过去几年，AI的两次规模化发展，都离不开充足的数据供给。
大语言模型可以直接利用互联网上积累多年的网页和代码数据，通过持续训练提升模型能力；自动驾驶企业则可以依靠量产车辆的影子模式（Shadow Mode），从真实道路中持续收集行驶数据和人工接管记录。以特斯拉为例，其通过全球数百万辆量产车，将数据采集融入日常驾驶过程，不需要额外组织大规模人工采集。
但到了具身智能领域，这样的数据供给条件并不存在。
过去两年，行业主要依靠真机遥操作和第一视角（EGO）可穿戴设备采集数据，累计获得的真机有效数据和EGO数据也只有数百万小时。对于已经投入大量资金的机器人公司和大模型企业来说，想要获得足够规模的高质量训练数据，依然不容易。
10月30日，空间智能公司影溯（InSpatio）在杭州落地全国首个具身仿真数采中心。影溯预计，该中心将单月生产100万小时仿真训练数据，单条数据综合成本约为传统真机遥操作采集的1/10。
全行业花费两年积累数百万小时数据，影溯凭什么计划将产能提升至单月百万小时？要回答这个问题，我们需要先看清当前具身智能数据采集面临的困难，以及影溯如何将现实场景转化为机器人训练数据。
一、 为什么现在的具身行业，做不到大批量的数据供给？
合格的具身Token需要同时包含三个要素，即三维空间观测、真实物理接触反馈和可执行动作序列。
也就是说，数据不仅要记录机器人看到了什么，还要包含机器人如何与物体交互，以及动作发生后产生了怎样的变化。
围绕这些要求，目前行业主要有2条数据获取路径：一条是在物理世界，通过真机和可穿戴设备采集；另一条是在数字世界，利用三维建模和物理仿真生成数据。但渐渐地，两条路径都开始出现效率瓶颈。
1、去物理现场硬采：受限于时间、环境和场地
真机遥操作是目前获取机器人动作数据的主要方式之一，但采集效率并不高。
一名操作人员控制一台机器人工作一小时，扣除设备调试、故障处理和任务复位等时间，有效采集轨迹可能不到半小时。想要扩大数据规模，就需要增加机器人数量和操作人员，采集效率十分受到物理时间和设备规模的限制。
为了降低机器人本体的投入，不少团队转向了EGO第一视角穿戴采集，通过记录人类在真实环境中的操作过程获取数据，但这种方式同样存在局限。
首先，环境调整不够灵活。EGO采集依赖真实场地，如果需要测试不同的杂物遮挡、光照条件或台面材质，就必须安排人员重新进入现场，搬动道具、调整布景，再次进行采集。
其次，很多真实场地并不允许外部团队随意改造，例如营业中的商超、车间和药房等。即使训练中发现了问题，训练团队也未必能够回到原场地复现。
更不用说高危作业区、工业产线、脏乱差环境、安防场所和私人住宅等场景，还存在严格的准入限制，外部团队和设备很难进入。
2、向数字世界要产能：受限于场景建模效率
相比真实环境采集，仿真能够在虚拟环境中反复调整场景和任务，减少对真机和人工的依赖。但仿真平台本身并不能直接提供训练数据，首先要解决的就是场景建模效率问题。
以Isaac Sim等物理仿真引擎为例，平台提供了机器人运行和物理交互的模拟环境，但房间搭建、物体建模、关节绑定、碰撞边界设置，以及摩擦系数等物理参数，仍需要人工处理。找3D美术师从头搭建一个可交互房间，往往需要几天甚至几周，成本和时间投入都不低。
那能不能直接让大模型完成建模？
最近，GPT-6 Astra、Atlas等模型都开始尝试三维场景自动生成，但距离直接用于机器人训练，还有不少问题需要解决。
以GPT-6 Astra调用Blender建模为例，其底层仍然需要经历“调整参数—渲染成图—比对参考图—再次调整参数”的反复过程。在这个流程下，生成一个物体需要几十分钟，一个场景则需要数小时。多轮推理和渲染更是会增加生成成本，程序化拼接出来的场景也容易带有明显的CG感。
除了效率和成本，生成场景的真实性与一致性也很重要。
无论是通过代码参数拼接场景，还是通过单张图片推测物体未被拍摄到的部分，如果缺少真实空间测量作为约束，就很难保证不同视角下的几何结构、整体空间尺度和物理关系一致。这些误差会影响机器人在仿真环境中的操作，也会增加从仿真到现实的迁移难度，也就是业内所说的Real2Sim Gap。
真机和EGO采集受制于时间、场地及环境调整，仿真数据生产则面临人工建模效率低、AI生成成本高、场景真实性不足等问题。
