UMI：具身智能数据新纪元

作者：彭堃方

编辑：吕鑫燚

出品：具身研习社

具身智能的数据瓶颈依然存在，但“数据平权”时代已悄然而至。

曾经，数据的稀缺与高昂成本如同荒漠，百万小时级的数据集似乎仍是遥不可及的梦想。核心问题在于，现有数据量级远未达到理想状态，尤其是高质量的真机数据，其采集方式存在诸多限制：本体成本高、部署复杂、效率低且受限于本体构型。

遥操作面临量级挑战，而仿真数据则存在难以逾越的Embodiment Gap。

以形象的比喻来说，数据如同饥荒，真机与仿真路线分别拥有饭与菜，却难以拼凑出一顿饱餐。

然而，这一局面正在发生变革。

一条通往规模化、多样化、高质量的真实数据采集之路已被打通。与仿真数据相比，它拥有更小的GAP；与真机遥操作数据相比，它具备明显的量级优势：Universal Manipulation Interface（UMI）。

简而言之，UMI是一种通过手持夹爪、摄像头和位姿估计算法，将人类手势动作直接转化为机器人可学习轨迹的低成本数据采集方案。此新范式解决了真机数据采集成本高、效率低、数据不可复用及多样性受限等问题。

“2026年，我们期望建立100万小时规模的具身真机数据产能。”鹿明机器人联席CTO丁琰博士表示。穹彻智能RoboPocket的产品负责人吕峻博士也提到，他们已开始众包数采小规模测试，“全员数采的时代，可能比我们预期更早到来。”

UMI究竟是什么？

在斯坦福的原始论文中，UMI被描述为一种“夹爪+视觉系统”的采集方案，通过轻量级传感器与摄像头记录操作过程中的轨迹、时序与环境反馈。后来，Generalist和Sunday等团队将其从学术带入产业，开启大规模真机数据生产。

鹿明的丁琰博士曾尝试使用手柄遥操作机械臂采集数据，发现过程繁琐且费力。他渴望能简化操作，只关注前端。2024年看到UMI相关工作后，发现这与他的想法不谋而合。穹彻团队也发现“数采工厂”模式存在成本高昂、操作不直观和场景单一的问题，于是转向“外骨骼”和“UMI”的采集方案。

因此，UMI在某种程度上是用人来代替机器人本体，在真实环境中操作夹爪产生数据。如果定义UMI数据形态，它介于Robot Data与Human Data之间：既不同于纯互联网视频学习的人类数据，也不同于强耦合的本体遥操数据。

为何UMI能在短时间内获得业界认可？其最显著特点之一是成本低廉。

一方面，它不断推高真实数据规模化的上限；另一方面，UMI数据与模型训练形成明确闭环，证明这类数据不仅可采且能训练出高效模型。

鹿明的FastUMI Pro在成本与效率上远超传统遥操方案。仅人力成本，UMI方案就是遥操方案的五分之一；若计算硬件成本，则降至惊人的二十分之一；采集效率提升三倍。