黎曼动力冲刺百万小时数据，具身智能的数据基建战真打响了

从23万到100万小时：黎曼动力的

世界模型野心藏不住了。

8月6日，黎曼动力与光轮智能、诺亦腾在北京签署战略合作协议，三方将围绕真实数据采集、仿真合成、动作捕捉、训练评测与世界模型基础设施展开深度合作，目标直指2026年底完成100万小时机器人训练数据采集。

黎曼动力联合创始人李阳光与光轮智能战略与生态副总裁廉和签署战略合作协议

黎曼动力联合创始人李阳光与诺亦腾机器人副总裁、合伙人李遥签署战略合作协议

这个数字在当下的具身智能行业，分量有多重？

截至2026年初，全球高质量具身交互数据总量仍在数十万小时级别。也就是说，黎曼动力要在不到半年的时间里，把全球可用数据量大幅提升。

这自然不是一个普通的产能目标。在具身智能从“模型验证”走向“真实场景规模化落地”的关键节点，百万小时更像是一道门槛——跨过去，行业可能进入一个全新的阶段；跨不过去，机器人可能永远停留在Demo阶段。

百万小时：一道看不见的门槛

今年7月的2026世界人工智能大会（WAIC）现场，黎曼动力发布了Riemann-1.0通用具身世界动作模型。

这是一个首秀即登顶的模型。在机器人圈公认极难的家务大考RoboCasa-365基准测试中，Riemann-1.0以62.6%的平均成功率拿下第一，比此前行业领跑水平高出8.4个百分点。而在这个榜单上，大部分模型还在50%以下挣扎。

支撑这个成绩的，是超23.2万小时的异构交互数据集——融合第一人称EGO人类视角视频、外骨骼示教样本、多类型机器人轨迹数据。

但23.2万小时只是起点。不到三周后，黎曼动力联手光轮智能和诺亦腾，把目标直接拉到了100万小时。如果一切顺利，黎曼动力将成为全球先一步突破百万小时机器人训练数据规模的企业。

要理解这个数字的分量，可以先参考大模型赛道。

头部大语言模型的预训练语料已达到百亿亿级字符/token规模。而当前具身数据的整体规模，与之相比尚有一万倍以上的差距。

更关键的是，具身数据的信息密度远低于文本。语言模型可以从互联网上的海量文字中学习语法、逻辑和常识，但机器人需要理解的是真实物理世界中的空间、接触、力反馈、长时序任务与异常恢复能力——这些东西无法从文字中直接获得。

Berkeley教授Ken Goldberg等学者曾指出，按照传统机器人数据采集效率，积累训练通用机器人模型所需的数据规模可能需要极长时间。

行业共识是，想实现具身智能的能力涌现，至少需要百万小时级的真实物理交互数据。而要训练出具备通用泛化能力的具身大模型，门槛则是千万甚至亿小时级。

也就是说，百万小时，是从“能演示”到“能干活”的发轫之始。

在这个量级上，模型才可能开始具备跨场景泛化能力——不是在一个特定环境里学会拧一个特定型号的瓶盖，而是面对不同形状、不同材质、不同摩擦力的物体，都能找到合适的操作方式。

既然数据这么重要，为什么行业不全力去采？答案是太难了。

具身智能的数据采集有三条主流路线，每一条都有自己的优势，但每一条也都有绕不过去的坎。

作为当前数据质量极为突出的方案，遥操作（Teleoperation）是行业公认的黄金标准，缺点则是太贵太慢。人类远程操控机器人本体完成具体任务，全程同步记录关节轨迹、力反馈、视觉信息等多模态数据。但问题在于成本——单台遥操作设备售价30到40万元，灵巧手的数据采集成本高达约500元每小时。一个操作员工作8小时，只能产出8小时的数据，线性关系，没有任何规模效应。更麻烦的是，真实机器人在采集过程中可能损坏，这种试错成本让很多团队不敢放开手脚。

