帕西尼许晋诚：机器人数采设备“感官”越丰富，数据越有效

机器人从“炫技”到“干活”：一场数据驱动的务实转身

今年的世界人工智能大会，机器人圈子里最明显的一个变化，就是炫技的少了，干活的多了。这一趋势背后，表面上是大众对机器人创造实际价值的期待在升温，底层逻辑则是机器人数据积累的价值开始释放。

帕西尼感知科技创始人兼CEO许晋诚对此深有体会。这家估值超百亿元的具身智能公司，主攻触觉感知等物理感知技术。在7月下旬的APEC数字周数据领域活动期间，他接受采访谈到，目前公司已在无锡、天津、宿迁等多个城市布局数据采集项目，覆盖生产、生活及公共空间，力求尽可能多地触及真实环境。

据其透露，公司在自有数据超采工厂集群所积累的数据量，已向百万乃至千万小时级别迈进。在他看来，模态的多寡直接影响到模型训练有效数据的多少。当维度丰富的传感器集成到数据采集设备中，所获取数据的质量和有效性将呈指数级提升。

帕西尼感知科技创始人兼CEO许晋诚。

从“秀肌肉”到“干实事”：驱动力的双重转换

南都：刚刚过去的WAIC上，我们发现主打表演“炫技”的机器人少了，上手干活的机器人多了。您怎么看待行业的这种变化？

许晋诚：今年，机器人厂商更多地聚焦于操作能力和任务执行能力的展示。这背后的一大驱动力，是大众对机器人整体能力预期的持续提升。而随之而来的，自然是希望机器人能够创造更多实际价值。因此，今年许多展会中，机器人的展示重点已从以往的行走或运动能力，转向了对工作能力的强调。

另一个关键因素在于，过去围绕机器人的数据，尤其是具身智能数据，整体仍相对稀缺，所以之前我们更多看到的是机器人的运动表现。但从2025年之后，我们看到更多面向具身智能或机器人的数据资源不断涌现。经过数据积累与模型打磨，今年机器人便开始落地干活。这也让数据的价值得到了更充分体现。

同质化是必然，差异化在场景

南都：虽然上手干活的机器人多了，但在本体形态、应用落地等方面的同质化问题仍然突出？在您看来，机器人厂商如何走出差异化竞争？

许晋诚：人形机器人的本体设计正日益趋同，差异化将显著缩小。这一趋势的核心驱动力在于数据层面——当前业界广泛采用的训练数据，几乎均为“人类数据集”。而人类数据集在能力表征上的最优载体，天然就是人类自身的构型。试想，若当前规模最庞大的数据集源于八爪章鱼，那么机器人的形态必然趋近于章鱼而非人类。

因此，回到本体差异性的问题上，我认为未来大概率会收敛至单一形态，即人形本体结构。可以预见，未来各厂商的机器人外观将愈发相似，这将成为常态。

但由于应用场景的差异性，本体构型也会在移动能力与稳定性之间做取舍。目前来看，将主要分化为两条技术路径：一是双足行走的方案，追求类人的极限运动能力；二是轮式方案，侧重长时间续航与操作稳定性。

感知，打通物理世界的第一道关口

南都：您曾提到，感知是打通物理世界第一道关口，怎么去提升机器人的物理感知能力呢？你们如何搭建具身智能“感知”底座？

许晋诚：帕西尼一直采取以人为中心的数据采集策略，让采集的数据可以更好地适用于机器人与人类的交互。

事实上，从去年到现在，我们可以明显看到，越来越多的机器人本体开始集成力学与触觉能力，且这类传感器的配置正在持续增加——毕竟，皮肤也是人体最大的器官，覆盖全身。

系统设计的挑战：延时必须控制在毫秒级

南都：怎么把视觉、力觉等各种感知系统融合？不至于出现延时现象？

许晋诚：延时本质上是一个系统设计层面的挑战。我们的原则是不允许过高的延时，目标是在几毫秒内完成近乎同步的数据传输。

具体而言，在数据采集过程中，系统延时必须严格控制在5毫秒以内。采集获取的触觉反馈、视觉信息、关节角度数据、听觉信号、自体感知以及关节空间轨迹等全部信息，均需汇聚至本体操作系统，并通过实时同步机制，将整体延时压缩至最低水平。

数据瓶颈：从“万小时级”到“百万小时级”的跃升

南都：WAIC期间，有创投机构发布的2026 AI展望提到，头部机器人公司的有效数据，将从2025年“万小时级”，跃升到2027年的“百万小时级”，其中人类第一视角数据会占绝对主导。您怎么看？对于具身智能行业来说，有效的数据从何而来？还存在面临哪些数据瓶颈？

许晋诚：这一判断是正确的。以帕西尼为例，今年我们在五大数据采集工厂所积累的数据量，已向百万乃至千万小时级别迈进。由此带来的核心变化在于，具身模型更加紧密地与数据绑定，模型要能高效消化日益庞大的数据体量。

有效数据问题在模型训练中的重要性不言而喻。我们发现，模态的多寡直接影响到有效数据的多少。当我们将维度丰富的传感器集成到数据采集设备中，所获取数据的质量和有效性将呈指数级提升；反之，模态越单一，数据的有效性就越低。传感器模态的丰富程度可以直接作为数据有效性的判断依据。

以视觉数据为例，业内熟知的Ego（第一人称视角）数据仅依赖单目摄像头采集人类执行任务的过程。然而，这类单一模态数据采集后需要大量清洗工作，例如将人体手部关节从画面中提取出来，这不仅引入误差，也消耗大量算力和成本。

真实场景的采集：力求覆盖尽可能多样的环境

南都：目前已经在哪些真实场景采集数据了？

许晋诚：目前，我们已在无锡、天津、宿迁等多个城市布局了数据采集项目，会直接进入公共场合、厂房，以及经同意后的私人场所，力求覆盖尽可能多样化的真实环境，从而增强模型的鲁棒性。正如人类进入陌生环境时难免感到不安，但当见识足够广泛后，面对新环境便能从容自若。具身机器人数据采集和模型训练的逻辑也是如此。