数据从哪来：人类示范与遥操作怎么喂机器人

前情提要 上一回第 33 篇《软体机器人：用柔软去碰坚硬的世界》讲到，机器人的"身体该多硬"本身是一道设计题——不是越硬越好，也不是越软越好，得看它要去碰一个怎样的世界；软体用贴合和安全，化解了刚性手最怕的形状不确定。可无论身体是硬是软，一个绕不开的真相是：机器人并不会"天生会干活"，它得先被喂进海量"看到什么、做了什么"的配对数据，才能慢慢变聪明。而"数据从哪来"，正是摆在工程师面前的一项大工程。这又正好连着第 30 篇《三道难关与未来：泛化、安全、成本》里那道"泛化"难关——数据够不够多样，决定了机器人换个场景还认不认得。

一、让机器人叠衣服，难在哪

想象你让机器人叠一件 T 恤。听起来多简单，三岁小孩都会。可你真把 T 恤丢给一台机械臂，它多半会愣住：它不知道 T 恤是软的、得轻拿轻放；不知道要先抖开、再对折、把袖子往里收；更不知道衣服皱了得先捋平。这些问题，人类靠的是从小到大的生活经验，是一种"隐性知识"——你从没被人用公式教过"叠衣服时手指该使多大劲"，但你就是会。

机器人没有这份人生经验。它所有的"会"，都得从数据里长出来。所谓"喂数据"，就是给机器人看大量的例子：在这个画面下，人类是怎么动的；在那个画面下，又该怎么做。看得够多、够杂，它才慢慢琢磨出规律。说白了，机器人变聪明，靠的不是某一句咒语，而是一天天被"喂"出来的海量样本。

二、人类示范：人先做一遍，机器人照猫画虎

最直接的办法，就是"人先做一遍"。这叫示教，也叫模仿学习。你戴上动作捕捉设备，或者用手在机器人身上带着它走一遍，把整个过程录下来——摄像头拍下你看到的画面，传感器记下你手臂、手指的每一个动作。一帧画面，配上一组对应的动作，就成了机器人眼里的一对"例题"。

收集到成千上万对这样的例题后，再交给模型去学：看见这种画面，就该这么动。就像教小孩认猫，你不用讲猫有几条腿、毛是什么质感，你指着一只只真猫说"这是猫"，看多了他自然会认。机器人学叠衣服也是同理：给它看成千上万段"人叠衣服"的视频加动作，它就能照猫画虎地学个大概。

这种"照着学"的好处是省心——你不用把任务拆成冷冰冰的规则，人怎么做，它就怎么学。但麻烦也在这：人做得标准，它才学得好；人要是随手乱叠，它也跟着学歪。而且，它只能学到"示范里出现过的"，示范里没见过的花样，它照样抓瞎。

三、遥操作：人隔空"附身"，边做边记

比单纯看视频更狠的一招，叫遥操作。简单说，就是人隔着一个屏幕，用自己的手去"驾驶"机器人本体的手。你戴上一副能感应手指动作的手套，或者握着一个手柄，远在另一头的机械臂，就跟着你的手一模一样地动。你伸手、它伸手；你捏、它捏。

关键在于：机器人一边被你操控着做动作，一边把"这一刻它看到了什么、你让它做了什么"实时记录下来。这一记，就记下了最宝贵的真机数据——不是看别人做，而是机器人自己"身体力行"时被同步采到的"所见→所动"配对。这种数据质量极高，因为它来自机器人真实的身体、真实的相机、真实的关节，比看视频模仿要"贴身"得多。

所以遥操作常被当成高质量真机数据的主力来源。你想让机器人学会抓杯子、开门、递东西，就让操作员戴上手套，隔空把机器人操控着做上一万遍，背后的数据库就悄悄攒下了上万条"真家伙"样本。这也是为什么很多机器人公司养着一队专门的"遥操作师傅"，天天像打游戏一样远程操控机器人干活——他们干的，其实是在为机器人"攒学费"。