如何快速获得能够支持机器人实际操作的数字场景，成为具身数据规模化生产亟需跨过的一道鸿沟。
二、 影溯的破局思路：用工业流水线逻辑，建一座具身Token工厂
AI算力中心常被称为AI时代的“Token工厂”，通过整合电力、芯片和原始数据，持续输出模型训练和推理所需的Token。
影溯在杭州落地的具身仿真数采中心，也采用了类似的思路。它通过自研的Topos空间智能底座，将现实空间转化为可交互的数字场景，再用于生成机器人训练数据，一共拆成了三道全自动工业产线：
1、上游场景入厂：15分钟把真实场地搬进云端，替代按周计算的手工建模
针对上文所述问题，影溯将场景采集改为多源轻量输入与原生3D生成。
对于能够短暂进入的场地，影溯使用便携式设备进行扫描，设备进场15分钟即可完成上百平方米空间的采集。对于不方便进入的受限或私密场所，则可以使用现场人员拍摄的多视角视频和照片，或者调用原生3D场景生成能力，构建对应的数字环境。
原始数据进入Topos引擎后，系统通过算法完成三个步骤：
第一步是物体拆解。系统自动识别水杯、药盒、抽屉、门把手等可操作物体，并将它们从背景中独立剥离，解决普通三维扫描中物体与场景容易粘连的问题。
第二步是盲区补全。针对相机无法拍摄到的物体背面、底部，以及移走物体后留下的台面空洞，系统调用原生3D生成模型进行补全，生成完整闭合的三维模型。
第三步是物理标定。系统为物体生成碰撞边界，赋予质量、摩擦系数等物理属性，并为柜门、抽屉配置旋转和滑移关节轴，使其能够直接进入物理仿真器。
经过这些处理，现实中的住宅、商超、餐厅和仓库等场景，就可以转化为可运行的数字场景。据影溯介绍，完成扫描后，相关场景能够在几小时内完成转换。
这样一来，经过数字化处理后，同一场景可以在仿真环境中反复使用，也可以调整物体位置、环境条件和交互方式，生成不同的机器人训练场景。
2、中游算力扩展：把现场搬道具和串行采集，变成云端的受控调整与并行合成
真实空间一旦拆解为可编辑的数字母本，EGO 和真机采集最头疼的环境调整难与单机串行瓶颈便迎刃而解。
在影溯的产线上，一个真实场景入库后可以反复调用。需要增加环境变化时，系统可以直接调整数字场景中的参数。之后，系统只需引入少量真实示范动作作为种子，就能在云端启动多个仿真通道，并行规划和执行动作。
底层物理引擎会实时计算抓取、推挤、放置等操作产生的力学结果，并筛除穿模、滑落等失败尝试，最终批量生成包含深度、位姿、接触力和动作语义等信息的具身Token。
这种方法直接改变了具身数据的生产方式：数据产量将更多取决于数字场景的复用程度和云端并行算力规模。原本需要人工反复布置和采集的工作，基本都可以转移到云端完成。
3、下游品控与闭环：拒绝同质化凑数，按模型短板定向补齐数据
数据规模扩大后，如何避免重复采集、保证数据有效性，也是影溯需要解决的问题。
影溯为场景统计设置了去重标准：所有场景都以独立、完整的房屋或经营场所建档。同一房间仅改变灯光或拍摄角度，只计作场景内部的变体，不重复计入场景总数。数据交付端，则按照空间几何（L1）、物理交互（L2）、任务闭环评测（L3）分级供给。
与此同时，数据生产也与下游模型评测形成了闭环。
当客户模型在测试中暴露出短板，例如遇到透明水杯、强反光台面或密集堆叠遮挡时频繁失败，影溯可以根据失败原因，在数字场景中定向生成一批相似的复杂环境，不必重新派人到现场搭建场景、采集数据。新生成的数据用于补充模型薄弱环节，也可以在同一套环境中进行回归验证。
结语：将物理空间作为原材料，具身需要自己的Scaling Law
语言模型之所以能沿着Scaling Law快速提升能力，前提是互联网替人类完成了文本数据的数字化汇集。
而机器人要走出实验室、进入千差万别的真实物理世界，始终面临一个数据转化难题——物理世界本身是连续、无序且无法直接交给模型训练的。
当行业里大多数团队还在靠增加机位、扩招采集员的线性方式逐步积累数据时，影溯给出了另一种解法：把物理空间当成原材料，用三维重建、生成模型与并行仿真搭起一座全天候运转的具身 Token 工厂。
当百万小时量级的物理交互数据开始像工业品一样按月排产，具身智能的大规模训练才有了稳定的数据基础。
