机器人没有免费的互联网遗产：给人类戴上传感器的数据工厂

训练大语言模型，网上有现成的几万亿网页随便抓。

想教机器人抓鸡蛋、拧螺丝、叠衣服？ 互联网可没这笔免费的遗产。

网上只有平面视频，没有物理交互。 怎么办？ 只能肉身去硬造。

红杉资本最近找 Mecka AI 的创始人 Josh Gao 聊了聊。 这家公司在硅谷做的事情，就是开一家「机器人数据工厂」。

刚开始创业的时候，他们的思路也很质朴。 开发一个手机应用，找一帮大爷大妈把手机绑在额头上。 做饭、洗碗、擦桌子，第一视角录下来传上去，按时长领钱。

很快他们就发现，这批数据练出来的机器人根本没法用。

为什么？ 因为视频只能看到像素，看不到力。

你看人伸手拿水杯，轻轻松松拿起来了。 但人手到底用了多大的劲？ 抓纸杯用两牛顿，抓铁锅用二十牛顿。 机器光看画面，根本不知道该使劲还是该收力，一上手要么抓空，要么把杯子捏爆。

市面上买不到现成的测力设备。 这家数据工厂只能自己画图纸、开模造硬件。

他们造了一顶布满多路摄像头的定制棒球帽。 又自研了一副带压力传感器的触觉手套。 把这些装备寄到几千个家庭、后厨、烘焙坊和电子元器件流水线。 让人类戴着全套传感器去切菜、装电路板、擦桌子。

听着像普通的众包平台，实际操作起来重得吓人。

每副手套和帽子回传的都是高帧率视频加高频受力数据。 几十万小时积累下来，就是几百个 PB 的体量。 为了不把网络挤瘫痪，他们在不少采集点硬生生拉了 100G 的上传专线。

中间还得跟作弊的人斗智斗勇。 有些老哥发现录第一视角能赚钱，直接去网上搬运别人戴运动相机在麦当劳打工的视频，录屏传过来冒领报酬。 数据工厂又得自建一套视觉质检算法，把这些搬运视频和低质样本一条条揪出来。

那现在整个行业攒了多少数据？ 两年前学术界顶尖的 Ego4D 数据集，全球也就 4000 个小时。 现在像 Mecka 这样的工厂，终于把数据量推进到了百万小时的量级。

但 100 万小时够用吗？ 拿自动驾驶比一下就知道了。

特斯拉做全自动驾驶 FSD 搞了十几年。 路上几百万辆车每天跑，喂进去海量的路测数据。 可一辆汽车在道路上，核心只有两个自由度： 一个方向盘转角，一个油门刹车控制的加减速。

就这两个自由度，全行业砸了十几年才做到今天这个程度。

而一只机器手就有几十个自由度。 再加上手腕、手臂和全身协调，还要接触软硬不同、随时形变的真实物体。 这中间的物理复杂度，比自动驾驶高出好几个数量级。

所以业内现在也不迷信单一数据来源了。 大家正收敛出一套「混合炖汤」的训练配方： 底层先用大约 100 万小时的人类第一视角数据，把物理常识和世界模型打牢； 中间垫上数万小时真实的机器人动作数据； 最后到了具体应用场景，比如特定的流水线工位，再由工程师遥操作几个小时做微调。 后面还得把触觉手套采集的受力数据和仿真物理环境一股脑倒进汤里。

很多人总在等机器人的 GPT-3 时刻，觉得某天早上一醒来，全能保姆机器人就能进家端茶倒水。 真实的工程落地没有这种一瞬间的顿悟。 它是一项一项具体任务的缓慢解锁。

家庭恰恰是机器人最难落地的场景。 环境太杂乱，地上还随时可能爬过来一个脆弱的人类婴儿。

第一批真正能跑通商业逻辑的，倒是最枯燥的受限环境。 流水线上重复抓取打包、半夜无人的工厂地面清洁、或者在酒店里把外卖从前台送到客房门前。

先把这些不用担心撞倒婴儿的工业场景一个个啃下来。 至于能把网球打出费德勒水准、甚至去外太空采矿的终极形态，还得等这副手套在地球上摸过足够多的东西再说。