一个有些反直觉的事实：一台机器人完成了一场化学实验，后训练阶段用到的真机遥操作数据，是零。
24个连续动作。开瓶取样、药勺转移、滴管吸液、玻璃棒引流、摇匀观察。三种工具频繁切换，双手多次协同，每一步要求毫米级定位与稳定力控。而这台机器人学会这一切，靠的是数百条无本体数据。
过去，行业标准路径是操作员远程遥控真机，一帧一帧“教”。训练一个能干活的基础模型，往往需要数万到数十万条数据。真机遥操作数据市场报价长期在每小时500到1000元。
这个账，怎么算都算不过来。9月2日，自变量机器人发布的TwinDEX，或许提供了一个值得认真审视的破局思路。
笔/ 榆白
文章架构师/ 佳佳
出品/ 巨头财经
01
真机遥操作的隐形成本
要理解TwinDEX的意义，需要先看清一个行业现实：真机遥操作数据，是具身智能“数据金字塔”塔尖上最昂贵的那一层。
它的价值毋庸置疑。操作员通过外骨骼或遥操系统实时控制机器人完成动作，机器人的所有传感器全程录制，数据信息最完整、最准确。
过去几年，特斯拉 Optimus 依托工厂真机采集与神经网络世界模拟器，Figure AI 则通过 Index 平台向全球众包第一视角人类操作视频，本质上都是在争夺高质量物理交互数据。
但它的局限同样明显。每个采集工位需要配置一台机器人本体，产能受制于设备数量和使用时间。京东科技集团副总裁何贺在公开场合提到过一个细节：员工带着机器人本体工作8个小时，有效数据往往只有1个小时。算上电费、场地和人工，产能低、成本高。
更关键的是规模化天花板。真机遥操作数据依赖真实场景，不同场景之间难以复用，采集端与执行端之间存在运动学差异，数据迁移需要额外对齐。中信证券的研报数据显示，2025年国内预计产出70万小时以上的真实数据，但到2028年国内累计数采用本体数量也仅接近8000台。即便把所有真机产能拉满，与千万小时级的需求之间仍存在数量级差距。
于是，行业的目光开始转向“无本体数据”：通过可穿戴设备、第一视角相机、数据手套等轻量化工具，把人手的操作动作直接记录下来，不绑定任何一台机器人本体。这条路线的采集成本可以降到真机数据的三分之一到二分之一。
但问题随之而来：人手和机器手在关节结构、运动范围、接触方式上都不一样。同一个动作从人手迁移到机器人上，可能产生精度损失。无本体数据此前更多用于预训练阶段学习通用表征，真正落地到具体任务时，仍然需要真机数据来“兜底”。
TwinDEX的切入点，恰恰在这个“兜底”环节。
02
从“人手到机器手”的翻译难题
自变量选择了一条不太常见的路径：不从采集端出发去适配机器人，而是从机器人的最终执行效果出发，反向设计采集端。
TwinDEX由一对孪生的三指九自由度灵巧手组成：一个可穿戴，用于采集数据；一个装在机器人上，用于真机部署。两者在自由度、关节轴、连杆比例上保持一致，接触材料、几何特性和表面触感也匹配，并配置对应触觉传感器。用大白话说，采集员戴着手套做动作时，机器人的手在结构上“感受”到的和操作员的手几乎一样。
相当于，数据采集阶段和执行阶段用的是同一套“身体语言”。采集端做出的动作，不需要经过复杂的数据迁移和映射，就能更直接地落到机器人执行端。自变量将这套逻辑概括为“所采即所得”。
在手的构型上，TwinDEX采用三指九自由度、其中七个为主动自由度的设计。三指是不是够用？自变量的测试结论是：拇指、食指和中指的协同配合，可以覆盖生活和工业场景中的大多数核心操作，是灵巧操作的“最小可行性解”。这其实是一种工程务实主义，三指在灵巧性、可靠性和成本之间取得平衡，更容易规模化复制。
