首页   所有
李桂松:人形机器人与具身智能报告(七)
日期 2026-10-24    作者 李桂松   编辑 北京云阿云

人形机器人与具身智能报告

导读:这是一场关于未来战局与产业主权的正面争夺。商业规模已经筑底,国防需求正在引爆——人形机器人正从试验场冲向列装线。工业经济性拐点迫在眉睫,家庭场景爆发在即,十万亿市场规模迎来巨富风口。报告全文20万字,由北京云阿云智库平台主席兼财政金融院长李桂松原创出品。

报告名称:《人形机器人与具身智能报告》

报告撰写:北京云阿云智库平台主席兼财政金融院长李桂松

课题组长:李桂松院长

课题组成员名单:

李桂松:北京云阿云智库平台主席兼财政金融院长

李国熙:北京云阿云智库平台全球治理研究中心主任

李国琥:北京云阿云智库平台空天学院院长

李嘉仪:北京云阿云智库平台金融院长

报告完成日期:2026年10月20日星期二

业务联系电话:13360021949(李博士)

第七章

数据基础设施与训练场体系

一、具身智能训练场的集群化布局

具身智能训练场在2025至2026年间的密集建设,构成了人形机器人产业最容易被低估的基础设施变量。整机出货量的增长是可见的,订单金额的攀升是可统计的,但训练场的意义在于一个更隐蔽的层面:它决定了模型能力的迭代速度。中国信息通信研究院2026年8月发布的《具身智能训练场研究报告(2026年)》给出了一个关键判断:训练场“在真实物理环境中支撑具身智能数据生产、模型训练、系统应用能力验证和迭代优化”,已成为“关键基础设施”。这一表述的份量在于,它将训练场从“配套服务”提升到了与算力基础设施并列的位置。对于军民融合的语境而言,训练场的集群化布局还隐含着一层尚未被充分讨论的含义:民用训练场积累的数据规模和采集能力,构成了军用模型预训练的潜在底座,而军用场景数据的特殊采集需求和隔离要求,则决定了这一底座能够被利用到什么程度。

(一)全国训练场建设现状

1、已建成超七十家、在建规划四十余家

截至2026年6月底,全国建成启用的具身智能训练场超过七十家,在建或规划中的训练场为四十六家。这一数字的增速值得注意:训练场作为一个需要场地、设备、人员和运营体系的复合型设施,其建设周期通常以半年至一年计。七十余家的存量意味着,这一轮建设热潮的起点大致在2025年上半年。彼时人形机器人的商业化叙事刚刚从“演示”转向“部署”,训练场作为数据供给的瓶颈环节被识别出来,随后在政策支持和产业需求的共同牵引下迅速铺开。

场景建设的结构揭示了训练场的功能定位。含工业制造场景的训练场占比最高,达到百分之八十六。这一分布与前述工业场景的落地节奏是一致的:汽车、电池、消费电子等领域的部署正在产生对真实作业数据的持续需求,而训练场为这些需求提供了可控的采集环境。综合类训练场(覆盖三类以上行业、多细分场景)占百分之六十以上,行业垂类训练场不足百分之二十。这一比例说明,当前训练场的主流模式是“通用数据平台”而非“行业专用设施”。通用性的优势在于数据覆盖面广,模型可以在一个训练场内获得跨场景的预训练数据;局限在于对特定行业的深度覆盖不足,垂类场景的精细数据仍需由行业训练场或企业自有数据采集体系来补充。

训练场的选址逻辑正在发生一个值得关注的变化。传统人工智能基础设施高度集聚于一线城市和省会城市,依托的是人才密度和资本密度。训练场的布局则呈现出向三线、四线乃至五线城市延伸的趋势。中国信通院人工智能研究所具身智能部副主任张蔚敏的判断是准确的:这一转变“反映出训练场建设正从人才、资本驱动转向真实场景、数据供给和运营效率驱动——哪里有合适的场景,训练场就建到哪里”。这一逻辑的产业含义在于,训练场的价值不取决于所在地的科技产业发达程度,而取决于它能够提供什么样的真实作业环境。一个位于制造业集群腹地的三线城市训练场,如果能够接入当地工厂的真实产线和工艺条件,其产出的数据质量可能高于一线城市中模拟场景的采集。

