📋 目录

• 📅 先说清楚：被扔掉的那半条数据
• 🗑️ 旧范式的天花板：删掉失败，等于给模型制造盲区
• 🔢 三个数字：8% 到 60%、56% 到 9%、89.4% 到 12.4%
• 🏷️ 从"删掉"到"编进错题集"：四层失败分类学
• ⏱️ 治理前移：数据出生的时候就分级
• 🧪 配方难题：混合不是做加法，是做化学
• 💰 钱在往哪流：数据基础设施的定价
• 💡 落到 SPARK 融合平台：这类场景需要的不是更聪明的模型，是可追溯的判断
• 📌 五个可以明天就做的动作

---

📅 先说清楚：被扔掉的那半条数据

先讲一个我认为是过去两年具身智能领域最大的浪费。

主流的数据处理流程是这样的：采集 → 人工质检 → 保留成功轨迹 → 删除失败片段 → 用"干净数据"训练模型。

这个逻辑在自动驾驶和早期模仿学习里很常见，看起来完全合理。但它有一个致命的问题：如果只保留成功样本，模型就学不到边界情况。

而机器人从实验室走向真实场景时，最高频遇到的恰恰就是那些处在临界边缘的时刻——反光表面、软体变形、关节逼近限位、抓取点偏移几毫米。

传统"提纯干净轨迹"的治理范式，会直接把这类临界工况从数据集中剔除。

行业过去的设想是：持续采集更多机器人成功轨迹，逐个补齐这些边界场景。但物理世界的扰动组合无穷无尽，靠这个思路根本不可能穷尽所有现实情况。

于是今年夏天和秋天，Figure、觅蜂、智元数据、九烨数据这些团队都扎堆去做全民众包数采——原因不是缺数据，是缺"失败的数据"。

我把这条链上的关键数字都核了一遍，下面逐个展开。

---

🗑️ 旧范式的天花板：删掉失败，等于给模型制造盲区

先说清楚为什么"只留成功"在物理世界和在互联网里结果完全不同。

在大模型标注这件事上，众包是可行的，有一个前提：任务的评价标准相对清晰，而且错了可以再标。给一张图片里的猫画框，十个标注员画出来的差不多；判断一段对话是否有害虽然主观，但至少可以靠标准对齐。标注错了，模型训练时自然会给低权重，不会出大事故。

具身数据清洗不具备这些条件。

第一，它需要领域知识。 你让一个众包标注员去看一段机械臂的操作录像，他根本不知道什么叫"抓取姿态合理"、什么叫"关节限位内运动"、什么叫"力控参数异常"。

第二，数据形态完全不同。 大模型标注一条样本，看完就能打标签。具身数据是一条完整的 episode——机器人从尝试到失败到调整再到成功（或者干脆没成功）的全过程。

第三，清洗时你不能只看某一帧。 你得理解整条轨迹的因果链：哪一步做对了，哪一步是碰巧蒙对的，哪一步直接导致了失败。

而且这些数据不是静态的。它是机器人自己在物理世界摸爬滚打产生的多模态时序流——RGB-D 视频、激光雷达点云、关节角度、力反馈、IMU 数据——全部搅在一起，还带着时间戳不对齐、传感器漂移、摄像头抖动这些"物理世界的噪音"。

还有一个数字对比，值得放在一起看：

类型	标注单价	形态
简单图像分类标注	低至 $0.012 / 张	一帧看完就能标
复杂标注（边界框）	$0.08–$0.13 / 张	一帧看完能标
具身数据清洗	按小时计，一条 episode 几十分钟	一条完整轨迹，要理解因果链

一个做抓取任务的 episode 可能长达几分钟，清洗一条要花几十分钟甚至更久。而一个机器人策略要收敛，往往需要几十万条这样的样本。

这就是为什么大模型标注可以靠人海战术堆量，而具身智能的数据清洗至今还是"手工作坊"——不是没人想规模化，是太难了。

这笔账有多贵

有两个数字我觉得最能说明问题：

项目	数字
π0 预训练用的机器人遥操数据	约 1 万小时
RT-1 数据集	约 13 万条演示，13 台机器人采了 17 个月
Google QT-Opt	58 万次真实抓取尝试，约 800 个机器人小时，7 条机械臂
真机遥操单站硬件成本	5 万到 15 万美元
完全摊下来的采集成本	每小时 118 到 200 美元
一个操作员一天的产出	产不出 200 条 demo

