人形机器人工厂加速扩张，训练它们的数据却跟不上

9 月 30 日，新泽西州数据工程公司 Innodata 表示，它启用了一座研发设施。这套设施直接从人类和机械身体上采集三维运动，而不是从二维视频里推断动作。据 The Robot Report 报道，公司把这套方案说成是对一个瓶颈的修补：真实世界的交互数据不够，而现有的数据又贵又慢，每个机器人团队都会撞上这堵墙。

Innodata 不是机器人制造商。它卖的是数据和评测框架，现在把这些卖给物理 AI 公司。这些公司需要用人不假思索就能完成的任务来训练人形机器人和工业机械臂。

“物理 AI 的增长速度超过 AI 的任何其他细分领域，但每个机器人团队都会撞上同一堵墙，”Innodata 首席执行官 Rahul Singhal 在声明中说。“真实世界的交互数据不够，而现有的数据又贵又慢。”

为什么数据缺口比硬件更重要

大语言模型有互联网可以学习。机器人没有。Innodata 机器人与物理 AI 副总裁 Franklin Tanner 对 The Robot Report 说，物理 AI“必须一次一次交互地挣得自己的 token，而且每一次都得是刻意的。”实验室的传感器要记录每个关节最细微的动作，Innodata 称这让训练更准确、更高效。Tanner 举了机器人拿杯子的例子：抓把手还是抓杯身，在杯子装满热水之前，差别可能看不出来。

这是数据问题，不是电机问题。而它只是同一周里冒出来的几个瓶颈之一。

总部位于巴黎的 Inbolt 在 9 月 30 日融资 1100 万欧元，把实时三维视觉和一层不依赖硬件的 AI 推上现有的生产线。Tech.eu 报道，本轮由 Shift4Good 领投，Bridges Climate Transition Partners 以及现有投资方 BNP Paribas Développement 和 Ora Global 参投，累计融资达到 3000 万欧元。Inbolt 称其软件已经部署在三大洲 100 多家工厂的 200 多台机器人上，客户包括 Bosch、Beko、Flex、Ford、Stellantis 和 Toyota。

同样在 9 月 30 日，MindOn 推出 Mind-1，一款物理 AI 模型。公司称它把机器人推理延迟从 82ms 降到 32ms，并把操作任务的循环时间带到人类水平。公司的论点是：一台比人慢五倍或十倍的机器人，不管在演示里看起来多能干，都很难整合进真实的工作流程。

基准测试的问题

能力宣称越来越难以比较。Fig. 于 9 月 30 日发布的一份技术报告，在网页自动化和四个物理领域（操作、装配、工业流程和驾驶）上评测了包括 Astra 和 Opus 5.5 在内的前沿模型。作者没有找到明显的性能领先者。在他们测试的每一对模型里，得分较低的那个至少解决了一个得分较高者漏掉的任务。

同样的不均衡也出现在各个物理领域：在每一个领域平均值上都击败 Gemini 3.5-Flash 的模型，在某些任务类别上仍然更差。团队发布了一个逐项数据集 RIDGE，覆盖全部五个领域。

与此同时，制造业的扩建还在加速。据 Electrek 9 月 30 日报道，特斯拉计划在得克萨斯州建设的太阳能工厂被卷进两家中国设备制造商之间的美国专利诉讼。Linton Crystal Technologies 于 9 月 22 日在得克萨斯联邦法院起诉浙江晶盛机电，涉及两项专利，覆盖直拉单晶炉的一部分，这种炉子用来拉制单晶硅锭。晶盛机电在 9 月 24 日向投资者披露了这起诉讼，称其产品使用的“技术方案与这些专利完全不同”，预计不会产生重大影响。

并非所有机器人新闻都属于工业。9 月 30 日，一家市值约 240 万美元的纳斯达克上市公司表示，已向特斯拉发出采购询价，要买 500 辆 Robotaxi。据 Electrek 报道，KIDZ AI 的前身是名为 Classover Holdings 的在线编程学校，其第二季度服务收入同比下降 34%，降至 48 万美元，季度亏损 250 万美元。公司自己的新闻稿说，这份询价不是有约束力的订单。

公告与真正部署的机器之间的差距，不会自己缩小。