨著通用大模型取得突破，報告預計資料需求將增長，並由外部採購與企業自行採集共同滿足。

四條採集路徑如何取捨？

  • 遠端操作的資料品質最好，但成本較高，主要用於高品質模仿學習資料；UMI兼顧成本與品質，可在實體機器人難以大規模部署時快速採集示範資料。
  • EGO是當前主流應用，成本較低，主要用於基座模型預訓練。模擬資料理論上產能最高、成本最低，在大規模預訓練中潛力較大。
  • 報告預計，多條技術路徑未來將應用於不同場景：採集品質、成本和擴張速度之間的取捨，決定了它們各自適合的用途。

中游市場空間和產業進展如何？

  • 浙商證券文姬在中性預期下測算，中游資料採集市場規模到2030年達到1741億元，2026至2030年複合增長率為203%。該行認為這一環節正處於從0到1的發展期，可關注資料集供應商、軟硬體一體化採集商、資料後處理廠商和模擬平台。
  • 杭州國家人工智能應用中試基地（具身智能）正在進行總額2億元的增資，註冊資本擬由1億元增至3億元；增資及股權改制預計於2026年底完成。
  • 利亞德旗下北京虛擬動點已服務多家機器人廠商，並參與多個機器人訓練中心及資料採集中心的打造，提供包括動作捕捉設備、資料採集和場景應用在內的解決方案。