对照一下语言模型：动辄数万亿 token。这个不对称**“不是程度问题，是种类问题”**（kind, not degree）。

而更根本的是数据荒是维度灾难，不是数量灾难。算力荒是工程问题，有明确的扩产周期；数据荒是物理世界的无限复杂性，无法被"爬取"。

而且数据与特定硬件深度绑定——一台 1.6 米高和一台 1.8 米高的机器人，执行同样的"弯腰捡拾"，关节角度、重心偏移可能完全不同，前者的数据对后者可能无效。 一个"数据孤岛"由此形成。

截至 2026 年初，全球可用的高质量物理交互数据总量仅约 50 万小时，缺口超过 99%。

---

🔢 三个数字：8% 到 60%、56% 到 9%、89.4% 到 12.4%

这三个数字是本篇的骨架。它们分别对应三个不同的环节，我逐个拆。

数字一：5000 条失败轨迹，8% → 60%

RoboMIND（Robotics: Science and Systems 2025）由北京人形机器人创新中心与北京大学计算机学院、京东探索研究院联合出品，是行业首个大规模集中化采集标注的具身数据集。

指标	V1（2025 年发布）	V2（当前版本）
真实世界演示轨迹	5.5 万条	10.7 万条
任务种类	279 种	479 种
物体类别	61 类	96 类
机器人形态	单臂、双臂、人形、灵巧手	同（4 种本体）
失败轨迹（含原因标注）	—	5000 条
数字孪生仿真轨迹	3 万余条	—
投入	2000 平方米场地 + 超 10 万人工时	—

关键在于最后一行的那 5000 条。 RoboMIND 的做法是：主动收集失败示范轨迹，每条附带详细原因标注，让大模型能在错误中反思和修正。

效果有数字：Franka Panda 机械臂采用 RoboMIND 数据集的"错题本"纳入训练后，机器人在杂乱场景中的操作成功率从 8% 提升到 60%。

7.5 倍。这个提升不是靠加成功数据实现的——是靠把原来被删掉的东西留下并标注。

同样思路的还有：智元 6 月开源的 AGIBOT WORLD 2026 第二期数据集，核心卖点就是主动保留非理想交互轨迹——抓取失败、物体滑落、意外碰撞、液体飞溅，全部不删。

光轮智能的说法更直接：“不怎么成功的数据反而很受客户欢迎”，因为它们在补齐样本多样性的短板。

数字二：56% → 9%，人类行为数据的价值

Figure 的 Helix 2.5 是另一个方向：不是靠机器人自己的失败数据，而是靠人类的视频。

2026 年 9 月 17 日，Figure 公布 Helix 2.5：把机器人带进旧金山湾区 30 栋此前从未采集过任何数据的住宅，执行整理客厅、折毛巾、整理床铺三项长程行为。

分项	零样本完整成功率
整理床铺	67%
折毛巾	62%
整理客厅	40%
整体	56%

试验共 420 次，237 次完整成功。评测采用全有全无判定——人工介入即判失败。

最重要的数字是对照实验。 在任务专用数据、模型架构、训练方法、评估条件全部相同的前提下，只改变是否使用 Index 人类行为数据集预训练：

条件	零样本成功率
从随机权重开始训练（对照组）	9%
使用 Index 预训练	56%

这里必须纠正一个在中文圈流传的误读：那个 9% 不是上一代 Helix 02 的成绩，而是"从零训练"的对照组。 Figure 自己的表述是"Index 预训练 alone increased zero-shot success from 9% to 56%“——强调的是"只加预训练、其余全同"这个变量隔离设计。这两件事的分量完全不同：一个是"跟上一代比退步了”，另一个是"预训练贡献了 6 倍多"。

还有一个数字很少被提到：Helix 2.5 达到与前一代 Helix 02 相同的任务成功率时，只用了一半的任务适应数据。 Figure 的说法是"行为规格的成本降了一半，覆盖范围扩大了 30 倍"。

而这背后最狠的一条是：机器人在陌生环境里会后退重定位、绕床调整折叠动作。

Figure 的原话是：它不是在回放预设轨迹，是感知到偏差后会主动恢复。

这类动态容错能力，不可能只用一次性完美成功样本训练出来——必须要有大量包含调整、试补救的不完美交互数据。

数字三：89.4% → 12.4%，仿真与现实的鸿沟

第三个数字来自斯坦福《2026 AI Index Report》：仿真环境下的任务完成率可达 89.4%，在真实家庭场景中骤降至约 12.4%。

七倍多的落差。 这是对"用仿真数据替代真机数据"这条路线最直接的量化反驳。

所以三条路线各有优劣，短期内并行探索：

路线	代表做法	优势	代价
真机遥操作	VR 设备 + 动捕服遥操作真实机器人	精度最高	每小时 118–200 美元，一天产不出 200 条
UMI 无本体采集	人手持轻量夹爪和摄像头在真实场景操作	门槛低、速度快	手持设备难保证角度与姿态一致，众包数据实际可用率普遍不足三成
仿真合成	仿真引擎生成海量数据	成本最低	89.4% vs 12.4%，与真实分布差距巨大

