桥介数物尚阳星：机器人全身运动能力远未解决

背景

在具身智能（Embodied AI）领域，随着人形机器人Demo在跑跳、越障等场景的表现日益成熟，行业焦点长期集中在“操作”能力上，即机器人末端的精细操作数据。然而，桥介数物（Bridge Intelligence）创始人尚阳星提出了截然不同的观点：机器人进入真实世界完成复杂任务，仅靠操作能力远远不够，底层的全身运动能力才是基础。

尚阳星将机器人的运动控制能力比作操作系统的内核，而操作模型则是应用软件。缺乏底层系统，应用无法运行。基于这一判断，桥介数物在半年前启动了“跨本体全身运动数据工厂”的建设，并于近期正式投入使用。该公司由最初的具身小脑厂商，转型为具身智能基础设施公司，旨在构建类似 Runtime Robot OS 的通用底层运动能力基础设施。

核心内容

桥介数物的核心战略围绕“跨本体全身运动数据”（Cross-Embodiment Whole-Body Motion Data, 简称 CWM）展开。CWM 是一种多模态数据，包含人体全身动作、第一人称和第三人称视角视频、语义标签、环境信息以及接触与物理状态信息。其最大亮点在于具备跨本体能力，即训练出的通用全身运动模型可以被不同构型的机器人复用，新机型接入时无需为大量动作重复训练。

1. 行业痛点与现状 目前机器人运动视频多针对特定场景调试，泛化能力差。例如，春晚机器人的表演需工程师数月定制，换场景即失效。此外，真实环境中机器人面临感知被动（如闭眼走路般的反应滞后）、长期运行后的自我补偿能力不足等问题。行业虽聚焦上半身操作，但忽略了全身协同作业的基础，导致复杂操作只能局限在固定桌面，难以真正落地。

2. 自建数据工厂的必要性 桥介数物选择自建数据工厂而非购买数据，主要基于三个原因：

• 高质量数据稀缺：市面上缺乏高质量运动控制数据，且价格昂贵。
• 解决“本体绑定”问题：过去数据与特定机型强绑定，迁移能力差。桥介采集无本体的人体数据，促进模型快速迭代。
• Scaling Law（缩放定律）：数据规模越大，全身运动基础模型表现越好。英伟达等项目也印证了这一观点，但当前数据量级离上限尚远。

3. 数据采集与技术壁垒

• 采集方式：采用“动捕 + 视频”方式，采集人类全身动作，并人为标注语义标签。相比 UMI 等仅保留末端执行器的方案，全人动捕精度更高，且数据更通用，不绑定特定机器人。
• 跨本体重定向引擎：这是桥介的技术壁垒。行业多数方案仅考虑运动学（复现轨迹），桥介加入了动力学考量（重力、受力、平衡）。例如，人跳起是抛物线，机器人若仅模仿轨迹易失败，加入动力学后能结合自身体结构调整动作，符合物理规律。
• 适用形态：主要面向双足人形机器人，因为其与人类形态最接近，数据迁移最容易。尚阳星认为，尽管四足或轮足落地看似更快，但双足人形才是实现物理世界 AGI 的通用形态。

4. 数据闭环与质量控制

• 分层架构：上层负责认知和任务理解（推理慢），底层负责实时运动控制（高实时性、高安全性）。桥介专注于底层运动控制模型。
• 高质量标准：数据需噪声小、轨迹稳定、姿态自然。通过高精度动捕设备源头采集，结合人工核验、程序自动筛选及自研管线清洗。
• 脏数据定义：区分“任务失败数据”（如摔倒后起身，有价值）和“低质量数据”（设备故障导致的错误动作，无价值）。
• 规模与质量平衡：先用小规模高质量数据训练模型，再用模型从视频中挖掘大规模数据，相互增强。仿真数据量级远超真实数据，用于弥补人体动作与机器人实际执行间的差距。

5. 商业化与未来规划

• 产能：已跑通端到端链路，累计产出近千小时高质量 CWM 数据。计划年内采集上万小时数据。
• 产品：6月将推出标准化运动控制平台产品，实现跨本体和跨机型泛化。
• 投入：动捕设备、场地及运营整体投入在千万级别。一小时数据采集成本约几百元，合格率90%以上。
• 长期目标：构建人形机器人的通用操作系统和应用生态。尚阳星认为，底层平台能力比硬件更具长期投资价值。

关键要点

• 核心观点反转：机器人落地瓶颈不在操作，而在底层全身运动能力。运动控制是操作系统内核，操作是APP。
• 数据定义：CWM（跨本体全身运动数据）是多模态数据，核心优势是跨本体迁移能力，解决数据与机型绑定的问题。
• 技术壁垒：自研重定向引擎，不仅考虑运动学，还加入动力学（重力、受力、平衡），提高动作符合物理规律的程度。
• 采集策略：采用高精度全身动捕 + 视频，而非仅末端遥操作（如 UMI），以确保数据精度和通用性。
• Scaling Law 应用：坚信数据规模对模型效果有决定性影响，目标积累几十万小时运动数据。
• 架构分层：认知模型与运动控制模型分离，桥介专注高实时性、高安全性的底层运动控制。
• 仿真与真实结合：仿真数据量级远超真实数据，用于强化学习训练和泛化。
• 商业定位：从具身小脑厂商转型为基础设施公司，提供标准化运动控制平台，构建应用生态。

意义与影响

桥介数物的实践揭示了具身智能落地的深层逻辑：数据基础设施的重要性被严重低估。

1. 推动行业从“Demo”走向“通用”：当前机器人运动多为特定场景定制，桥介通过构建通用全身运动模型，旨在解决泛化能力差的问题，使机器人能适应不同地形、机型和环境扰动，这是实现真正自主作业的关键一步。
2. 确立“无本体”数据趋势：通过强调跨本体能力和无本体数据采集，桥介推动了行业摆脱对特定硬件的依赖，促进了数据复用和模型迭代效率，类似于计算机领域操作系统与应用软件的分离。
3. 重新定义竞争壁垒：在硬件同质化严重的背景下，桥介通过自建数据工厂和自研重定向引擎，构建了基于数据规模、质量及处理算法的软性壁垒。这印证了投资人观点：底层平台能力比硬件更具长期价值。
4. 加速 AGI 落地路径：尚阳星提出的“双足人形先于四足落地”的非共识观点，基于数据积累速度的类比（如大语言模型依赖海量文本）。若此路径成立，将加速通用机器人时代的到来，并催生基于标准化运动能力的创新应用生态。