标题：训具身模型的问题，数据采集时就已注定

正文：
“我们只交付100%可复现的轨迹。”在鹿明机器人媒体沟通会上，联席CTO丁琰分享了具身智能数据采集的现状、困境及新兴技术UMI（Universal Manipulation Interface）。他强调，许多团队认为模型训练失败是卡在训练阶段，但问题往往在数据生成时就埋下了。后续堆算力和模型，只是对错误输入的加速。

丁琰的研究方向是机器人学与具身智能，2024年3月从纽约州立大学博士毕业，去年底加入鹿明前，曾任一星机器人CTO和上海AI Lab研究员。他从2024年起投入UMI研究，是大陆最早涉足该领域的人之一。UMI的核心是用与具体机器人解耦的方式记录人类操作行为，将“意图+轨迹+感知”统一到通用接口中，供不同机器人学习复现。

具身智能的数据难题有四种解决方式：遥操作数据（如智元机器人）、仿真数据（银河通用机器人）、人类视频数据（它石智能）和UMI（鹿明为代表）。鹿明推出了FastUMI Pro，一款无本体数采硬件，适配主流机械臂，重量仅600多克，却能夹起两三公斤物品，覆盖工厂与家庭场景。其空间精度达1mm，号称“全球最高”。

然而，具身数据采集存在痛点：一是成本高昂，美国每小时采集成本为100-200美元；二是效率低下，遥操每小时仅能采集35条数据，且因设备差异导致数据孤岛问题。

丁琰指出，多数UMI数据无法用于训练的原因并非算法或规模不足，而是数据本身不合格。高质量UMI数据需满足画面与动作严格对齐、传感器毫秒级同步，并能在物理空间中复现。然而，现有设备硬件性能差、模块拼凑设计导致帧率抖动和数据质量低，难以满足要求。此外，“脏数据”（低信息密度）和“废数据”（缺乏技巧的自然行为）也限制了模型训练。

UMI是一个强耦合系统，硬件、数据和算法环环相扣，任何单点失效都会影响模型性能。为此，丁琰团队开发了FastUMI系列，包括工业级系统FastUMI、首个大型UMI数据集FastUMI 100K，以及应用于“狗+臂”构型机器人的Fastumi-MLM。这些工作推动了UMI技术从学术走向工业应用，为具身智能发展提供了重要支持。