产能层面的数据提供了另一个观察维度。上海的国家地方共建人形机器人创新中心训练场部署了一百零二台异构人形机器人,具备每日生成五万条数据的能力。长三角(德清)训练场拥有三十五万平方米常态化固定场景、五百零五亩室外封闭场地和九百三十七平方公里全域开放场景,年数据产能超千万条。北京人形机器人创新中心的实训空间近六千平方米,覆盖家居、快递分拣、化学实验等三十余个典型场景,其开源数据集RoboMIND的全球下载量已突破两千万次。这些数据表明,训练场的产能正在从“百条级”向“千万条级”跨越,但产能数字本身需要审慎解读。北京人形数据与训练基地产品负责人史明威的提醒是必要的:“对行业来说,一万小时的高质量数据,可能比一百万小时的重要数据更重要,因为很多数据其实是质量不合格或机器人用不起来的。”

2、长三角、京津冀、珠三角三大核心集群

训练场的区域分布与具身智能产业的集群格局高度吻合,形成以长三角、京津冀和珠三角为核心的三大集群。浙江已建成的训练场数量最多,达十四个;江苏、北京、广东、山东紧随其后,均为八个。这一分布的成因不在于行政资源的分配,而在于三个区域各自具备的不同类型的场景供给能力。

长三角集群的特征是制造业场景的深度和多样性。苏州的具身智能机器人综合创新中心一期已覆盖家庭、餐饮、物流等十大训练场景,吸引十八家企业入驻,累计采集高质量数据超一百四十万条。德清训练场则依托其全域开放场景,覆盖家庭服务、商业零售、办公服务、酒店服务、工业制造、物流仓储六大核心场景,采用真机遥操作、动作捕捉、人类第一视角等多元采集模式。长三角的优势在于其制造业门类的完整性和县域经济的活力:训练场不必集中于中心城市,可以在制造业集聚的县级市找到真实的生产场景。苏州的路径尤其值得注意:其机器人产业链相关企业超过七百家,具身智能机器人领域重点企业一百余家,2025年产业规模达一千五百九十五亿元。训练场与产业生态之间的正反馈关系在这里表现得最为清晰:企业需要训练场来采集数据,训练场需要企业来提供设备和场景,二者的集聚相互强化。

京津冀集群的核心是北京的技术策源能力和雄安的场景验证功能。北京人形机器人创新中心的训练基地在数据规模和质量标准上处于领先位置,其开源数据集RoboMIND的下载量数据说明其数据产品在行业中的认可度。雄安训练场于2025年12月投用,引入三个主流厂商的机器人本体,实现足式、轮式、协作式全形态覆盖,以1比1实景还原方式打造迎宾导览、工业货物搬运、家居生活、商业零售、物流装配五个真实应用场景。雄安模式的特殊性在于其城市建设的“白纸”特征:新建城市的基础设施在规划阶段就可以考虑机器人的适配性,训练场采集的数据可以直接反馈到城市建设和运营的决策中。这一模式对军事设施建设具有参照意义:新建设的军事基地或保障设施,如果从设计阶段就考虑人形机器人的作业需求,其后续的部署成本将显著低于对既有设施的改造。

珠三角集群的特征是商业化落地和供应链响应的速度。广东省在2026年6月发布了“1+1+N”具身智能训练场体系,由一个核心枢纽(省训练场)、一个示范窗口(深圳示范区)和N个垂直分训练场组成。首批六家分训练场的布局体现了错位分工的逻辑:广州聚焦仓储分拣、园区运营与公共服务,深圳主攻通用城市服务,珠海深耕工业制造、居家康养与商业零售,惠州覆盖工业制造与商居服务,中山发力生物医药与环境科学,梅州则专注国防教育与应急救援。梅州分训练场的“国防教育与应急救援”定位,是训练场体系中少数直接涉及国防相关场景的公开案例。其功能是国防教育和应急救援训练,而非作战模拟,但其存在说明训练场的场景覆盖正在向军民结合部延伸。珠三角的另一个优势在于供应链响应速度:深圳和东莞的电子元器件供应链使得训练场所需的传感器、数据采集设备和机器人本体的采购和维修周期远短于其他区域,这对于需要高频迭代设备的训练场运营而言是实质性的效率优势。