没有一条能同时解决规模、质量和成本的三角难题。

还有一个更棘手的问题：企业之间陷入了"囚徒困境"。 乐聚牵头联合宇树、阿里云等共建国内首个国家级具身智能开源数据社区 OpenLET，已开源超 6 万分钟真机数据。但星海图 CEO 高继扬直言：当前行业对数据有强烈的"私有化属性"——谁先开源，谁就可能被对手低成本复制成果。

---

🏷️ 从"删掉"到"编进错题集"：四层失败分类学

现在回到最核心的问题：失败数据留下来之后，怎么用？

头部团队的做法正在从"删掉"变成**“编进错题集”**。行业里正在形成一套"失败分类学"，按层级拆解失败发生在哪：

层级	典型失败模式	修正方向
感知层	遮挡、反光、低纹理、深度跳变、检测丢失	换传感器 / 补训练场景
规划层	碰撞、关节限位、奇异点、局部最优	改路径规划策略
执行层	滑移、力度过大、力矩超限、跟踪滞后	改控制参数 / 换专用模型
任务层	超时、目标偏移、状态未收敛	改任务分解 / 重规划

每一段失败数据被转化为一条结构化记录：（初始状态，执行动作，异常反馈，失败类型）。

失败不再是噪声，而是带标签的物理常识。

这套四层拆解法本质上在回答一个问题：失败发生在哪个环节、由什么物理机制触发。

这个区分极其关键：一个抓取失败，如果是遮挡导致的检测丢失，那是感知问题；如果是力矩超限导致滑脱，那是执行问题；如果是规划路径撞到了关节限位，那是规划问题。原因不同，修正方向完全不同。

一个反直觉的发现：带标签的失败数据才是金子

Physical Intelligence（Karol Hausman 曾是 Google DeepMind 资深科学家，参与 RT-1、RT-2，之后成为 PI 联合创始人兼 CEO）的做法最彻底。

PI 不再把失败轨迹、次优演示和人类干预数据当作噪声。他们给每条轨迹打上质量、速度、是否出错等元数据，让模型知道"这段行为做了什么、做得怎么样"。

消融实验的结果非常关键：

条件	效果
不加元数据，混合低质量数据	拉低性能
加上元数据	数据越杂，模型越强

同一批数据，加不加标签，结果完全相反。

再补一个可能更让人吃惊的例子：π0.7 在空气炸锅任务上从 5% 提升到 95% 成功率的跳跃，靠的是研究人员花费约 30 分钟优化自然语言指令（prompt engineering），并未新增任何训练数据。

这恰恰说明具身数据里"提示/因果"的清洗，比单纯堆采集时长更值钱。

从"编错题集"到"在线归因"

IROS 2026 上，开源鸿蒙具身智能 PMC 的 SOMA 框架又往前推了一步：构建对比式双记忆库，同步存储成功与失败轨迹；用 LLM 编排器做失败归因，通过视觉高亮、指令重写、步骤重试完成在线干预。

在 LIBERO-SOMA 上平均执行成功率提升了 59.3%。

这意味着失败处理正在从单纯的事后标注，走向在线归因与闭环恢复。

不过坦率说，目前的瓶颈也很明确：分层标注解决了"失败在哪"，但"为什么失败"的归因自动化还不够成熟。 CVPR 2026 上已有工作在推物理异常检测（Phys-AD），试图让模型不仅能检测异常，还能解释其背后的物理成因。这块如果打通，失败数据就能从"带标签的样本"升级为"可推理的物理规则"——那才是真正意义上把失败编进了常识。

