一、问题：两条数据路线并行，经典范式是否走到尽头 AWE展会现场，围绕“无需建图”“第一人称视角”“灵巧手操作”等概念的展示引发关注；一些企业推出用头戴式设备采集第一人称连续数据方案，强调对环境的整体理解与任务推进；也有企业升级传统UMI体系，继续强化末端传感、轨迹记录与跨平台复现能力。随之而来的疑问是：当第一人称数据被认为能带来更完整的空间理解、当灵巧手逐步接近人手级精细操作，过去以夹爪末端数据为核心的经典UMI会不会被边缘化？ 二、原因：分歧背后是对“机器人如何学习”的不同选择 从技术逻辑看，两条路线针对的是具身智能训练中不同层级的关键问题。 UMI强调“数据与机器人本体解耦”。典型做法是把相机、惯导、力/触觉等传感器尽量布置在操作末端，直接采集六自由度位姿、轨迹以及接触动力学等信息，再通过标定让不同机械臂复现同一操作。此路线聚焦“如何操纵”，用标准化动作数据缓解示范数据不足、平台差异大等问题。 Ego路线更贴近“具身感知与任务理解”。头戴式设备可连续输出高帧率视觉流、音频与惯导数据，记录操作者在完成任务过程中的视线转移、关注对象与场景变化，为机器人提供“任务阶段—注意力—行动意图”的线索。它关注的是“该看哪里、何时看什么”，为长时序任务规划、主动探索与常识推理提供数据基础。 因此，看似是路线之争，实质是训练范式的分工：前者偏重低层控制与可复现技能，后者偏重高层理解与策略生成。 三、影响：行业将从“单一数据源”走向“多模态协同”，应用门槛与标准诉求同步上升 第一，精细操作仍需要末端本体数据支撑。瓶盖旋拧、接口插拔、卡片抽取等任务的关键往往在“最后一毫米”。仅依赖第一人称视频反推手部位姿与接触力，误差容易随时间累积，难以稳定覆盖高频接触动力学；而末端传感器可在毫秒级捕捉力矩、触觉与微小位移变化，在高精度装配、医疗辅助等强调可靠性的场景更具优势。 第二，第一人称数据正在补齐传统腕部视角的盲区。长时序、多地点、多对象的任务（例如在杂乱环境中寻找物品并完成后续动作）对“主动看、持续找、及时换视角”提出更高要求。固定或近端视角容易造成信息缺失，影响规划效率与成功率。Ego数据记录的头部转动与注意力迁移，可为任务分解、流程排序与异常处理提供更贴近真实行为的参考。 第三，数据体系从采集走向治理，竞争重心将向平台化能力集中。异构数据增多后，清洗、对齐、标注、时空同步与质量评估将成为关键工程环节。谁能把不同设备、不同场景、不同任务的采集结果纳入统一管理，谁就更可能形成可持续的训练闭环，降低重复采集与重复标注成本。 四、对策：以“互补”替代“替代”，构建从采集到训练的闭环体系 业内的探索表明，更现实的路径不是“二选一”，而是形成“头部感知+末端操作”的协同：用第一人称数据提供全局视野与任务逻辑，用UMI数据锚定可复现的动作与接触技能。 在组织方式上，企业开始尝试推出覆盖多场景的数据采集组合：既包含面向末端操作的夹爪/腕部方案，也包含面向全局理解的头戴、背负或机械臂端多传感模块，并将数据统一接入平台进行治理。对应用方而言，这意味着前端可按任务类型选择采集工具，后台则以统一标准进入数据池，逐步形成更高效的工程流程。 在训练方法上，一个值得关注的方向是分层训练：先用大规模第一人称无标注数据完成多模态基础能力预训练，再用小规模但高精度的末端操作数据进行蒸馏或微调，把认知与规划能力“落地”到稳定可控的物理技能上，在泛化与可靠性之间取得平衡。 五、前景：融合式数据将推动具身智能从演示走向规模化应用 综合判断，未来一段时期内，具身智能数据体系将呈现三上趋势：一是数据形态更为多元，视觉、语言、动作、触觉等多模态协同将成为主流；二是评价指标更强调可复现性与安全性，尤其工业、医疗、公共服务等高风险场景，确定性仍是硬门槛；三是平台化与标准化需求增强，围绕数据格式、时序同步、标定流程、质量分级诸上有望加速形成行业共识。 随着硬件成本下降与采集工具迭代，数据供给将从“稀缺”走向“结构化充足”，行业竞争也将从单点设备能力转向“数据—模型—应用”的系统能力。能否真正打通全局理解与精细操作，将决定具身智能从展会演示走向规模化落地的速度与上限。
机器人领域的这场技术路线之争，本质上是对智能如何形成与学习的不同回答。正如人类既需要灵巧的双手——也离不开敏锐的双眼——未来智能系统的关键或许不在于非此即彼，而在于把不同路线的能力有效融合。这场变化不仅会重塑产业竞争方式，也将影响人机协作的未来形态。