三大集群之外,一个值得关注的布局是训练场向制造业腹地的延伸。河南分训练场聚焦十二大传统产业,部署近百台机器人,覆盖二十多个真实场景。这一布局的逻辑与前述“场景驱动”的判断一致:传统产业的作业环境——铸造、焊接、装配、检测——提供了大量人形机器人潜在的应用场景,而这些场景的数据在沿海科技园区的模拟环境中无法被真实采集。对于军事应用而言,传统制造业场景与军事后勤保障场景的重叠度可能高于高科技制造业:仓库搬运、设备维护、物资装卸等任务在两类场景中的物理条件相近,训练场在这一区间采集的数据具有较高的可迁移性。

(二)训练场的军民共享潜力

1、民用训练数据对军用模型预训练的支撑

民用训练数据对军用模型的支撑价值,需要从具身智能模型训练的数据结构来理解。当前VLA模型和世界模型的训练,依赖的是大规模、多模态的交互数据,其核心内容是“物理常识”而非“任务知识”。一个模型在数万次抓取任务中学习到的,是物体的形状如何影响抓取策略、力的大小如何影响滑动、视觉遮挡如何影响定位。这些知识在军事场景中同样适用,因为战场上的物体同样遵循物理规律。民用训练数据提供的是这一层通用物理常识的覆盖,而军事场景的特殊性——对抗性、通信受限、武器操作——是在此之上叠加的变量。

Scale AI在美国国会听证会上的证词从侧面印证了这一数据结构的战略含义。该公司指出,中国在“数据与商业化能力”上相对美国具有优势,中国占据全球可用商业数据市场约百分之九十的份额,数据生成成本比美国低百分之六十,且在以物流枢纽为代表的场景中维持着每台机器人日均十七小时的数据采集强度。这一证词的核心论点不是“中国数据量更大”,而是“中国在真实物理交互数据的规模化生产上建立了结构性能力”。这一能力的军事价值在于:当军方需要为后勤保障、设施维护、物资搬运等任务开发具身智能模型时,预训练阶段可以使用民用训练场积累的通用数据,将有限的军事专用数据留给微调阶段。预训练数据的需求量以百万小时计,而军事专用数据的采集受限于保密要求和场景可获得性,其规模不可能与民用数据相比。民用数据在预训练阶段的替代作用,直接降低了军事模型开发的数据成本。

这一替代作用的边界同样需要明确。民用数据覆盖的是非对抗条件下的物理交互,其分布中不包含战场环境的特殊变量:电磁干扰下的传感器退化、伪装和遮挡、敌方的主动破坏。一个在民用数据上预训练的模型,在进入军事场景时需要经过针对性的微调和验证,以覆盖这些分布外的情况。北京人形数据与训练基地的实践提供了一个可参照的质量控制逻辑:数据采集员在目标物体的形状、颜色、数量、位置等多种因素随机组合、动态变化的场景中反复采集演示数据,使机器人“不光会模仿,还可以逐步掌握适应不同环境的能力”。军事场景的微调阶段需要的是同一逻辑的延伸:在民用数据建立的通用能力基座上,叠加军事特有变量的训练数据。

军民共享在训练场层面的实践尚处于早期,但制度接口已经存在。上海训练场与兵器工业集团的合作曾被提及可能将人形机器人技术引入军事应用。这一合作的具体形式未公开,但其方向暗示了训练场军民共享的一种可能模式:民用训练场作为通用数据生产平台,军工集团作为特定场景数据的接入方和模型微调方。训练场不必为军事应用单独建设一套设施,而是在现有产线上增加军事相关场景的采集模块。这一模式的可行性取决于两个条件:一是训练场的数据管理体系能够支持分级隔离(后文详述),二是军工方对民用训练场的数据质量标准有足够的信任。后一个条件的建立需要时间,也需要联合验证项目的积累。

