从混沌到秩序：具身智能的数据供给革命与技能结构化实践| 2026AI Partner·北京亦庄AI+产业大会 文章

大语言模型可以靠堆数据跑通Scaling Law，但机器人面对的是动态、多模态、强时序关联的物理世界，杂乱的数据堆在一起，训不出可靠的模型。从混沌到秩序的工业化路径，质量比数量更重要。 机器人进工厂、进场景，真正的挑战不在模型本身，而在数据。徐良威指出，具身智能的数据不是时间、空间、任务意图紧密耦合的多模态资产。智域基石提出了五层数据编译管线模型，每一层都有明确的质量指标，唯有构建数据底座生态，让本体方、模型方、产业方各司其职，高质量物理世界的数据才能真正流通起来，支撑具身智能的规模化落地。 以下为演讲内容，经36氪整理编辑： 徐良威丨智域基石CTO 大家好，我是智域基石的联合创始人兼CTO，今天我跟大家分享的是从具身智能的数据供给革命与技能结构化实践，标题是从混沌到秩序。为什么是从混沌到秩序？具身智能的到来让大家发现原先在大语言模型、自动驾驶或者在所有过去AI的数据实践在具身智能里不够用了，今天主要讲一下智域基石在上面做了什么样的工作，主要讨论两个话题，第一个事情我们在具身智能的数据上怎么去做标准化的工业化实践。第二个如何把数据和模型本体、产业、场景结合起来，变成一个生态，而不是单纯数据的事情。 我们直接到机器人的落地，2026年我们可以看到一部分的机器人已经从小样逐渐往产业里跑了，原先我们考虑到的是怎么把实验室里的算法用视频或者现场展示的方式展现出来，这个事情已经远远不一样了，我们把机器人从实验室里搬到真实的场景里，原先只要考虑让机器人动起来、完成指定任务就可以了。现在我们要考虑的事情是如何让机器人面对不确定的、动态的、多模态整个场景数据输入，还能够进行持续稳定和物理世界的交互，这时候我们就要考虑我们怎么产生稳定化供给。 原先有一句话说的很对，模型决定机器人的能力上限，模型决定了机器人能干什么，很难决定机器人在最差的环境下能做到什么程度，因为很多事情即使是人在新的场景里都不一定能够处理的好，这个时候就需要我们考虑怎么把真实场景里的数据，这个数据可能分为本体数据，机器人感知到的环境数据，甚至是机器人的任务，机器人的日志，这些信息都要能够送到机器人训练的整个闭环里，这时候才能够把原先在小样级别变成真正在产业里能够落地的事情。 原先大家做语言模型时，大家说Scaling Law，希望有越来越多的数据才能让模型变的越来越好，本身这

摘要可能不完整，可查看原文