仿真数据可以无限量，但有一道鸿沟。既然真机采集太贵，那能不能在电脑里搭一个虚拟世界，让机器人在里面反复试错？理论上，仿真可以产生近乎无限的带标注数据，成本极低、效率极高。但现实没那么美好。学界将仿真到真实的迁移难题归因于三重非平稳性：数据分布非平稳（动作改变环境）、环境动力学非平稳（仿真无法完全模拟摩擦、形变）、跨智能体域偏移（不同机器人个体差异）。结果是，仿真策略迁移到真实机器人上时，成功率大幅下降。多项研究表明，仿真数据在迁移到真实机器人时仍存在明显性能损失。

第三条路线则是人类视频数据——用第一视角摄像头拍摄人类干活的视频，让模型从中学到操作模式。这条路的优势是规模，互联网上有海量的人类操作视频。但问题是机器人没有人类的身体：人类视频是2D的，机器人需要的是3D空间中的关节角度和力反馈；人类有两只手、十个手指，机器人的灵巧手可能自由度完全不同。这种“体不匹配”问题，让人类视频数据更多只能作为预训练的辅助材料，无法直接用于机器人的动作生成。

三条路线，各有各的困境。这就是为什么行业喊了这么久“数据是瓶颈”，但数据量始终上不去——不是不想做，是每一条路都有硬约束。

黎曼动力的解法

在这样的背景下看黎曼动力的百万小时目标，就会发现它走的不是单一路线，而是一条组合拳的路径。

首先要理解的是，黎曼动力做的不是传统的VLA（视觉-语言-动作）模型，而是世界动作模型（World Action Model）。

VLA模型的逻辑是“看到什么就做什么”——输入视觉和语言指令，直接输出动作。它更像是一种反应式的智能，缺乏对“执行动作后世界将如何变化”的建模。

世界动作模型则不同。Riemann-1.0采用全因果动作-视频联合建模框架，统一实现环境动力学预测、场景状态理解、机器人连续动作规划的一体化学习。简单说，机器人不仅知道该做什么，还能预判做了之后会发生什么，然后根据预判动态调整策略。

这种模型架构对数据的要求不一样。它不仅需要动作数据，还需要动作导致的环境变化数据——也就是说，数据里必须包含完整的因果链条。这也是为什么黎曼动力如此重视数据规模和多样性的原因——世界模型需要在足够丰富的数据中，才能学到通用的物理规律。

黎曼动力在训练Riemann-1.0时，数据构成就已有特征。其中，20万小时人类第一视角视频、1.2万小时UMI与外骨骼手套数据、2万小时机器人真机与仿真轨迹。

注意这个比例，人类视频数据占了绝大多数，但真正的机器人数据虽然少，却是锚点——把人类视频中学到的抽象模式，锚定到真实机器人的动作空间中。

这是一种很聪明的数据策略。用大量低成本的人类视频数据学习物理常识和操作模式，用少量高成本的真机数据完成“体匹配”和落地验证。而且这些数据覆盖了41种机器人本体和数千种交互方式，跨本体的数据积累让模型具备了更强的泛化能力。

这里还需要澄清一个常见误区。数据量本身不构成壁垒，数据里有没有“真问题”才构成壁垒。50PB的数据，如果只是简单的运行记录，价值有限；但如果数据中包含了大量的异常场景、人工接管日志和失败案例，那才是真正的资产。

黎曼动力的数据优势，不仅在于量，更在于结构。23.2万小时的数据不是单一来源的简单堆砌，而是多模态、多来源、经过统一表征和自动化均衡标注的结构化数据集。这种数据质量上的差异，最终会体现在模型表现上——这也是Riemann-1.0能在首秀就登顶RoboCasa-365的底层原因。