数据效率的提升是量级式的。评测显示，TwinDEX的无本体数据采集效率达到真机遥操作的5.3倍，训练模型时无本体数据近乎可100%替代真机遥操作数据。可穿戴三指外骨骼让采集端脱离了机器人本体和固定场地，“一名操作员、一张桌子、一套设备”就是一个完整的数据采集单元，可以通过增加设备实现并行扩展。
在展示中，TwinDEX完成了一套完整的化学实验：从旋拧试剂瓶、药勺取样，到滴管吸液、挤压、滴液，再到玻璃棒引流、摇匀观察，24个子动作一镜到底。其中几个动作值得细看：旋拧瓶盖时，机器人靠指端侧摆而非手腕旋转完成动作；玻璃棒引流时，一手稳定玻璃棒，另一手沿棒面缓慢倒液，同时维持两个接触约束。这些动作涉及的精细抓取、工具使用、双手协同和接触力控制，过去被认为是真机遥操作数据的“专属领域”。
而这套策略完全由无本体数据训练而成，训练过程中没有引入任何真机遥操作数据，训练完成后直接部署到机器人上完成实验。
03
一石多鸟的连锁反应
TwinDEX的意义，不止于一个技术demo。它可能改变具身智能数据产业链的几个关键环节。
采集侧：从“建工厂”到“铺设备”。过去一年，全国已建成投用的具身智能训练场超过70家，另有40多家在建或规划。这些训练场大多采用“政府招标采购机器人本体、企业提供技术支持”的模式，重资产投入巨大。
TwinDEX的分布式采集方案提供了一条更轻的路径：不需要每个采集单元都配备完整机器人，可穿戴设备本身就能生产有效数据。数据采集从“集中式工厂”向“分布式生产”扩展。
训练侧：后训练阶段的成本重构。 此前，无本体数据主要用在预训练阶段。TwinDEX验证了无本体数据独立支撑后训练的可能性：仅用数百条数据即可完成复杂任务的策略学习。训练一条灵巧操作策略的数据需求量，从此前的数万条量级降至数百条。对于需要快速迭代任务能力的团队来说，这意味着时间和成本的双重压缩。
应用侧：更低的场景准入门槛。 自变量机器人创始人兼CEO王潜在融资时说过一句话：“具身智能的下一阶段竞争，本质上还是关于数据闭环构建的基础模型与模型进化能力的竞争”。
TwinDEX补齐了一个关键环节，当数据采集不再被机器人本体数量和场地限制卡住，机器人在实验室、工厂、家庭等场景中的任务扩展，就有了更快的试错节奏。目前自变量已逐步进入工业制造、物流、养老等多个领域，其跨行业应用的推进，与这套“采集-训练-部署”闭环的效率密切相关。
04
巨头财经的思考
机器人干活，不必先有机器人
过去很长一段时间，具身智能的数据竞赛遵循着一个隐含的前提：数据的质量，取决于它离物理世界有多近。真机数据被认为是最“真实”的，因为它包含了完整的物理交互信息；而无本体数据是“打折”的，需要真机数据来对齐和微调。
TwinDEX的评测结果，对这个前提提出了一个温和但明确的挑战。当采集端和执行端在运动学、接触力学和视觉上保持足够高的一致性时，无本体数据所携带的物理信息，已经可以支撑起灵巧操作策略的训练。数据质量的决定因素，从“有没有机器人本体”，变成了“采集端和执行端有多接近”。
这个转变的商业含义是清晰的。它意味着，灵巧操作训练不再必须从部署一台机器人开始。数据采集的门槛从硬件密集型转向了可穿戴、分布式的方式，一个人、一张桌子就可以成为一个数据生产节点。对于那些希望在灵巧操作上快速迭代的团队来说，这是一个值得重新计算的起点。
当然，任何一次范式切换都不会一蹴而就。无本体数据的行业标准仍在建立中，不同任务类型对数据精度的要求差异很大，从实验室演示到产线部署之间的距离，也远不是几个评测指标就能填平的。但方向已经出现在那里：让机器人学会干活，不一定非要先有一台机器人。
部分参考文献：
1. 《未来智造局｜具身智能数据加速“上量”，如何定义“好数据”？》
成为付费用户可以阅读 自变量机器人 所有资料
了解更多 →