---

⏱️ 治理前移：数据出生的时候就分级

传统管线的代价是显性的：机器人执行任务 → 数据回传云端 → 存储、带宽、标注人力先沉没 → 最后才发现脏了。

更麻烦的是，很多失败数据在回传过程中因压缩、丢帧、格式转换丢失了关键的异常细节。 你以为你存下了失败，其实你只存下了失败的一个摘要。

行业正在探索的方向是：在机器人本体的边缘算力上部署轻量级质量评估模块，实时判断当前数据片段，实时给数据打分。

这个模块不负责控制机器人，只做一件事——判断当前片段的价值：

• 任务是否完成
• 轨迹是否平滑
• 力觉反馈是否与预期一致
• 视觉跟踪是否稳定
• 是否包含与已有数据集不同的新模式

基于评分，系统实时分流：

分流	处理
高价值片段（首次遇到的新物体、新失败模式）	优先回传，进入标注队列
低信息量脏数据（网络抖动导致的跳帧、重复无意义动作）	本地丢弃
边界案例（任务卡住、置信度骤降、异常力矩）	触发人工介入或自动重试

觅蜂提的"不过滤，只分级"正是这个方向。穹彻的 RoboPocket 把"数据价值中枢"放在采集现场，实时判断轨迹是否完整、场景是否有信息量，并在采集过程中即时引导操作者调整。

光轮智能也强调：失败、边界样本和部署后的错误回流，本身应进入下一轮数据生成与训练闭环。

再往前看，华东师范大学等联合提出的 SIEVE 方法已在验证：从全量演示中保留高信息量片段，可以显著降低训练冗余。

但这条路有两个硬约束

"边采边筛"目前处于从实验室走向量产的过渡期。 在结构化场景（工厂分拣、固定工位）已经可行，因为任务边界清晰、评价规则相对明确；在非结构化场景（家庭服务、零售拣选）仍有大量误判，系统对"什么是新失败""什么是低价值重复"的判断仍依赖人工经验兜底。

约束一：边缘算力成本。 质量评估模块需要运行视觉编码、轨迹评估、异常检测等轻量模型，会占用机器人端侧的 GPU/NPU 资源。现实做法是把评估模块和"大脑/小脑"分层架构绑定——只在低实时性要求的感知层做评分，运动控制层不受影响。

约束二：分级标准的可迁移性。 一个在工厂分拣场景训练出来的评分器，放到家庭服务机器人上大概率会失效。 不同本体的关节自由度、传感器配置、动作空间差异很大，跨本体数据本身就无法直接通用。

这意味着评分器要么针对每类机器人单独训练，要么需要一套与本体解耦的中间表示——比如用任务空间轨迹、物体状态变化等与硬件无关的特征做评估。COMPASS、Shadow 等跨本体迁移工作正在探索这条路径，但距离成为通用评分器还有距离。

---

🧪 配方难题：混合不是做加法，是做化学

很多团队的第一反应是：把仿真数据、视频生成数据、真机成功数据、真机失败数据混在一起，不就行了？

实际结果是模型"中毒"。

原因不复杂：不同来源的数据隐含的物理先验完全不同。

数据来源	隐含的物理先验
仿真数据	理想物理引擎假设（刚体、无摩擦、完美感知）
视频生成数据	2D 视觉偏见（没有深度、力觉、本体感受）
真机成功数据	操作员的偏好和局限
真机失败数据	硬件的边界条件

等量混合，模型学到的是统计杂烩，不是统一的物理规律。

现在的解法有三条：

1. 真机数据锚定物理真实性。 无论仿真和视频数据占比多高，微调阶段必须有足够多的真实数据校准。 NVIDIA 的 GR00T 管线是个极端样本：11 小时生成 78 万条合成轨迹，相当于约 6500 小时、九个月的人类演示——但合成数据与真实数据混用，比只用真实数据的效果提升约 40%。仿真提供规模，真机提供精度，两者的比例随训练阶段动态调整。

2. 失败/边界数据小比例、高权重。 失败数据不是越多越好，大量重复的同类型失败会拖累训练。常见做法是维护困难样本池，在训练中以高于自然频率的权重采样。2–5 倍过采样是部分团队的在试区间，不是标准答案，但值得跑一轮对照。

3. 课程学习分阶段。 先学基础技能（成功数据为主）→ 再学边界处理（失败数据高权重）→ 最后混合对抗训练（仿真 + 视频 + 真机）。

坦率地说，数据配方目前更像"调参"而不是"科学"。 同一组配比在不同本体、不同任务上效果差异很大。这也是为什么实验日志本身就是团队重要的知识资产——行业标准还没形成，你的记录就是标准。

