星河频率·朋友圈预告｜通往物理AI的数据实践
2026 年，被业界公认为具身智能数据元年。
行业正式告别硬件堆砌、模型参数竞赛与场景 Demo 式的浅层竞争，迈入物理数据驱动的硬核博弈周期。
芯片可快速采购、模型可迭代重训、算法可快速优化，但真实物理世界的交互数据，只能依靠长期、持续、精细化的采集与沉淀。
没有合格的数据燃料，所有具身智能技术，终将困在演示阶段。
但行业普遍深陷数据困境：海量采集却有效样本稀缺、大规模投入却难以转化为模型能力、仿真数据与真实场景存在迁移鸿沟、数据闭环难以落地、大量数据投入沦为无效成本……
当数据成为具身智能的核心护城河，从业者必须直面核心命题：机器人真正需要什么样的数据？如何跳出无效数据陷阱？怎样构建可迭代、可落地、可商业化的物理AI数据体系？
为此，「星河频率·朋友圈」正式开启数据专题第一季，聚焦具身智能产业最核心、最硬核的数据赛道，深挖数据工程、技术路线、闭环迭代与产业竞争真相。
首期我们特邀超维动力算法总监兼数据创新官张展鹏博士，带来一线产业实战拆解。
他将以《通往物理AI的数据实践》为主题，跳出数据体量、设备规模、融资热度的表层叙事，直击行业痛点，拆解具身智能数据工程的底层逻辑与实战方法论。
【嘉宾简介】
张展鹏，超维动力算法总监兼数据创新官。
2016 年博士毕业于香港中文大学多媒体实验室(MMLab)，深耕机器人相关研究与产业落地多年，先后任职于商汤科技、华为 2012 实验室，担任资深研究员，兼具顶尖学术科研能力与一线产业化落地经验。
曾入选斯坦福大学全球前 2%科学家榜单，Google Scholar 引用量超万次，手握 70 余项国内外核心专利，同时担任多个国际顶级会议与期刊审稿人，是兼具学术高度与产业深度的物理AI数据领域资深专家。
【本期分享要点】
1、机器人到底需要什么数据？
2、90% 的数据投入也许是无效的？
3、具身数据 scaling law 的迷思
4、数据是壁垒还是会演变为纯粹体力劳动？
0
分享
好文章，需要你的鼓励
参与评论
请您注册或者登录星河频率社区账号即可发表回复
去登录
相关评论(共0条)
查看更多评论