2、军用场景数据的特殊采集需求与隔离机制

军用场景数据的采集,在三个维度上与民用数据存在结构性差异,这些差异决定了简单的“民用训练场加军事场景”模式不足以满足军事应用的数据需求。

第一个维度是场景的可获得性。民用训练场可以开放工厂产线、仓储环境、商业空间作为采集场景,因为这些场景的所有者是商业企业,数据采集的边界可以通过合同界定。军事场景的训练场、装备、设施不对民用企业开放,其数据采集必须在军方控制的设施内、由具备相应资质的人员执行。这意味着军用数据的采集规模天然受限,其产能不可能达到民用训练场的千万条级别。这一约束的应对策略,不是试图将军用数据采集规模化到民用水平,而是将军事数据的用途精确限定在微调和验证阶段,而将预训练阶段的数据需求交给民用数据来满足。

第二个维度是数据的敏感性分级。军事场景数据中,一部分涉及装备性能参数、设施布局和作战程序,属于高敏感信息;另一部分则是通用的操作数据(如搬运、开关门、操作工具),其敏感程度较低。韩国在2026年10月启用的“国防AX据点”提供了一个制度参照:该设施建立“数据安心区”,使民间机构与军方能够在不担心军事数据泄露的前提下安全利用数据、开展共同研究与实证。这一机制的核心是将数据隔离从“物理隔离”升级为“制度隔离”:数据在受控环境中被使用,使用方不能带走原始数据,但可以在数据上训练模型并带走模型。对于中国训练场的军民共享而言,类似的制度设计是必要的前提。没有一套清晰的数据分级和隔离规则,军工方不可能将任何军事相关数据放入民用训练场,而民用训练场也不可能将军工需求纳入其服务范围。

第三个维度是采集标准的差异。民用训练场的数据采集标准正在形成过程中,中国信通院牵头、四十余家单位联合起草的具身智能数据集质量要求行业标准将于2026年11月实施。军用数据的采集标准由军方另行制定,其在标注精度、场景描述完整性、元数据规范等方面的要求可能高于民用标准。两个标准体系之间的映射关系需要建立,否则民用数据在进入军事模型训练时需要进行繁琐的格式转换和质量重验,共享的经济性将大打折扣。

梅州分训练场的“国防教育与应急救援”定位,是当前训练场体系中与军事数据需求最为接近的公开案例。国防教育场景的数据(如装备展示、操作演示)敏感度较低,可以在民用训练场的框架内采集;应急救援场景的数据(如废墟搜救、危险品处置)与军事后勤保障场景的能力需求高度重叠,其数据具有军民两用的直接价值。这一分训练场的存在说明,训练场的场景覆盖正在从纯民用向军民结合部延伸,但其延伸的范围和深度受限于前述三个维度的约束。在数据分级和隔离机制尚未制度化的阶段,军民结合部的训练场活动将主要集中于敏感度最低、与民用场景重叠度最高的任务类型。

从更宏观的视角看,训练场的集群化布局对军民融合的意义,不在于它直接生产了可用于军事模型的数据,而在于它建立了一套数据生产的工业体系。这套体系包括标准化的采集流程、质量控制方法、数据标注工具链和产能管理能力。当军事应用需要数据时,它面对的不再是一个需要从零建设的采集能力,而是一个已经运转的产业基础设施。军事需求要做的是在这个基础设施上增加隔离层和专用采集模块,而非另建一套平行的体系。这一逻辑与前述“基于商业平台的军用改型”在结构上是同构的:民用基础设施提供能力基座,军事需求在其上叠加特殊要求,二者的接口决定了共享的效率。训练场军民共享的推进节奏,将取决于数据隔离制度的设计质量和两个标准体系之间的对接程度,而非训练场数量的进一步增长。