---

💰 钱在往哪流：数据基础设施的定价

有一组数字能说明这个市场的稀缺程度：

事实	数字
2025 年机器人领域融资（至 9 月）	超过 100 亿美元（仅至 9 月已 85 亿）
模型能训到的开源真实交互数据	不足 5000 小时
对照：语言模型消费的数据	数万亿 token
Meta 收购 Scale AI 49% 股权	143 亿美元，Scale 估值 290 亿美元（2025 年 6 月）
Scale AI Physical AI Data Engine 上线后（2025 年 9 月）	旧金山实验室累计记录 超 10 万生产小时
NVIDIA Physical AI Open Datasets（HuggingFace）	下载量 超 480 万次

资本在往哪流，非常清楚。 大部分钱压在基础模型、硬件、人形机器人初创上，而让这些模型可训练的基础设施层——物理世界数据供应链——相对于问题规模，严重资金不足。

Bessemer Venture Partners 在 2026 年 4 月的机器人展望里写得很直接：机器人领域的数据问题远未解决，从 99% 到 99.9% 的可靠性是一座陡峭的山，比大多数投资者意识到的要久。

现在有三条竞争路线：

路线	代表	核心主张	风险
真人在环	Scale AI（Meta 持股 49%）	机器人从看人操作中学灵巧度；工业级采集量 + 编码意图与失败模式的语义标注	成本高，规模化难
专有数据飞轮	Physical Intelligence	在 8 种机器人本体上采集专有交互数据后发布 π0	资本门槛极高
合成数据	NVIDIA	Isaac Sim + Cosmos 世界模型，一图一指令生成物理准确轨迹	与真实分布差距（89.4% vs 12.4%）

还有一家有意思的：Ground Truth Machine 把生理信号作为行为演示之上的校准层，捕捉"人类演示者意图"与"身体实际做了什么"之间的落差——他们称之为"Authenticity Gap"（真实性鸿沟）。这个信号在现有主流数据集里完全不存在。

开源社区是那个变数。 Hugging Face 的 LeRobot 库已成为轻量机器人数据记录与回放的社区标准；Roboflow 的主动学习流水线直接点出了质量问题：管线早期标注不一致，会导致部署时行为不一致，而这是一个很难在下游修复的问题。

真正的问题不是哪条路线单独胜出。 基础模型在不同训练阶段需要不同的数据：合成数据提供多样性和规模，真机数据提供灵巧度和失败恢复能力。 这不是二选一。

行业形态在变：从"卖数据"到"数据炼金厂"

过去是"按帧收费"——采数据、标数据、卖数据集。

新的形态更像"数据炼金厂"，卖的不是原始数据，是：

• 经过质量评估和结构化标注的数据资产
• 失败案例的分类体系
• 数据混合与课程调度的工具链
• "部署回流 → 数据更新 → 模型迭代"的闭环服务

光轮智能那句"不怎么成功的数据反而很受客户欢迎"，就是这个转变最朴素的市场信号。

---

💡 落到 SPARK 融合平台：这类场景需要的不是更聪明的模型，是可追溯的判断

聊到这里我想说一件更实际的事。

做企业级 AI 工作台的过程中，我接触过几类做机器人、做工业、做检测的客户。他们的问题出奇一致：数据有，但说不清；模型能跑，但不知道哪一步错了。

这类业务的核心难题不是模型准不准，是"失败能不能被归因"。 我在 SPARK 融合平台上做的几个设计选择，供同行参考：

1. iPaaS 先接数据，但把"失败"当成一等公民的数据类型，不当异常值。

这是最关键的一条。大多数数据平台的设计假设是"大部分数据是好的，坏数据是脏数据，要过滤掉"。 放到机器人场景，这个假设直接导致模型缺边界。

我的做法是把每条数据记录都建成"动作—结果—归因"三段结构：执行了什么、实际发生了什么、失败类型落在哪一层（感知/规划/执行/任务）。

这跟数据血缘是同一件事——血缘管的是"这个数从哪来"，我要的是"这个行为为什么是这个结果"。

2. 治理中心前置：分级标准必须在数据产生那一刻定，不能在统计时对齐。

这一行的坑最深。举个真实的：同一条机器人轨迹，不同标注员对"这次算不算失败"的判断可能不一致——有的把"抓取后物体滑落但最终放下"记为成功，有的记为失败。这个分歧如果不在采集端解决，到训练端就变成了 30% 的标签噪声，而且无法事后修复。

