實體資料短缺阻礙人形機器人進展，Telus Digital 高層示警

資料瓶頸重挫人形機器人發展

儘管過去四年生成式人工智慧的飛速進展加速了人形機器人的測試與推出，但開發人員如今卻因訓練資料嚴重匱乏而陷入僵局。加拿大商 Telus Digital 的 AI 成長與解決方案副總裁 Sce Pike 在 Podcast 節目《Targeting AI》中示警，驅動現代大型語言模型（LLM）的資料管線，無法直接複製套用至實體機器上。

文字模型能透過吸收公開網路資料迅速擴大規模，但實體機器人無法單憑文字就學會如何與真實世界互動。主導 Telus Digital 機器人與世界模型（world model）計畫的 Pike 指出，要跨越數位推理與實體動作之間的鴻溝，需要截然不同的資料架構，而整個業界目前正苦於如何大規模建構這套架構。

運算成本、感測器雜訊與現實世界的安全考驗

最核心的挑戰在於機器理解物理現實的運作機制。Pike 引述了前 Meta AI 首席科學家 Yann LeCun 廣為人知的比喻：一名四歲幼童的理解力大約是 LLM 的五倍，因為人類孩童是透過感官輸入與視覺神經來學習。幼童藉由觀察周遭環境並與之互動，自然而然掌握了重力、物理學與因果關係——這些概念根本無法單純從書面文字中推導出來。

為了在機器人身上重現這種理解能力，開發人員仰賴以真實世界影像訓練的世界模型。然而，擷取並運用這些素材帶來了艱鉅的營運關卡：

• 高昂的儲存與運算成本： 為了教導機器基礎物理學，必須蒐集極為龐大的高解析度影片，這將衍生出巨額的基礎設施與運算開銷。

• 感測器碎片化： 實體訓練資料是透過光達（lidar）、紅外線感測器以及各式相機等破碎雜亂的設備組合收集而成，這會在資料集中產生相互衝突的訊號與大量雜訊。

• 攸關重大責任的安全風險： 聊天機器人若遇上毀損或不良的資料，頂多輸出錯誤文字；然而有缺陷的實體資料卻會直接危及人身安全。Pike 強調，硬體出現異常舉動——例如機器人在人潮擁擠的商場中跌倒並胡亂揮舞手臂——將帶來現實世界中無法承受的法律責任與風險。

邁向世界模型的推動浪潮

這場資料荒發生的同時，機器人產業的焦點也正從單純的機械結構轉向具身智慧（embodied intelligence）。傳統企業級 AI 聚焦於合成資料集與數位自動化，機器人專家則日益積極探索基礎世界模型，期望能以較少的原始資料實現動作泛化。舉例來說，獲得 Nvidia 投資的新創公司 Skild AI，正試圖透過單一示範影片訓練機器人執行任務，以此繞過資料短缺的困境。然而就目前而言，克服實體資料蒐集的高昂成本以及多感測器整合帶來的雜訊，仍是實驗室原型走向公共場所安全自主部署之間的最大阻礙。