这是这段时间，我听到的关于人形机器人和具身智能最深刻的判断了。

过去一提到怎么提升具身智能模型的能力，大家惯常的说法，就是拿 LLM 来对比。说具身智能这个行业，还是缺少高质量的数据。

只要积累足够多的高质量数据，Scaling Law 就能继续发挥作用，机器人的操作能力自然会提升。

说实话，我之前也是这么想的。

但听了蚂蚁灵波首席数据科学家黄用韬的演讲之后，我发现，这个逻辑其实存在一些问题。

当然，高质量数据肯定很重要。但问题是，具身智能的数据质量，远远没有我们想象得那么简单。

因为直到现在，整个行业还没有形成一套公认的方法，能够清楚地判断，究竟什么样的数据才算好数据。

举个例子。

假设机器人把一件衣服放进洗衣篮，整个过程非常流畅，动作稳定，几乎没有多余的调整。

另外一次，机器人没能顺利把衣服放进去，衣服挂在了篮子边缘，它折腾了半天，重新调整动作，才终于放进去。

按照我们惯常的理解，第一条肯定是好数据，第二条是差数据。

毕竟，机器人的动作越流畅，成功率越高，也就说明它的操作水平越好。

但其实未必。

如果我们希望模型学习如何快速、稳定地完成动作，那第一条数据确实更有价值。

但如果我们希望模型学习如何应对意外情况，那第二条数据可能更有价值。

比如机器人拿起一个杯子，结果杯子突然滑脱了。人会下意识地再抓一下，或者重新调整手的位置。

那机器人怎么学会这种应对意外的能力呢？如果训练数据里全是那些完美、流畅的操作，模型就很难从中学到这些纠错的能力。

既然我们连什么样的数据对模型训练更有价值，都还没有一个统一的标准，那么单纯增加数据量，或者按照固定标准去筛选所谓的高质量数据，就未必能够达到预期的效果。

所以，蚂蚁灵波提出了另外一个思路。

如果想让具身智能的 Scaling Law 持续发挥作用，除了积累高质量数据，还有一个基础问题必须重视：我们究竟应该怎么管理和使用这些数据？

目前很多机器人数据集的管理方式，仍然是围绕 Episode 展开的。

Episode 可以简单理解为一次任务的执行过程。比如机器人接到指令，把一件衣服放进篮子里。

从开始执行到任务结束，整个过程就可以记录成一个 Episode。里面可能包含摄像头拍摄的视频、机械臂的关节数据、机器人动作以及时间戳等信息。