在世界人工智能大会的展台上，曾经以舞蹈、翻跟头等表演吸引眼球的机器人逐渐退场，取而代之的是能够完成分拣、搬运、操作工具等实际任务的智能设备。这一转变背后，是行业对机器人“价值创造”能力的重新审视，也是具身智能领域数据积累从量变到质变的集中体现。帕西尼感知科技创始人兼CEO许晋诚在接受采访时指出，当机器人不再满足于“动起来”，而是追求“干得好”，数据的质量与规模便成为决定技术突破的关键因素。
作为估值超百亿元的具身智能企业，帕西尼的实践印证了这一趋势。公司已在无锡、天津、宿迁等城市部署了五大数据采集工厂，将传感器嵌入生产车间、物流仓库、公共场所甚至私人空间，通过模拟人类操作、环境交互等场景，积累覆盖触觉、力觉、视觉、听觉等多模态的原始数据。许晋诚透露，目前采集的数据量已突破百万小时，并向千万小时级迈进。这种“数据狂奔”的背后，是团队对传感器融合技术的深度探索——通过将力学传感器、视觉摄像头、关节编码器等设备集成，系统能在5毫秒内完成数据同步，确保机器人操作时“手眼协调”无延迟。
当被问及机器人形态同质化问题时，许晋诚给出了一个颇具颠覆性的观点：未来主流机器人将收敛至人形结构，但移动方式会分化为两条路径。他解释道，当前训练数据90%以上来自人类行为，而人类构型是承载这类数据的最优载体。“如果未来最大规模的数据集来自章鱼，那机器人自然会长出触手。”他举例道。不过，人形机器人并非“千篇一律”，根据应用场景需求，双足行走方案将侧重运动灵活性，轮式方案则追求续航与稳定性，这种分化将体现在下肢结构设计上。
数据模态的丰富性直接决定了模型训练的上限。许晋诚以视觉数据为例，传统第一视角（Ego）数据仅依赖单目摄像头，后期需通过算法提取手部关节信息，不仅耗时且易引入误差。而帕西尼的解决方案是“全模态采集”：在数据采集阶段就集成触觉阵列、六轴力传感器、3D视觉摄像头等设备，让机器人从一开始就“感知”到完整的环境信息。“模态越丰富，数据有效性呈指数级增长。”他强调，这种策略使模型能直接“消化”原始数据，无需额外清洗与标注，大幅降低了算力成本。
真实场景的数据采集面临多重挑战。帕西尼的团队曾遇到这样的困境：在工厂环境中，机器人需要适应金属表面的反光、油污的干扰，以及工人操作时的突发碰撞。为此，他们开发了自适应触觉传感器，能根据环境变化动态调整灵敏度；同时，通过在数据中注入“噪声”——模拟传感器故障、网络延迟等异常情况，提升模型的鲁棒性。“就像人类需要接触不同材质、应对意外状况才能积累经验，机器人也需要‘吃透’各种极端场景。”许晋诚说。目前，公司的数据采集网络已覆盖200余种真实环境，包括高温车间、潮湿仓库、嘈杂商场等，为模型训练提供了“全气候”素材。
对于行业关注的“数据瓶颈”，许晋诚认为，当前最大的挑战并非数据量不足，而是数据分布的失衡。他指出，现有数据集中，80%以上来自结构化环境（如实验室、标准化车间），而非结构化场景（如户外、家庭）的数据占比过低，这导致机器人在复杂环境中表现不稳定。人类操作数据的“主观性”也是隐忧——不同工人的操作习惯、力度控制存在差异，若模型过度拟合特定个体的数据，反而会降低泛化能力。为此，帕西尼正在构建“人类操作行为图谱”，通过分析数万名工人的操作数据，提取共性特征，为模型提供更“中性”的训练样本。
