在人工智能领域，具身智能正成为备受瞩目的新方向。随着国内外机器人企业纷纷推出新产品，资本不断涌入，这一赛道竞争愈发激烈。然而，行业快速发展中，一个新共识逐渐形成：数据已成为制约机器人进化速度的关键因素，而非仅仅是模型。
与大语言模型依赖互联网海量文本不同，机器人需要掌握现实世界中的操作技能。每一次抓取、搬运或整理任务，都必须真实发生，并同步记录视觉、动作、轨迹等多维度信息。如何高效获取高质量数据，并将其转化为模型可学习的数据集，成为众多具身智能企业面临的共同挑战。
国内企业穹彻智能围绕“数据—训练—部署”构建机器人基础设施，近期与阿里云合作推出云端自动化数据处理产线。这一创新旨在将传统依赖人工、单机运行的数据处理模式，升级为可规模化运转的工业化流程，为模型迭代提供持续支持。
数据采集是第一步，但真正的难题在于后续处理。穹彻智能采用UMI（Universal Manipulation Interface）方案，操作人员通过手持设备完成自然动作，设备同步记录第一视角画面、夹爪位姿等信息。然而，原始数据需经过位姿恢复、鱼眼相机标定、动作切分、多模态标注等复杂环节，才能用于模型训练。这些任务计算量巨大，且流程环环相扣，任何中断都可能导致整批数据重新计算。
为解决这些问题，穹彻智能与阿里云联合打造了端到端的UMI Data + AI Pipeline。在数据处理阶段，阿里云MaxCompute Maxframe提供分布式计算能力，将视频去畸变、SLAM位姿恢复等任务拆分至云端并行执行，算力可随任务规模灵活扩展。同时，大模型技术被嵌入流程，实现动作片段的自动语义标注，大幅降低人工成本。
整个流程由DataWorks统一编排，支持周期调度、历史数据重跑及异常自动恢复，减少人工干预。处理后的数据存入Hologres进行统一管理，为样本检索、数据审核和训练管理提供实时服务；随后进入PAI平台完成模型训练、优化和部署验证，形成从数据生产到模型反馈的完整闭环。
这一合作已取得显著成效。穹彻智能的数据处理实现全流程自动化，整体吞吐量提升超10倍，多模态标注规模化自动完成，云端算力可弹性扩展至10万+ CU，模型训练效率提高约50%。
此次实践证明，机器人数据同样可以建立规模化、自动化的生产体系。当数据采集、处理、训练形成标准化流程，机器人模型的迭代速度将显著加快。随着行业竞争从模型能力延伸至数据基础设施，数据生产能力的探索将成为下一阶段的关键竞争力。
