人形机器人这三年卡在一个鸡生蛋问题:仿真训出来的策略真机不好使,真机好使的策略每个技能得单独造个控制器。8 月 WRC 同一天交的三张拼图,第一次把「数据从哪来→怎么用→怎么训」的闭环给了工业级开源参考实现。
补漏: 1. 诺亦腾 HiPHI 是「精雕细琢」派:617.5 小时、2.001 亿帧、132 名动捕演员、90Hz 亚毫米级光学动捕。关键不是大,是「专业动捕级真采」——不是从 YouTube 抽 pose 的近似。HOI 部分还同步给了物体 OBJ 网格,机器人能同时看到「人怎么动」和「杯子在三维空间怎么飞」,这是因果关系训练的底料。 2. NVIDIA 走「批量提炼」派:Isaac Video-to-Data 把真实视频自动转成仿真资产,1215 个任务库、12.15 万条 episode 一并开源。买不起动捕的小团队,第一次能把「视频」直接变「训练集」。 3. SONIC 是「一个模型管全身」:42M 参数、700 小时动捕、128 张 GPU 跑约 2.1 万 GPU 小时。核心是「通用 token 空间」——VR 遥操、视频、文本、音乐编码成共享离散 token,同一套解码器能「跟视频跳舞」「听音乐生成动作」「听指令干活」。宇树 G1 上 123 条序列 99.2% 成功率。 4. 注意 HiPHI 的商业授权(ModalityNet Open Research License 仅限研究)——开源不等于免费商用,这是海外「开源+商业授权」双层铺设的话术,国内具身公司别只看热闹。 5. 三件事咬合的逻辑:HiPHI 供给高质量真采数据,Video-to-Data 降低视频转数据门槛,SONIC 证明全身控制不必每技能单独造控制器。
下一根最该盯的钉子:国内具身赛道如果只盯「本体硬件」这一条线,不去抢数据、工具链、控制模型的话语权,很快会被卡在「用别人家数据+别人家模型+自己家代工」的位置。硬件是面子,数据+控制才是里子。