在2025年世界机器人大会（WRC）现场，启智展示了一套名为HALO的技能服，用于采集熟练工人在真实作业中的操作数据。这套设备同步记录第一人称视觉、空间深度、手部触觉、肌电信号和身体姿态，将工人喷涂、烹饪等操作过程中的经验转化为可供模型训练的数据。启智计划通过其HumanGPT体系，将这些经验提取并迁移给不同形态的机器人。
具身智能行业的竞争焦点正在从硬件参数转向实际作业能力。进入工厂后，客户关注的核心问题变为机器人能否稳定干活、更换工件后是否仍能正常工作，以及学会一项技能需要多少成本。启智认为，回答这些问题的基础是高质量的真实数据。工业场景中，熟练工人掌握的经验往往难以写入操作手册，例如喷枪经过拐角时的速度控制、夹取易碎物品时的力度把握，这些隐性知识正是模型训练所需的关键输入。
当前行业普遍采用遥操作方式采集数据，即采集人员佩戴头显或手套远程控制机器人完成操作。这种方式生成的数据与特定机器人本体高度绑定，硬件迭代后复用价值下降，且工业场景存在工艺门槛，企业难以培养既懂工艺又擅长遥操作的数据采集员。启智的HALO技能服让工人在正常作业中直接贡献数据，动作发生在真实场景中，工具握持方式、接触力度和身体配合均可进入数据集。
在数据处理层面，启智采用分层架构。完整任务被拆解为抓、拿、取、放、捏、推等原子技能，多个原子技能组成切菜、翻炒等复合技能，再组合为完整任务。训练抓取能力时，平台可检索不同场景中带有抓取标签的数据，不局限于特定任务或机器人型号。这种设计为数据复用留出空间，机器人进入新的垂直场景时可调用已有技能，新增数据主要补充行业工艺差异。
启智的HumanGPT采用分层模型架构，根据多模态信息理解环境和任务，生成连续的人类动作，并映射到SMPL标准人体表征，不直接绑定某款机器人的关节。人的技能先以统一形式保存，再由RobotGPTs结合具体机器人的运动学与动力学特征，通过强化学习完成迁移。双足人形机器人、轮式双臂机器人和工业机械臂拥有不同的自由度与运动范围，RobotGPTs负责将标准人体动作适配到具体本体。
启智相关负责人表示，单独讨论数据量门槛参考价值有限，更实际的方法是采集一批数据、训练模型、检查效果，再决定下一轮补充内容。公司计划在今年11月前积累约十万小时数据，大部分由合作方在真实场景中采集，内部厨房场景则持续记录真人做菜过程，后期逐步加入机器人操作。在商业化方面，启智判断工业客户通常可接受约两年的投资回收期，公司更重视客户复购和跨客户批量应用。
具身智能的商业化正在催生一条新的技能供应链：熟练工人的经验被采集、标注和训练后交付给机器人，再根据产线数据持续更新。焊接、喷涂、分拣和烹饪等场景将逐渐形成各自的数据集与技能模型。机器人公司交付的内容也从硬件本体延伸到技能的采集、训练和持续更新，客户最终购买的可能是复合机器人，也可能是焊接或喷涂方案，以及交付技能的方法本身。
该文观点仅代表作者本人，企服科学平台仅提供信息存储空间服务。
