最近做VLA、机器人学习和数据闭环岗位时，我发现一个很有意思的现象：

模型越来越大，仿真越来越强，人类视频也越来越多，但机器人公司反而还在建数据工厂、招遥操作员、做遥操作系统。

北京人形机器人创新中心的数据训练基地，已经部署40种构型、150多台机器人，年数据产能达到18万小时；国内目前已建成启用70多家具身智能训练场。

为什么模型能力越来越强，机器人还需要人一遍遍教它抓杯子、叠衣服、插零件？

核心原因在于：具身智能缺的并不只是“看过世界”的数据，更缺“机器人该怎么动”的数据。

人类视频很多，但里面没有机器人的Action

互联网上其实不缺人类操作视频。

切菜、开门、整理衣服、装配零件，公开视频里都有。

这些数据非常适合让模型学习：

物体是什么、任务是什么、人通常怎么完成任务。

但对机器人来说，中间少了一层非常关键的信息：

这个动作应该怎么映射到机器人身上？

人伸手拿杯子，视频能记录手的运动轨迹，却没有直接告诉机器人：

机械臂7个关节分别转多少度？

夹爪什么时候闭合？

末端速度多少？

机器人当前关节状态是什么？

所以NVIDIA在GR00T的数据体系中，把互联网视频、人类视频、合成数据和真实机器人数据分开处理，其中真实机器人数据仍然位于数据金字塔最上层，因为它能够同时提供视频、机器人状态和Action。

遥操作真正有价值的地方就在这里。

人完成一次操作，同时把“正确答案”直接记录下来。

一次遥操作，其实在生产一整条机器人训练样本

比如让机械臂把桌上的苹果放进篮子。

操作员戴着VR设备或者使用主从机械臂控制机器人。

系统同时记录：

摄像头画面、关节位置、末端位姿、夹爪状态、机器人Action，有些系统还会记录力觉、触觉和语言指令。

于是模型得到的不只是一段“人把苹果拿起来”的视频。

而是一整条：

Observation → Action → Next Observation

这种数据对VLA特别重要。

2026年的一项遥操作数据采集研究已经能够做到多种机器人、不同遥操作设备之间统一采集，并把视频和传感器数据自动转换为适用于VLA训练的结构化数据。

所以现在机器人公司做遥操作，实际上是在给Policy生产“动作教材”。

为什么仿真还不能完全替代？

仿真当然非常重要。

甚至未来大量机器人训练数据一定来自仿真。

NVIDIA就曾利用少量人类示范扩展出78万条合成轨迹，相当于约6500小时的人类示范数据；合成数据和真实数据一起训练后，GR00T N1的表现相比只用真实数据提高了40%。

但这里有一个前提：

很多合成数据，起点依然是一小批高质量的人类示范。

人先告诉机器人任务应该怎么完成，再通过仿真改变物体位置、光照、材质和环境，把数据放大。

而且真实机器人还有很多仿真很难完全还原的细节：

摩擦、结构柔性、传感器噪声、电机延迟、物体形变、真实接触。

这就是Sim2Real Gap。

国务院发展研究中心2026年的分析也提到，仿真数据和视频学习可以支持预训练，但与真实环境之间仍然存在明显迁移鸿沟，高质量物理世界数据依然稀缺。

所以现在比较现实的数据路线，其实是：

人类视频负责扩知识，仿真负责扩规模，遥操作真机数据负责把模型拉回真实机器人。

遥操作数据真正贵的地方，其实是“成功经验”

强化学习让机器人自己试错，理论上也可以获得数据。

问题是现实机器人试错太贵。

机械臂失败几十次没关系，人形机器人连续摔几百次，硬件、场地和人工成本都受不了。

尤其是长时序任务。

比如：

打开柜门 → 找到杯子 → 拿出杯子 → 关门 → 把杯子放到桌上。

完全让机器人随机探索，搜索空间会非常大。

遥操作相当于人直接给出一条相对好的初始轨迹。

模型先通过Behavior Cloning、Imitation Learning学会基本动作，再通过RL或者VLA Post-training继续优化。

这也是现在很多具身训练路线越来越常见的组合：

Teleoperation Demonstration → SFT/IL → RL Post-training → 真机反馈。

但遥操作也不是“采得越多越好”

这是现在数据行业正在发生的另一个变化。

同样1000小时数据，价值可能差很多。

如果操作员一直在同一张桌子、拿同一种杯子、走几乎完全相同的轨迹，模型很容易学会重复动作，却很难泛化。

北京具身智能训练基地公开介绍里，采集时会主动改变物体的形状、颜色、数量、位置以及背景，成功和失败过程也会被记录。

所以现在机器人数据团队开始越来越关注：

场景覆盖率、任务多样性、失败数据、操作质量和长尾问题。

这也是为什么行业里已经出现一个判断：1万小时高质量数据，可能比100万小时大量重复数据更有价值。

从猎头角度看，遥操作背后正在长出一批新岗位

以前提到遥操作，很多人首先想到数据采集员。

现在真正有价值的人才已经往上走了。

比如：

遥操作系统工程师，负责主从控制、动作映射、延迟和数据同步；

Robot Data工程师，负责机器人State、Action、视频和传感器数据组织；

数据闭环工程师，根据模型Bad Case决定下一批应该采什么；

跨本体数据工程师，解决人的动作怎么映射到不同机械臂、人形机器人和灵巧手；

再往算法侧，还有Imitation Learning、VLA Post-training、Robot Policy这些岗位。

做这类招聘时，我现在特别喜欢问一个问题：

“你们采回来的遥操作数据，最后具体让模型的哪个能力变好了？”

如果只回答“采了多少小时”，说明团队可能还停留在数据生产阶段。

真正成熟的数据团队会继续讲：

哪个任务失败率下降了？

哪类Bad Case减少了？

换新物体以后泛化有没有提高？

这些才是数据闭环真正产生价值的地方。

我的一个观察

具身智能越来越依赖遥操作数据，并不意味着未来永远需要大量人工操作机器人。

恰恰相反。

长期方向一定是让人类视频、世界模型、仿真、强化学习和机器人自主采集承担更多数据生产。

但至少在当前阶段，机器人还需要一批高质量的“老师数据”，告诉模型：

在真实机器人、真实接触、真实物理环境里，一个任务到底应该怎样完成。

遥操作现在承担的，就是这个角色。

所以我觉得未来真正重要的数据能力，也不会只是“拥有多少小时遥操作数据”。

更值得看的是：能不能用少量高质量人类示范，扩展出更多有效数据，再通过真机失败不断把数据补回来。

当这套飞轮真正跑起来以后，机器人对人工示范的依赖才有可能逐渐下降。