二、数据闭环与模型迭代

数据闭环与模型迭代的关系,在人形机器人产业中呈现为一种与互联网时代截然不同的经济逻辑。互联网产品的数据飞轮依赖于用户规模的线性增长:用户越多,行为数据越丰富,模型迭代越快,产品体验越好,进而吸引更多用户。这一循环的边际成本趋近于零,扩张速度以月为单位。人形机器人的数据飞轮则受制于一个物理约束:每一条有效数据都需要一台实体机器人在真实环境中运行才能产生,而每一台机器人的部署都涉及硬件成本、场地条件、人员操作和运行时间的投入。这意味着数据丰度的增长速度与部署规模的增长速度直接挂钩,而部署规模的增长又受制于前述各章讨论的技术成熟度、经济可行性和场景适配性。国防部署则在这一约束之上叠加了保密与场景可获得性的额外限制,使得军用数据闭环的构建路径与民用存在结构性差异。仿真数据作为替代方案,其战略价值正在于将数据问题从一个受物理约束的“规模问题”转化为一个受算力约束的“计算问题”,但这一转化在军事场景中伴随着仿真到现实迁移损耗的独特风险。

(一)部署规模与数据飞轮的关系

1、商业部署密度决定真实世界数据丰度

商业部署密度对数据丰度的决定作用,在2026年的产业数据中呈现出清晰的正相关关系。乐聚机器人与兆丰机电在汽车零部件上料场景的合作提供了一个可量化的案例:十五台人形机器人在产线同步作业,形成规模化并行数据采集能力,按当前数据产能测算,单月采集超过四万条真实作业数据,并随产线运行持续累积。这一数据产能的含义需要放在对比中理解:一台机器人在实验室环境中由工程师反复演示采集的数据,其规模和多样性远不及十五台机器人在真实产线中连续运行所产生的一千小时、六万个零部件的操作记录。后者的价值不在于“数据量大”,而在于它覆盖了真实生产中才会出现的变量:零件来料姿态的微小偏差、工位之间转运的时间波动、连续运行中关节温度的缓慢漂移、不同批次零件的表面摩擦系数差异。这些变量在受控采集环境中被系统性地排除了,而在真实部署中它们构成了数据分布的主体。

商业部署密度与数据丰度之间的传导机制,可以从三个层面来理解:

第一个层面是场景覆盖的广度。智元在2026年上半年的出货量中,X系列覆盖娱乐表演、服务导览、科研教育和数据生产,G系列进入消费电子和汽车零部件产线。每一类场景产生的数据在物理特征上不同:娱乐场景的数据以人机交互和动态运动为主,工业场景的数据以精密操作和力控为主。部署场景的多样性直接决定了数据分布的覆盖面,而覆盖面是模型泛化能力的物质基础。

第二个层面是运行时间的长度。兆丰机电项目中机器人连续无故障运行超过两个月、累计约一千小时的数据,其价值不仅在于时长的积累,更在于长时间运行暴露了短期测试无法发现的渐进性失效模式:关节磨损导致的精度缓慢下降、传感器在持续工作后的温漂、软件在长时间运行中的内存泄漏或状态累积。这些失效模式在模型训练中的价值是独特的,因为它们无法通过短时高频的采集来模拟。

第三个层面是部署规模对数据质量的倒逼。当十五台机器人同时在一条产线上运行时,单台机器人的异常行为会立即在产线节拍和上料成功率上反映出来,这迫使数据采集系统必须具备实时质量监控和异常标记能力。乐聚的方案中,现场作业数据全流程回传,降低数据采集成本的同时提高了真实机器数据质量。这一机制的逻辑是:规模化部署本身产生了一种数据质量的外部约束,单台演示中可以被容忍的标注模糊或采集偏差,在产线运行中会直接导致可观测的作业失败,从而被系统捕获和修正。

商业部署密度对数据丰度的这一决定作用,也解释了当前产业竞争格局中的一个关键变量。2026年上半年全球人形机器人出货量超过二点二万台,前五名均为中国企业,合计占比百分之八十六。出货量的集中意味着数据采集能力的集中:部署最多的企业不仅获得收入,更获得训练下一代模型所需的真实世界数据。这一优势的累积效应是显著的,因为数据飞轮的转速取决于数据规模与模型能力之间的正反馈强度,而反馈的起点是部署规模。但这一优势并非不可打破,因为数据资产的价值取决于其与特定任务的相关性,而非单纯的规模。一家在娱乐表演场景中部署数千台的企业,其数据对于工业精密装配的价值可能远低于一家在产线中部署数百台的企业。部署密度决定数据丰度的命题,需要加上“在目标场景中”这一限定条件。