我的原则是：失败判定规则在开采之前就写进采集协议，并且由多人一致性校验把住。 因为失败数据是负样本，负样本的价值完全取决于标签准不准。

3. 全域守卫划权限：设备数据、生产数据和标注数据必须分层隔离。

这一条在具身场景有个很实际的对应：采集车间的原始视频通常包含工厂内部布局、人员、设备型号——这些是敏感资产，不能随数据集一起流出去。 而如果数据供应商同时掌握采集场地和标注流程，它其实掌握了客户的生产现场。

我的做法是按数据分级做权限：原始采集数据、脱敏数据、标注数据、训练数据集分层授权，每一层的访问都留痕。

4. 跟 Dify 这类编排层分工：平台不替专家做判断，但让判断可复现。

明确一下边界：“什么叫一次合格的抓取”“这个失败该不该计入训练集”——这些标准必须由一线的机器人工程师和标注专家来定，平台替不了。 我能做的是：把这个判断固化下来，让它每次按同一条路径跑，并且保留完整的中间过程，让"这条轨迹为什么被标成失败"能被追溯。

说到底，这一轮行业变化对企业落地的启示是同一件事：模型的差距在缩小，数据的差距在放大。而数据的差距，很大一部分不在数量，在"你怎么给失败定性"。

---

📌 五个可以明天就做的动作

给正在做具身数据或机器人 AI 的团队：

1. 先别删失败数据。 哪怕暂时不用于训练，也按失败类型做粗分类存下来。这是未来分析的资产，存储成本几乎为零。

2. 建立数据质量评分。 不必一步到位"边采边筛"，先在回传环节加一层自动评分——任务完成度、轨迹平滑度、力觉一致性、视觉置信度——让标注员优先处理高价值片段。

3. 给每条轨迹打元数据。 这是 PI 消融实验已经验证过的：不加元数据，混合低质量数据会拉低性能；加上元数据，数据越杂模型越强。 成本极低，效果是数量级的。

4. 试一次小比例高权重采样。 把失败数据以 2–5 倍过采样权重加入现有训练管线，观察边界案例表现的变化。这不是标准答案，但值得跑一轮对照实验。

5. 记录你的配方。 每次训练的真机/仿真/视频/失败数据比例和效果都记下来。 行业标准还没形成，实验日志本身就是壁垒。

选供应商的时候，问一个关键问题：他们提供的是带质量标签和结构化标注的数据，还是只卖原始视频帧？ 这个区别会越来越贵。

---

出处说明：本文基于 RoboMIND 官方论文与数据集页（RSS 2025）、北京人形机器人创新中心发布会与北京经开区报道、Figure 官方 Helix 2.5 发布文与百度百科词条（9 月 17 日实测数据）、斯坦福《2026 AI Index Report》、Forbes《Physical AI Hits A Data Labeling Wall That Only Cash Can Fix》、Scale AI / Physical Intelligence / Ground Truth Machine / NVIDIA 相关公开信息，以及科技有态度《具身智能的深水区：脏数据变成知识图谱后，泛化才真正开始》、中国日报网《机器人都开始干活了，可谁来教它们？》等中文行业报道。

需要说明的几点局限：

1. RoboMIND 的规模数字存在版本差异：官方数据集页（V2）为 10.7 万条轨迹 / 479 任务 / 96 物体类别 / 5000 条失败演示；2025 年 4 月发布报道为 5.5 万条 / 279 任务 / 61 类。本文表格已按版本分别标注，引用时须带版本。
2. "成功率从 8% 提升到 60%"这一数字来自中文行业报道对 RoboMIND 消融实验的转述，我在多个信源中看到同一表述，但未找到对应论文中的原始实验表，本文按该转述标注，不做进一步推论。
3. “50 万小时高质量物理交互数据、缺口超 99%” 引自中国日报网报道所引行业公开测算（2026），非官方统计。
4. “总可用数据不足 5000 小时” 是 Forbes 文章（2026 年 6 月）的表述，与上一条 50 万小时的量级差异极大，两者口径不同（前者疑指开源真实交互数据，后者为含企业内部数据的估算），本文并列呈现而不做调和。
5. Figure 的 9% 是"从随机权重开始训练"的对照组成绩，不是上一代 Helix 02 的成绩——这是中文圈最常见的一处误读，本文已在正文明确纠正。
6. 各类数据采集成本（118–200 美元/小时、众包可用率不足三成等） 均来自中文行业报道转述，未见原始成本模型的完整披露。

---

你们公司的机器人数据，现在还在删失败片段吗？ 我想收集一批真实的做法——是按成功/失败两分，还是已经做了失败分类？分类标准是谁定的、怎么回溯？ 评论区说说，我按场景整理成一份对照表。