四、为什么真实数据这么贵

听到"攒一万遍"，你可能觉得：那多找几个人不停地做不就行了？现实没这么轻松。真实数据的贵，贵在三件事同时难。

一是要"多"。机器人学一个动作，往往得看成千上万遍才学得像样，样本太少它记不住。二是要"杂"。第 30 篇里那道"泛化"难关说的就是这事——你只在白天的桌子上教它抓杯子，它夜里换到暗处就傻了；你只教它抓马克杯，它见了玻璃杯就懵。要它换个场景还认得，数据就得覆盖各种光照、各种背景、各种长得不一样的杯子。三是要"准"。每一帧画面配的动作，都得标得分毫不差，标错了机器人就学歪。

可真实采集，又慢又烧钱。一台机器人本体的价格动辄几十万，操作员得守在旁边，一帧一帧地录、一条一条地校。摔了、撞了，还得出维修费。所以真实数据从来不是"想要多少有多少"，而是工程师手里最金贵的资源。

五、仿真来补位：在电脑里先练千万次

既然真机数据又贵又慢，聪明人就想：能不能先在电脑里造一个"假的"机器人，让它在虚拟世界里随便练？这就是仿真，也叫数字孪生——在屏幕里建一个和真实机器人一模一样的数字分身，连同它要碰的桌子、杯子、地板一起模拟出来。

虚拟世界的好处是"不要钱也不要命"：你可以让数字机器人一天叠十万件衣服、撞一万次桌子，不花一分电费、不坏一台机器。等它在里面练得滚瓜烂熟，再想办法把学到的本事"搬"到真机器人身上。这套思路叫"从仿真到现实"。

可惜，理想和现实之间有条缝，行内叫"仿真到现实的鸿沟"。虚拟杯子摸起来是软是硬、地板反光强不强，电脑算得再细，也和真世界差着一口气。机器人可能在仿真里是个叠衣高手，一上真机就笨手笨脚——因为真衣服会滑、会皱、会不听话，虚拟世界没完全复刻。所以仿真能补量，却很难完全替代真机数据，两者得搭配着来。

六、数据从哪来，决定机器人能多聪明

绕了一大圈，回到开头那句话：机器人变聪明，靠的是被喂数据；而"数据从哪来、够不够好"，几乎决定了它能聪明到什么程度。三路数据汇到一起，才喂出能干的机器人：

这一点，前面几篇其实早就埋了伏笔。第 21 篇《VLA 模型：让机器人"看懂"就"做对"》里说的视觉-语言-动作模型，靠的就是海量"看到什么画面、听到什么话、该做哪个动作"的三件套配对数据——没有这种数据，再大的模型也吐不出靠谱动作。第 20 篇《大模型上车：从"聊天"到"动手"》里，大模型要真正指挥身体去动手，也离不开真实世界里采到的动作样本。而第 30 篇那道"泛化"难关更直白：数据的多样性，直接决定机器人换个场景还认不认得。

所以说，具身智能这场仗，上半场拼的是算法和脑子，下半场拼的其实是"数据工程"——谁能更便宜、更多样、更精准地把真实世界的经验喂进机器人，谁就离"真能干活"更近一步。身体再巧，也得靠数据喂养；数据这道源头活水，才是机器人聪明的真正地基。

读后小测

「3 句话复述」 1. 机器人没有天生经验，它所有的"会"都来自被喂进的"看到什么、做了什么"配对数据，靠模仿人类示范和遥操作一点点学出来。 2. 遥操作让人隔空驾驶机器人本体、边做边记录"所见→所动"，是高质量真机数据的主力来源；而真实数据贵在要多、要杂、要准，采集又慢又烧钱。 3. 仿真（数字孪生）能在电脑里让虚拟机器人免费练千万次来补量，却因"仿真到现实的鸿沟"难以完全替代真机数据；数据从哪来、够不够好，决定了机器人能多聪明。

「1 件动手小事」 今天挑一件你闭眼都会做的小事（比如系鞋带、折毛巾），拿出手机录下自己做的全过程，边录边留意：你下意识使了多大劲、先动了哪根手指、怎么处理打滑——这些你从没教过别人的"隐性知识"，正是机器人最想从数据里学到、却最难被记录下来的东西。

下一回，第 35 篇《具身智能与脑机接口：身体还能是"意念"吗》：你会看到当"数据喂养"走到极致，人们开始想着绕过手脚、直接用大脑意念去指挥身体，机器人的"身体"边界还能被推到多远。