2、国防部署的数据获取受限与替代方案

国防部署的数据获取,在三个结构性维度上受到限制,这些限制决定了军用数据闭环不能简单复制民用的“部署即采集”模式。

第一个限制是部署规模的天花板。民用场景中,企业可以通过向数千家工厂销售机器人来积累数据,每一家客户的产线都成为数据采集节点。军事场景中,机器人的部署单位是部队和基地,其数量以百台计而非以千台计。即便军方在多个基地部署人形机器人用于后勤保障或设施维护,其产生的数据总量与民用市场不在同一量级。这意味着军用数据闭环的起点规模就不足以支撑纯数据驱动的模型训练,必须依赖预训练阶段的民用数据来覆盖通用能力,军事专用数据仅用于微调。

第二个限制是场景的可记录性。民用产线中的数据采集可以通过在机器人本体和工位上安装传感器来实现,采集行为本身不影响生产。军事场景中,许多任务发生在保密设施内或战术环境中,持续的数据记录可能涉及敏感信息的泄露风险。一个在弹药库中搬运物资的机器人,其视觉数据中包含了库房布局、物资堆放方式和安全设施位置,这些信息的数据化存储和传输需要经过严格的脱敏和审批流程。这一约束使得军用数据的采集频率和粒度都低于民用场景。

第三个限制是任务失败的可容忍度。民用数据采集中,机器人的失败操作(掉落物体、碰撞、错误抓取)是有价值的数据,因为它们揭示了模型的边界。军事场景中,某些失败操作的后果是不可接受的(武器误操作、危险品处置失误),这限制了通过试错来采集边界数据的方法。军方更倾向于在仿真环境中探索失败模式,而非在真实部署中让机器人“学会犯错”。

在这些限制下,国防数据获取的替代方案指向一个分层策略。预训练阶段依赖民用训练场和商业部署积累的通用物理交互数据,覆盖抓取、导航、基本操作等非对抗性能力。微调阶段使用军方在受控环境中采集的有限但高价值的专用数据,聚焦于军事场景的特殊变量:装备操作、地形通过、通信受限条件下的行为。验证阶段依赖仿真环境和硬件在环测试来覆盖真实部署中无法安全探索的边界条件。这一分层策略的核心逻辑是:不追求军用数据的规模,而是将有限的军用数据用在最能产生差异化价值的地方。

Omnia公司在美国军用人形机器人合成数据管道研究中披露的技术路线,为这一策略提供了产业层面的参照。该公司将其合成数据管道的技术成熟度定位在TRL 5至TRL 6之间,即组件在相关环境中验证、原型在相关环境中演示的阶段。其技术风险清单中将“合成到现实的迁移保真度”列为首要关注,明确提出的缓解策略包括混合训练(合成数据加精选真实数据)和对抗性场景生成。这一策略的实质是承认纯合成数据不足以支撑军事部署,但纯真实数据在军事场景中不可获得,因此必须在两者之间建立配比关系。军用真实数据的稀缺性决定了它在配比中的角色是“校准锚点”而非“训练主体”:用有限的真实数据来校准仿真环境的保真度,再用校准后的仿真环境来生成大规模训练数据。

(二)仿真数据的战略价值

1、合成数据在军事场景中的成本与安全优势

合成数据在军事场景中的战略价值,首先体现在成本结构的根本性差异上。真机数据的成本由硬件折旧、操作人员工时、场地维护和运行能耗构成。北京亦庄具身智能数据训练基地的遥操作真机数据报价在每小时五百至一千元区间,被业内称为“黄金数据”。同等一百万小时的数据量,真机采集的总成本可能高达十亿元量级,而仿真合成数据的成本可以压到每小时二十至五十元,总成本在数千万元级别。这一数量级的成本差异,在民用场景中已经足以驱动企业向仿真倾斜,在军事场景中则更为关键:军费中的每一笔数据采集支出都需要与装备采购、训练和保障竞争,仿真数据的成本优势使其成为在有限预算下扩大数据覆盖面的唯一可行路径。