理解了数据采集的三条路线和黎曼动力的模型架构，再来看这次三方合作，就会发现这是一场精准的能力联合。

光轮智能作为具身数据领域独角兽，补的是仿真+评测+人类视频数据的基础设施。在仿真层面，它拥有全栈自研的“求解—测量—生成”三位一体技术架构，自研求解器支持刚体、柔体、流体等多物理场高精度实时求解。在人类视频数据层面，EgoSuite体系已经覆盖25000多个环境节点、10万多种任务类型，累计交付超150万小时高质量人类数据。

但光轮智能带来的不只是数据，还有一套“数据—评测—部署”的完整基础设施。黎曼动力的Riemann-1.0和Matrix-Game3.5交互式世界模型，将分别对接光轮的EgoSuite人类数据平台、RoboFinals评测平台和RoboStack部署反馈平台——这三个平台连起来，就是一条完整的链路。

其背后的运作机制是，模型缺什么数据就生产什么数据。

具体来说，黎曼动力先根据Riemann-1.0在移动操作、物体交互、家庭服务和长程任务中的能力表现，精准提出数据需求与缺口；光轮智能围绕相应任务组织生产规模化、高质量的人类行为视频及多模态数据，经EgoSuite平台对接回流至模型训练。数据生产从按规模供给转向由模型能力缺口驱动——这是一种更高效、更精准的数据生产方式。

然后是评测环节。黎曼动力推动Riemann-1.0和Matrix-Game3.5接入光轮智能的RoboFinals规模化评测平台：针对Riemann-1.0，评估动作预测、长程任务执行和扰动条件下的策略稳定性；针对Matrix-Game3.5，探索评估长时序场景一致性、交互响应和世界状态演化。评测结果将精确定位模型的能力边界，并生成下一轮数据需求；模型更新后通过相同条件重复测试，形成可度量、可追溯的持续改进循环。

最后是部署。光轮的RoboStack平台与黎曼动力的模型进行任务接口对接，围绕任务定义、动作空间、状态反馈和执行流程开展适配，使世界模型生成的动作策略能够直接映射到机器人执行框架中。通过RoboStack，黎曼动力探索世界模型从仿真环境到真实任务的迁移路径，打通“模型预测—动作生成—真实执行—反馈回流”的闭环。

诺亦腾补的则是动作捕捉+遥操作的黄金标准。诺亦腾创始人戴若犁博士深耕人体运动数字化15年，手握全球70%专业动作捕捉市场份额。诺亦腾机器人的数据采集平台，位置误差控制在1mm、姿态误差0.5°，全年数据产能可达45万小时。三大标准化数据集——HiPHI-MOV（人体动作）、HiPHI-OM（手部灵巧操作）、ITW（真实居家环境行为）——覆盖了从全身动作到指尖精细操作的全场景。宇树、智元等头部机器人厂商，用的都是诺亦腾的数据样本。

但诺亦腾带来的不只是动捕数据，更是多模态数据的"黄金标准"。Riemann-1.0想真正理解一个物体如何被抓取、移动和操作，仅有视觉信息远远不够——机器人不仅需要看到物体，还需要理解手指抓握时的力度变化、关节运动状态，以及动作在三维空间中的连续轨迹。这些涵盖人体运动、力觉反馈与环境交互的高精度多模态数据，正是构建下一代具身智能模型的重要基础。

本次合作中，二者会围绕Riemann-1.0在长尾任务、复杂操作以及跨本体泛化等方向的能力提升需求，共同建设高质量、多模态具身数据体系，采集包含动作轨迹、力觉反馈等信息的训练数据，并持续回流至模型训练流程。

黎曼动力还将结合模型训练效果与真实机器人验证结果，对数据采集、处理流程和质量评估体系进行动态优化。

黎曼动力自己的角色，是模型+训练体系的整合者。光轮有仿真和人类视频数据，诺亦腾有动捕和遥操作数据，但数据本身不会自动变成模型能力。需要一个强大的模型架构和训练体系，把不同来源、不同模态、不同质量的数据统一起来，让它们互相补充、互相增强。这正是黎曼动力的核心能力——从Matrix-Game世界模型技术体系一路走来，23.2万小时数据就能训练出RoboCasa-365的SOTA模型，已证明黎曼动力的实力。

