问题：具身智能发展面临数据采集瓶颈 近年来，具身智能技术进展迅速，但高质量数据的获取仍是其规模化落地的关键障碍。传统采集方式依赖专业设备，单套成本往往达到数万美元，操作门槛也较高，难以支撑大规模、多场景的数据需求。数据不足会削弱模型的泛化能力，进而影响技术真实场景中的表现。 原因：高成本与低效率阻碍技术普及 行业痛点主要来自两上：其一，对专业硬件依赖强，动作捕捉等设备价格昂贵；其二，数据处理链条长，标注、清洗等环节高度依赖人工，效率偏低。结果是数据采集难以规模化，中小企业尤其难以承担较高的投入与流程成本。 对策：轻量化方案破解行业困局 蚂蚁数科天玑实验室提出的AoE框架，通过轻量化设计提供了一套低成本、高效率的方案。该技术只需一部智能手机和价格不足20美元的颈挂式支架，即可稳定采集第一人称视角的高精度数据。其核心优势包括： 1. 硬件轻量化：通过人体工学支架固定手机，实现毫米级轨迹精度，并将手部关键点识别准确率提升至90%以上； 2. 自动化处理：端云协同覆盖采集、处理到标注的流程，尽量减少人工介入； 3. 数据高效转化：借助大语言-视觉模型将长视频切分为语义片段，直接生成标准化训练数据。 实验显示，机器人“关电脑”任务中，引入200条AoE数据后，任务成功率由45%提升至95%，验证了方案的有效性。 影响：降低门槛推动产业应用 该进展带来多上影响： - 成本优化：将数据采集成本降至传统方案的约百分之一，使更多中小企业具备参与研发的条件； - 效率提升：支持数千台设备并发采集，加快数据积累速度； - 场景拓展：为金融、安防、智能制造等领域的具身智能应用提供数据基础能力支撑。 前景：技术落地与生态布局并进 蚂蚁数科正以AoE为切入点推进企业级AI布局。天玑实验室已形成覆盖数据、安全、金融等方向的研发体系，并新设“大模型技术创新部”，计划推出面向企业的产品。随着基础模型能力持续提升，低成本数据采集有望更释放具身智能的商业化空间。
具身智能的竞争，归根结底取决于数据与算法的协同；蚂蚁数科通过AoE框架，将数据采集从“专业设备驱动、高成本”转向“轻量易用、低成本”，为破解规模化应用的数据瓶颈提供了新路径。随着更多企业进入并加速投入，具身智能从实验室走向产业现场的进程有望提速，其在机器人、自动化、智能制造等领域的应用边界也将更清晰。