但成本优势只是合成数据价值的表层。更深层的战略价值在于安全维度,这一维度在军事场景中具有民用场景中不存在的权重。真机数据采集在军事环境中面临的风险是多重的。物理风险:机器人在危险环境(爆炸物处置、核设施巡检、战场废墟)中采集数据时,机器人本身和操作人员都处于风险之中,一次失败可能导致设备损毁或人员伤亡。信息风险:真实采集的数据中不可避免地包含敏感信息,其存储、传输和使用需要建立一套复杂的保密体系,而这套体系本身消耗资源并限制数据的可用范围。时间风险:军事场景中某些条件(极端天气、电磁对抗、特定战术态势)的可获得性受制于训练计划和实战机会,无法按需触发。

仿真环境对这三类风险的规避是结构性的。物理风险被消除,因为失败发生在虚拟空间中,机器人模型的损坏不产生实际损失。信息风险被大幅降低,因为仿真场景由人工构建,不包含真实设施和装备的敏感信息,生成的数据可以在较低密级下使用和共享。时间风险被消除,因为仿真可以按需生成任意条件的场景,不受训练计划和实战机会的限制。美国陆军x科技人形竞赛中,水上滑行公司将其为海军陆战队设计的十千瓦燃料电池系统小型化后用于人形机器人测试,其燃料电池的测试无法在真实人形机器人上长时间进行(因为会耗尽机器人的运行时间),但可以在仿真和硬件在环环境中反复验证功率输出和热管理特性。这一案例的逻辑是:仿真不仅替代了真实数据的采集,还创造了真实环境中无法进行的测试条件。

合成数据在军事场景中的另一项独特优势,是它对“边缘条件”的覆盖能力。真实部署中,极端条件(沙尘暴、电磁脉冲、化学污染、城市废墟的特定构型)的出现概率低,且无法按需触发。仿真环境可以系统性地生成这些条件,使模型在部署前就暴露于它们。Omnia的技术路线中明确将“边缘案例覆盖”列为第二项技术风险,其缓解策略包括与陆军主题专家合作扩展场景库、引入随机化环境生成以暴露自主性于极端边缘条件。这一策略的军事含义是:战场上的失败往往来自训练中从未见过的条件,而仿真是在部署前系统性地枚举和覆盖这些条件的唯一手段。

2、仿真到现实迁移损耗对战场可靠性的影响

仿真到现实的迁移损耗,是合成数据战略价值最根本的制约因素,在军事场景中其后果的严重性远超民用。民用场景中,迁移损耗的表现是机器人在真实产线上的成功率低于仿真中的预期,其代价是效率损失或人工干预的增加。军事场景中,迁移损耗的表现是机器人在战场条件下无法完成预期任务,其代价可能是任务失败或人员伤亡。

迁移损耗的来源可以分解为几个层面。物理建模的不完整性是最基础的来源。仿真环境中的刚体动力学、接触力学和摩擦模型是对真实物理的近似,而非精确复现。在抓取任务中,仿真中的物体表面被建模为具有均匀摩擦系数的理想平面,而真实物体的表面可能存在局部油污、微观粗糙度变化或温度依赖的摩擦特性。这些细节在民用抓取中可能只导致成功率的小幅下降,在军事场景中(如排爆机器人抓取不稳定的爆炸物、战场急救中操作受损装备)则可能导致灾难性后果。Omnia的技术风险分析中明确指出,在合成数据上训练的模型在暴露于未建模的真实世界条件(如灰尘、极端天气、敌方对抗措施)时可能出现性能差距。

分布偏移是迁移损耗的第二个来源,在军事场景中尤为严重。仿真环境由设计者构建,其场景分布反映了设计者对战场条件的预设。真实战场中,敌方会主动改变条件以破坏对方系统的预期:伪装改变视觉特征,烟雾和灰尘改变光学传播,电磁干扰改变通信可靠性,战术欺骗改变行为模式。这些变化不在仿真场景库的预设分布之中,构成了分布偏移的极端形式。一个在仿真中表现良好的模型,在遭遇未预设的对抗条件时,其行为可能以不可预测的方式失效。Omnia将“对抗检测与生存性验证”列为第四项技术风险,指出准确建模敌方光电/红外、雷达和电子战系统在合成环境中具有挑战性,不完善的建模可能降低对抗检测训练的有效性。

