在人工智能领域，具身智能正成为备受瞩目的新方向。随着国内外众多机器人企业纷纷推出新产品，资本也持续加大投入，具身智能的发展步伐不断加快。然而，行业在迅猛发展的同时，也面临着新的挑战：真正制约机器人进化速度的，已从单纯的模型问题转变为数据难题。
与大语言模型能够利用互联网上海量的文本数据不同，机器人需要学习的是现实世界中的操作能力。每一次抓取、搬运或整理任务，都需要真实发生，并同步记录视觉、动作、轨迹等多模态信息。如何持续获取高质量的数据，并将其快速转化为模型可学习的数据集，成为具身智能企业亟待解决的新问题。
国内具身智能企业穹彻智能，一直致力于构建以“数据—训练—部署”为核心的机器人基础设施。近期，该公司与阿里云合作，打造了一套云端自动化数据处理产线，旨在将机器人数据处理从依赖人工、单机运行的模式，升级为可规模化运转的工业化流程，为模型迭代提供稳定的数据支持。
穹彻智能采用UMI（Universal Manipulation Interface）方案进行数据采集。操作人员只需手持设备完成抓取、开门、搬运等自然动作，设备便会同步记录第一视角画面、夹爪位姿、运动轨迹等信息，为机器人训练提供高质量的操作数据。然而，采集到的原始数据要进入模型训练，还需经过位姿恢复、鱼眼相机标定、动作切分、多模态标注等多个复杂环节。这些工作不仅计算量庞大，而且涉及多个处理环节，一旦某一步中断，就可能影响整批数据的重新计算。
为了应对这些挑战，穹彻智能与阿里云联合搭建了一套端到端的UMI Data + AI Pipeline，将原本零散的数据处理流程整合为一条自动化运行的数据生产线。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、多模态标注等任务拆分到云端资源上并行执行。这种模式能够根据任务规模灵活扩展算力，大幅提升整体处理效率。同时，大模型能力被直接嵌入数据处理流程，实现动作片段的自动语义标注，降低了人工标注成本。
整个数据处理流程由DataWorks统一编排。无论是周期调度、历史数据重跑，还是异常自动恢复，都能在统一平台上完成，减少了人工干预，确保数据产线持续稳定运行。处理后的数据会进入Hologres进行统一管理，为后续样本检索、数据审核和训练管理提供实时的数据服务；随后再进入PAI平台完成模型训练、性能优化和部署验证，形成从数据生产到模型训练，再到效果反馈的完整闭环。
这一合作带来了显著成效。穹彻智能的数据处理实现了全流程自动化，整体吞吐提升超过10倍，多模态标注实现规模化自动完成，云端算力可弹性扩展至10万+ CU，模型训练效率提升约50%。对于具身智能行业而言，这次合作验证了机器人数据可以建立起规模化、自动化的生产体系。当数据采集、处理、训练逐步形成标准化流程，机器人模型也将获得更快的迭代速度。
随着行业竞争逐渐从模型能力延伸到数据基础设施，围绕数据生产能力的探索，将成为下一阶段具身智能发展的重要竞争力。关注阿里云AgentNative数据实战录系列案例，用数据实践驱动企业Agentic智能进化。
