撰文：@brezshares

编译：AididiaoJP，Foresight News

背景摘要

通用人形机器人正在迅速地从科幻小说走向商业现实。得益于硬件成本的下降、资本投入的激增以及运动和灵活性的进步，AI 计算领域正在酝酿着下一轮重大转型变革。

虽然 AI 云计算和硬件设施日益普及，为机器人工程提供了低成本的制造环境，但该领域仍然受到训练数据不足的限制。

Reborn 尝试利用 DePAI 进行去中心化高保真运动和合成数据，并构建机器人基础模型。该项目成员来自加州大学伯克利分校、康奈尔大学、哈佛大学和苹果公司等。

人形机器人：从科幻到现实

机器人商业化并非新概念，例如 2002 年推出的 iRobot Roomba 吸尘器，或近年流行的 Kasa 宠物摄像头，但它们通常只有单一的功能设计。随着人工智能技术的发展，机器人正逐渐从单一功能机器演变为多用途设备，并且能够在非结构化环境中运行的智能体。

未来 5 至 15 年内，人形机器人将从基础的清洁、烹饪等任务，逐步扩展至礼宾服务、消防救灾甚至外科手术等复杂领域。在以下三大趋势中，愿景逐渐变成现实：

• 市场快速扩张：全球已有超过 100 家公司投身于人形机器人研发，包括特斯拉、Unitree、Figure、Clone、Agile 等知名企业。

• 硬件技术突破「恐怖谷」：新一代人形机器人动作流畅自然，能够与人类进行丰富的互动。例如，Unitree H1 的行走速度达到 3.3 米 / 秒，远超人类平均的 1.4 米 / 秒。

• 劳动力成本新范式：预计到 2032 年，人形机器人的运营成本将低于美国普通劳动力的工资水平。

瓶颈：真实世界训练数据的稀缺性

尽管人形机器人领域前景广阔，但如果要进行大规模部署，仍会受限于训练数据的质量与规模。

其他 AI 领域（如自动驾驶）已通过车载摄像头和传感器解决了数据问题。例如，特斯拉和 Waymo 通过庞大的真实驾驶数据训练其自动驾驶系统。Waymo 能够让车辆在道路上进行实时训练，并在训练期间在副驾驶座位上安排一名机器人教练。

但是消费者在使用机器人时主动提供数据的意愿较弱，消费者不太可能容忍「机器人保姆」的存在。因此人形机器人必须在出厂时即具备高性能，这使得部署前的数据采集成为关键挑战。

虽然每种训练模式都有自己的规模单位，但机器人训练数据的规模与其他 AI 领域存在的差距达到数量级：

• GPT-4：训练数据包含超过 15 万亿文本。

• Midjourney/Sora：依赖数十亿的标注视频 - 文本对。

• 机器人数据集：最大规模仅约 240 万条运动片段。

这种差异说明了为什么机器人技术尚未建立真正的基础模型，因为数据根本无法收集。传统数据收集方法难以满足需求：#p#分页标题#e#

1. 仿真训练：成本低廉但缺乏真实世界的小众案例（即「Sim2Real 鸿沟」）。

2. 网络视频：缺少机器人学习所需的受力反馈或本体感知数据。

3. 真实数据采集：需人工远程操控，单台机器的成本超 4 万美元且难以规模化。

Reborn 尝试通过去中心化模式低成本、高效率地获取真实世界数据，从而有效解决 Sim2Real 鸿沟问题。

Reborn：DePAI 的全栈解决方案

Reborn 致力于构建一个垂直整合的物理 AI 软件与数据平台，其核心目标是解决人形机器人的数据瓶颈，但愿景远不止于此。通过专有硬件、多模态仿真基础设施和基础模型开发，Reborn 旨在成为智能人形机器人领域的全栈推动者。

ReboCap：众包高保真运动数据

ReboCap 是 Reborn 开发的低成本动作捕捉设备，目前已售出超 5000 台，月活跃用户（MAU）达 16 万。

Reborn 以优于其他替代方案的经济效益实现数据采集。

用户通过 AR/VR 游戏生成高保真运动数据，并获得网络激励。这种模式不仅吸引了游戏玩家，还被数字主播用于实时驱动的数字虚拟形象。这种自然的循环互动完成了可扩展、低成本且高保真度的数据生成。

Roboverse：统一多模态仿真平台

Roboverse 是一个多模态仿真平台，旨在统一分散的仿真环境。当前机器人仿真工具（如 MuJoCo、NVIDIA Isaac Lab）功能各异但互不兼容