迁移损耗的缓解策略,在技术层面已经形成了一些可操作的方法。混合训练是最直接的策略:在训练数据中混合合成数据和真实数据,使模型同时暴露于仿真的规模优势和真实的保真度。Omnia明确将其作为首要缓解策略,并计划在技术成熟计划中通过基准测试混合数据集与陆军提供的商业机器人数据来验证其有效性。域随机化是另一种策略:在仿真中对渲染参数、物理参数和环境条件进行随机化,使模型学习到对这些变化的鲁棒性,而非对特定仿真设置的过拟合。这一方法的逻辑是,与其追求仿真的精确性,不如让模型在仿真中学会适应变化,从而在真实环境中具有更强的泛化能力。

但这些策略在军事场景中的有效性存在边界。混合训练需要真实数据作为校准锚点,而如前所述,军事真实数据的获取是受限的。域随机化可以覆盖参数空间中的变化,但无法覆盖结构性的分布偏移(如敌方采用全新的对抗手段)。仿真到现实的迁移损耗不可能被完全消除,只能被管理和降低。这一事实对军事应用的含义是:仿真数据可以支撑模型的预训练和初步验证,但军事部署前的最终确认必须包含真实环境中的测试环节。Omnia的成熟计划中将“实地验证循环”作为校准仿真环境的手段,并计划在第八个月交付包含从合成数据生成到AI模型训练到人形原型执行战士技能一级任务的集成演示。这一安排承认了仿真与真实之间的差距无法在仿真内部闭合,必须通过真实测试来校准和确认。

对于中国军用人形机器人的数据策略而言,这一判断的实践含义是:仿真数据应当被定位为“加速器”而非“替代品”。它在预训练阶段的价值是无可替代的,因为它使模型在接触真实军事数据之前就获得了广泛的物理常识和任务基座。但它在验证和部署阶段的作用是辅助性的,真实环境中的测试和迭代仍然是不可跳过的环节。军用数据闭环的合理结构是:民用数据和仿真数据支撑预训练,有限的军用真实数据用于微调和校准,仿真与真实交替的验证循环贯穿部署前的全过程。这一结构的效率取决于两个变量:仿真保真度的提升速度,以及军用真实数据的采集效率。前者依赖于物理引擎和传感器建模的技术进步,后者依赖于军方与产业界在数据采集标准和隔离机制上的制度设计。两个变量的演进节奏不同,其耦合方式将决定军用人形机器人从工程验证走向实战部署的实际时间表。当前公开信息所呈现的状态是:仿真能力正在快速提升,但军事真实数据的采集仍处于零散的试验阶段,尚未形成制度化的产能。这一不对称意味着,在可预见的未来,迁移损耗仍将是军事部署可靠性的主要风险来源,而缓解这一风险的努力,将更多依赖于仿真保真度的进步和验证方法的改进,而非真实数据规模的扩大。


点击数/观注度 124
  • 你可能感兴趣的?
  • 李桂松:人形机器人与具身智能报告(十二)    
    李桂松:人形机器人与具身智能报告(十一)    
    李桂松:人形机器人与具身智能报告(十)    
    李桂松:人形机器人与具身智能报告(九)    
    李桂松:人形机器人与具身智能报告(八)    
    李桂松:人形机器人与具身智能报告(六)    
    李桂松:人形机器人与具身智能报告(五)    
    李桂松:人形机器人与具身智能报告(四)    
    李桂松:人形机器人与具身智能报告(三)    
    李桂松:人形机器人与具身智能报告(二)    
    云阿云智库●区域经济研究院
    北京市平谷区中关村科技园区平谷园1区-21594(集群注册)
    13360021949 (李博士)
    liguisong2006@163.com
    京ICP备16017448号
     
    公安部备案
    技术支持