这家公司为何投入1万小时开发智能数据处理工具？

机器之心发布

免费影视、动漫、音乐、游戏、小说资源长期稳定更新！ 👉 点此立即查看 👈

想象一下，你正在训练一个未来的家庭机器人。你希望它能像人一样，轻松地叠好一件衬衫，整理杂乱的桌面，甚至系好一双鞋的鞋带。但最大的瓶颈是什么？不是算法，不是硬件，而是数据 —— 海量的、来自真实世界的、双手协同的、长程的、多模态的高质量数据。

因此为了整个具身智能探索加速，开源集合成为了大家的共同选择，从谷歌 Open-X Embodiment、智元 AgiBot Digital World，到智源 RoboCOIN 与它石智航的 World In Your Hands，都在试图构建更庞大、更完善的数据集合，并开源给到全行业。

但在 1 月 6 日，有一家公司将这件事做到新高度，进行了超过 1 万小时、接近百万 clips 的具身数据集合开放，这是行业最大规模、也是泛化程度最高的开源数据集合，它就是简智机器人的 “10Kh RealOmni-Open DataSet”

（下载地址为：https://huggingface.co/datasets/genrobot2025/10Kh-RealOmin-OpenData，其他数据正在陆续上传。国内也与阿里魔搭、百度百舸合作，方便国内用户下载。）

这批数据集合和之前不同点在哪儿？

总体规模大，这个体量甚至已经超越很多具身公司自己所储备的数据，而在量大的同时，这个数据集合还期望它更加“实用”

首先需要它具备足够强的 “技能深度”，在简智开源数据集合中，没有选择去发散的扩充技能数量，而是聚焦在 10 个常见家庭任务集合中，从而对应每一项技能都有超过 1 万 Clips 规模的数据覆盖，这使得其不只是总体规模的最大，也是单个技能的行业最多

其次是质量、模态的要求，这决定这些数据是否真正能被模型消化理解，而画面的超大 FOV、清晰的画质是基础，保证可以全方位录制到周围的环境和人的操作细节，简智这次数据集合的像素达到 “1600*1296”“30fps” 的水平

在这之上轨迹的精度是数据质量的关键，厘米级的轨迹精度对人来说可能足够精细，但对于机器人来说则需要达到毫米级别，因此简智这次开源数据对比行业，一方面具备了大多数不具备的轨迹信息，同时通过高精度 IMU 硬件和云端重建与还原，进一步将轨迹提升到亚厘米级别。而在模态上，作为夹抓类的技能采集，夹抓的开合角度、位移也都在集合中包含。

而在技能方面，单手在实际场景中可以完成的任务优先，因此难得是在数据集中，99.2% 都是 “双手、长程任务”，这也让它变得更落地—— 以第一批数据为例，平均 clips 长度为 1min37s。这意味着，它记录的不是一张张静态快照，而是从 “拿起散乱 T 恤” 到 “叠放整齐” 的完整过程，是动作逻辑与因果的连续学习。

最后则是在相同技能下，数据的场景、目标泛化上需要足够丰富，人员的操作要足够自然，而非单一场景的重复、动作僵硬重复，这样才能让模型在真实的生活中，应对家庭环境、目标类型千变万化。简智这批数据来自 3000 个真实的家庭规模采集，以叠衣服为例，不同的衣服种类、平铺的位置等多重因素变量都包含在其中，弥补了传统 “数采工厂” 方案过于单一的问题。

为什么有底气开源这么大批量数据？

在这些大规模、高质量、泛化程度高数据的背后，其实一套完整的 “数据生产链条”，在这方面简智也有自己的一套方法论，完成从采集设备到云端平台，再到数据的二次迭代的闭环，这也使得简智在 2 个月时间内就积累了近百万小时规模的数据。

这其中，Gen DAS Gripper是能完成简智规模化采集的首要触点，它相比传统的数据采集、UMI 等方案来看，可以更容易、快速地部署，不需要做任何的场地布置；同时全栈自研的 ISP 图像处理、CMOS 传感器，保证图像高质量、清晰。

同时可以做到基于车规级 IMU、双手设备同步，实现双手技能的高精度坐标对齐，异构数据时间误差小于 1ms

在设备端，具备超强压缩能力：将数据体积压缩至原大小的 2%，同时打通在线上传通道，实现分钟级快速上传，大幅提升数据流转效率。

Gen Matrix 则是中枢数据平台，它将收集后数据进行高精准的轨迹还原、对齐、清洗处理：将众多分散设备数据收集，超强轨迹还原、环境重建能力，轨迹真值误差小于 1cm，并将异构数据进行同步与清洗，保证数据质量，并具备自动化标注、切片等进阶能力，可以高并发处理海量数据源。这在具身行业也是领先的数据平台基建。

Gen ADP（AI Data Pipeline）则是规模化、自动化数据产线，它是将 DAS 的数据完成自动化的脉搏。它将标注、加工流程自动化，让高质量数据的产出像流水一样持续、高速，2h 内完成采集与处理全过程。目前据简智公开信息，已经完成百万小时规模数据累计，并且每天以接近万小时规模增长

开源是一件需要持续做、加速做的事情

具身智能的未来，建立在高质量数据的基石之上。在今天来看，大家对于数据的格式、规范还尚不成熟，这大大的影响了模型方案的进步速度，因此开源数据持续、加速推进，能快速填补数据鸿沟、统一技术标准、降低研发门槛、推动生态协同与自主可控，最终加速具身智能从实验室走向规模化落地。

10Kh RealOmni-Open DataSet的开放，不仅是一份海量数据资源，更是一种通过共享加速创新的可能性。简智团队后续将继续加强数据基建建设，推出更多行业有益的数据、服务，形成 “数据共享 — 模型优化 — 场景落地 — 数据反哺” 的正向循环。