工业AI

训练数据匮乏正严重制约人形机器人发展

2026 年 9 月 24 日

尽管生成式AI推动机器人产业加速发展，但人形机器人研发面临训练数据严重短缺困境：所需视频数据量庞大、采集设备不兼容导致噪声高，且物理世界理解无法仅靠文本数据实现，直接影响现实部署安全性。

Lack of training data stifling humanoid bot development

机器人技术面临一个重大问题。

尽管过去四年生成式AI技术的快速发展极大地推动了全球机器人产业并加速了人形机器人及其他商用机器人的测试与部署，但机器人开发者却因训练数据严重短缺而陷入某种僵局。

加拿大科技公司Telus Digital人工智能增长与解决方案副总裁Sce Pike在AI Business主办的Targeting AI播客节目中表示：“大语言模型……基本上吸收了整个互联网。”

Pike正领导Telus Digital的机器人项目及世界模型项目，她援引了前Meta AI首席科学家 Yann LeCun广为人知的类比：将AI模型的实际智能水平比作学龄前儿童。

Pike继续说道：“LeCun将物理世界的AI视为仅靠基于互联网的数据几乎无法企及的领域。他将其比作一名4岁儿童，其理解能力实际上约为大语言模型（LLM）的五倍。4岁儿童的学习方式是通过视觉输入——他们利用视觉视神经和感官输入来理解物理学原理、重力作用机制以及因果关系。仅靠阅读文本是无法获得这种理解的。”

Pike指出，训练当今先进机器人及其所依赖的、用于指导现实世界行为的“世界模型”所面临的最大障碍之一，是机器人开发者所需视频片段的数量极其庞大，且其计算与数据存储成本高得惊人。另一重障碍在于，用于采集物理世界数据以训练机器人AI模型的各类摄像头、激光雷达（lidar）设备及红外传感器彼此之间存在严重不兼容。

Pike表示：“这造成了大量噪声。”

Pike正在攻关人形机器人领域最重大的问题之一—— 物理安全性。

她说：“劣质数据在现实世界中引发的问题，远比聊天机器人仅提供错误信息所造成的问题严重得多——尽管后者同样可能带来严重后果。但在物理世界中……一个重大问题是：如果机器人摔倒后胡乱挥动肢体，而此时它正身处一家人流密集的购物中心。”

JOTO 企业落地观察

对企业部署而言，文章揭示物理世界AI落地的核心瓶颈不在算法或算力，而在高质量、多模态、时序连贯的现实场景视频数据获取能力——企业若缺乏自有产线、仓储或服务场景的数据闭环，将难以支撑机器人真实环境泛化。
对智能体工程而言，‘世界模型’依赖视觉与传感器融合输入，但当前摄像头、激光雷达与红外设备间严重不兼容，意味着智能体底层感知栈需重构适配层，而非仅优化决策模块，工程重心正从‘推理’前移至‘具身感知对齐’。
对AI安全治理而言，劣质数据在物理世界引发的风险远超信息错误，如人形机器人在商场摔倒后失控挥臂即构成人身安全威胁——这要求安全评估必须嵌入真实物理仿真与边缘失效测试，而非沿用LLM的内容安全护栏范式。