诺亦腾机器人戴若犁：跳出遥操作，构建以人为中心的数据路径丨GAIR 2025

诺亦腾机器人戴若犁：跳出遥操作，构建以人为中心的数据路径丨GAIR 2025

><br/> 滚动新闻 <br/>><br/> 正文

诺亦腾机器人戴若犁：跳出遥操作，构建以人为中心的数据路径丨GAIR 2025

诺亦腾机器人戴若犁：跳出遥操作，构建以人为中心的数据路径丨GAIR 2025

2025年12月26日 10:09

雷锋网

在机器人产业蓬勃发展的浪潮下，具身智能已然成为驱动产业变革的核心赛道，而高质量数据的缺失与不足，正是制约其发展的关键瓶颈。

在此背景下，诺亦腾机器人（Noitom Robotics）作为目前中国唯一一家明确以“数据”为交付界面的公司，凭借着其在动作捕捉技术上的积累为机器人数据提供关键支撑。

作为诺亦腾机器人（Noitom Robotics）创始人的戴若犁博士在2025年12月13日雷峰网举办的第八届GAIR全球人工智能与机器人大会现场上，做了题为《用动作捕捉技术构建具身智能数据工厂》的分享。

他指出，人形机器人所代表的具身智能，正在成为一个天花板足够高、且对高质量数据有强烈需求的新赛道。由于遥操作的一些现实痛点，行业开始将视角逐步拓展至以人为中心（human-centric）的数据路径，尝试构建不与单一机器人本体强绑定的数据体系。

以下为他的演讲内容，雷峰网<br/>做了不改变原意的编辑：

大家好，今天早晨我是从北京坐飞机赶过来，早晨出门的时候是北京今年的第一场雪，大概零下七八度，而深圳非常温暖，也让我非常开心。今天我想跟大家来聊一聊，具身智能数据的一些认知。

我的公司叫诺亦腾机器人（Noitom Robotics），可能是服务全球具身智能公司，本体公司、大厂最多的一家数据公司。我们服务了六七十家不同的机器人公司、模型公司，并且关于具身智能数据的全链路Pipeline都做过，包括遥操作、Human-centric数据采集、数据标注、预训练、后处理。所以在这个行业里，我们有第一手的经验或教训，今天可以跟大家来分享一下。

首先我先介绍一下，我12年创办的第一家公司叫诺亦腾（Noitom Ltd.），诺亦腾是做动作捕捉和动作追踪技术的，甚至Noitom的名字由来都是把动作Motion这个词反过来拼写，所以我们一直在研究人和空间物体的Motion。但在过去的十年里，我们一直都在寻找一个天花板足够高、且对人的数字化行为、高精度的物体位姿和高质量的数据是有刚需的领域。

我们服务了好莱坞影视、体育运动分析、医疗健康等各种不同的行业，这些行业大概都是几千万一年的收入，比较小但都很稳定。所以诺亦腾的市占率做到了全球第一名，每年小几个亿的营收。

但在23年底，诺亦腾24年全年机器人的营收相比过去任何一年涨了5、6倍。今年还没有过完，所以还没统计第四季度的收入，但比去年已经又涨了6倍，所以两年加一块已经有将近四十倍的增长了。

我们看到了一个机会，虽然这个机会我们是被动进入的。其实我的博士学位就是Robotics，准确来说我是第一批做控制算法、非线性控制下的抓取振动抑制（grasping vibration damping）这方面科研的，但后面一直都在做感知，直到机器人把我又拖回了原来熟悉的科研。

最后复盘时发现，从23年的9月底开始，这个密集的需求，其实是建立在两件事情被验证的基础上。第一件事情是大家信了一件事情：如果只做单一构型，那么人形是一个最好的Solution。

第二是，不管是VLA还是其他架构的模型里面，都有人阶段性地验证了具身智能的Scaling Law。这说明把数据量提高，或者按模型的规模体量所需要的算力投进去，是能得到一些泛化的能力和灵巧性的。

这两件事情都被证明之后，出现了一个很有意思的事情。上图蓝色和橙色区域的企业（人形机器人本体和模型）都开始问我们要三种东西：设备、项目和数据，他们会直接问我们能不能卖数据，各种数据都可以，无论是单模态、低精度还是高质量的数据都要的。而且他们对于数采的设备、服务和对数据的渴求，在过去的两年中完全没有看到任何减速的迹象，不停地往上走。

几周之前，美国有几个工作，告诉了大家用多大体量的数据。比如说Generalist的GEN-0用了27万小时的真实世界操作轨迹，这个数字给了整个行业巨大的信心。

Scaling Law不需要自己验证，有人验证就行。大家原本不知道：数据堆到什么体量ROI不会掉下来；或者堆到什么体量能有显著的泛化能力提升。但现在有人告诉你，你可以放心大胆堆到30万小时，这就像有一条路摆在前面一样。

于是，来找我们询价和问26年的产能的客户，一下子从原先讨论的千小时、万小时到了十万小时为单位起。大家需求的胃口已经被打到那个数量级了。

很多人包括投资人跟我聊，你们是不是对标的Scale AI？其实不是的。Scale AI诞生于多模态模型和自动驾驶这两个行业，跟机器人行业的数据需求是有着本质的区别的。其中最大的区别就在于，这两个行业所服务的甲方获取数据的能力比乙方强，比如自动驾驶的甲方可以用自己的车队获取数据。

如果当甲方获取生数据的能力强于或平权于乙方时，那么数据生意的毛利天花板就不够可观。这件事可以在美国做，因为美国可以全球众包，这样就可以在美国40%或50%毛利的天花板下面努力的卷，但很难突破50%。但和美国用本地劳动力置换海外的劳动力不同，中国是本地置换本地的劳动力。所以中国的天花板是20%，苦一点的10%以下的生意也有人做。

美国有三家数据生意做得比较好的公司，分别是Scale AI、Mercor和Surge AI。我认为做得最好的一家不是Scale AI，而是Surge AI。因为它的毛利很多时候能做到60%，这是非常杰出的一个能力。Surge AI的主要能力是AI Infra（基础设施），把工具链做得特别好。Scale AI最厉害的能力是对benchmark和data validation数据的利用，以及它的训练模型的优化能力其实强于他的甲方，somehow强于Anthropic。而Mercor其实是一家AI人力招聘公司，所以它最厉害的是筛人、找人、卷人，把人激励好，把人的数据给回流，最后快速的轮转，全球都可以合规。

所以这三家其实是天纵英才，甲方拿着数据来找你拉框框，还可以做到40%或50%的毛利，每年做几十亿美金的生意，这是很杰出的。中国做得比较好的有曼孚和海天瑞声。

整体来说，当乙方没有显著优于甲方的数据获取能力的时候，这个数据生意其实就是一个劳动力置换和外包，在中国卷的天花板就是15%到20%的毛利。

硬件销售也是一个苦生意。我做了十几年to B的硬件销售，已经看过天花板了。所以在这个行业里，我觉得知道该怎么做机器人数据这个生意远重要于其他，就是你的business model应该是什么，这件事情非常非常的重要。

很多人来找我们，买我们的设备，做遥操作，请我们做retargeting，然后去采集数据。也有人做whole body的teleoperation，包括工具的使用、双手的协同。更加复杂的可能是做双向的数据互传，比如人到机器人的motion的互传，机器人到人的视觉的互传，甚至一些感官的替代，比如力反馈。

但这个世界上没有真正力反馈的Solution，我从大概14、15年开始做XR领域的力反馈，应该是中国第一批，但后