百万小时之后，意味着什么？

如果黎曼动力真的在年底前完成了百万小时数据目标，那将意味着什么？

首先，这可能是具身智能行业从Demo时代走向实用时代的一个信号。过去两年，人形机器人展台是各大展会尤为热闹的地方，但真正能在真实场景中稳定干活的机器人寥寥无几。大部分机器人还停留在能演示的阶段——在特定环境、特定条件下，完成预设的动作序列。

百万小时数据如果能真正转化为模型能力，意味着机器人可能开始具备处理非结构化场景的能力。换一个环境、换一个物体、换一个任务，不用重新训练也能应对。这才是机器人真正能走进家庭、走进工厂的前提。

百万小时可能是数据飞轮的起点，而不是终点。大语言模型的发展证明了一件事：数据规模和模型能力之间存在正反馈——更多的数据训练出更好的模型，更好的模型能处理更复杂的任务，从而产生更多的数据。具身智能也可能出现类似的飞轮效应：当模型能力足够强，可以在真实场景中稳定运行时，部署的机器人就会源源不断地产生新的数据；这些数据回流到训练中，又会进一步提升模型能力。百万小时，就是让这个飞轮开始转动的初始推力。

对黎曼动力自己来说，百万小时数据的意义可能更深远。黎曼动力的定位很明确：打造面向真实世界的下一代机器人通用大脑。黎曼动力曾公开表示，希望未来打造机器人的通用API——就像今天调用大语言模型一样调用机器人能力。这个目标的前提是跨本体的通用能力，如果模型只能在特定机器人上工作，那就谈不上通用API。而跨本体通用能力的基础，就是足够丰富、足够多样的数据。从这个角度看，百万小时数据不是终点，而是黎曼动力构建机器人通用大脑的第一步。

退一万步讲，百万小时数据也可能重塑全球具身智能的竞争格局。目前在国际上，特斯拉Optimus依托百万辆汽车的FSD数据，形成了“车—人”数据协同的飞轮；FigureAI通过和宝马等企业的合作，在真实工业场景中积累数据。它们各有各的数据路径，但都有一个共同点：依托自家的机器人本体或汽车车队，数据是自产自销。

黎曼动力走的是一条更高效的路，不盲目造本体、追规模，而是先专注于模型和数据，通过和光轮智能、诺亦腾等基础设施公司的合作，构建一个开放的、标准化的数据生态，让本体先一步涌现智能。

这条路如果走通，可能会产生更广泛的行业影响力，让整个行业的机器人都能用上更好的数据和更好的模型。

当然，百万小时数据不是万能的。数据规模只是基础，数据质量、数据多样性、数据标注的准确性、数据和模型架构的匹配度……这些因素同样重要。甚至可以说，在数据量达到一定规模后，决定模型上限的不再是量，而是质。

而且，具身智能的落地不仅是数据问题，还是硬件问题、成本问题、场景问题。再好的模型，如果机器人本体太贵、太容易坏、或者找不到合适的应用场景，也无法真正规模化。

但这不妨碍我们认可百万小时这个目标的意义。在一个所有人都知道“数据很重要”但又不知道“怎么解决数据问题”的行业里，黎曼动力联合光轮智能和诺亦腾，用一场三方合作给出了一个具体的、可执行的答案。

这个答案能不能成功，还需要时间来验证。但至少，它把行业从“焦虑数据不够”的阶段，推向了“系统性解决数据问题”的阶段。从这个意义上说，百万小时不仅是一个数字目标，更是一种行业信心的体现——具身智能的数据荒，不是无解的。

而黎曼动力、光轮智能、诺亦腾这三家公司，正在用各自的专长，一起去解这道题。