智涌飞轮

具身数据 · 采集 × 效用计量 × 独立验证合作洽谈工作台登录

押注报告：ego 采集 vs UMI 采集（2026-08-28 首发 · 2026-08-31 深度版修订）

唯一版本（SSOT）。2026-08-31 修订补技术证据链、训练有效性数据、风险矩阵与反方立场； 首发浓缩版见 git 历史。所有论断附可追溯出处。

一句话结论

不是二选一：UMI 押近期（能直接训策略、能签合同收钱），ego 押远期（世界模型与仿真 RL 的养料）。 P3 已定的 60/25 混编（UMI 60%/ego 25%/遥操 15%）维持不变——但必须清楚为什么、 两边各自的"命门"是什么、以及何时调权。

打个比方

眼睛看得全，替身手学得快。

一、两条链路的技术解剖

UMI 链路（Stanford, RSS 2024 最佳系统论文提名, arXiv:2402.10329, 被引 722+）

手持夹具(3D打印 BOM≈$73) + GoPro(155°鱼眼) + 内置 IMU
  → ORB-SLAM3 视觉惯性 SLAM 求解 6DoF 轨迹
  → ArUco 码标定夹爪开合
  → 相对轨迹表示 + 推理期延迟匹配(latency matching)
  → Diffusion Policy 直接训练 → 部署到任意同构末端

精度与有效性（论文实测）： - SLAM 全局轨迹误差：6.1mm 位置 / 3.5° 旋转（alphaxiv 收录的论文数据） - 杯子操作数据集训练的 Diffusion Policy 泛化到极端分布外物体（拿铁倒水、 动态杯子排列），主作者程驰（Cheng Chi）自述多数任务成功率 70-90% - 数据采集速度比传统遥操作快 3 倍以上（同场景杯子排列任务） - 生态爆发：Mobile UMI（四类长程家务任务平均 83.8% 成功率, alphaXiv 2605.20894）、 UMI on Legs（全身移动操作抓/推/抛全 >70%）、RDT2（用 UMI 数据实现零样本跨本体 泛化，叠衣服成功率超 pi0.5 达 40 个百分点）、OneTwoVLA（每物体 UMI 采 50 条 demo 共 200 条）

命门（作者自认+后续论文批评，都有出处）： 1. ORB-SLAM3 是"管线最脆弱的部分"——作者在官方 GitHub 原话。运动模糊、 无纹理表面会跟踪失败（ORB-SLAM3 只能靠 IMU 短时兜底） 2. UMI-3D（arXiv:2604.14089）点名批评：单目视觉 SLAM 易受遮挡、动态场景、 跟踪失败影响，导致数据采集天然偏向"对视觉 SLAM 友好的场景"—— 这是样本偏差的结构性风险 3. 手腕相机盲区：贴近/位于夹爪手指后方的物体对腕摄不可见（程驰公开承认） 4. 布料类双臂任务（挂衬衫）策略"经常抓漏一边"（论文 v3 自述失败案例） 5. 缓解路线已出现：FastUMI（硬件无关变体，去 GoPro 依赖降脆弱性）、 SLAM 失败重采机制——说明脆弱性可运营化缓解，不是死穴

ego 链路（Apple EgoDex / Figure Go-Big / HumanEgo 一线）

头戴(Vision Pro/ARKit 或手机)+第一视角视频流
  → 3D 手部+上肢姿态估计(EgoDex: 1080p 30Hz 配对骨骼数据)
  → 【重定向：人手→机器人末端，有损翻译】 ← 此步未成熟
  → 观测语料直接可用(世界模型/预训练/评测)；动作语料需过重定向

规模证据（ego 阵营的底气）： - EgoDex（Apple, arXiv:2505.11709）：829 小时 30fps、约 9000 万帧、 Vision Pro ARKit 采集、开源——最大灵巧操作 egocentric 数据集 - Figure Project Go-Big：Helix 仅在 egocentric 人类视频上训练后， 人形机器人即可在杂乱真实环境中导航——纯观测数据驱动的里程碑 - Figure 数据管道规模口径：手机采集，产能随人口走（此前尽调口径：每秒收 30 分钟视频）

命门（ ego 阵营自己承认的）： 1. 重定向债：HumanEgo（2025 末-2026 初零样本 egocentric 学习代表作）结论原话—— "把人手映射到特定二指/灵巧夹爪时，仔细的动作空间重定向仍然关键"。 DexCap 教科书章节直接造词："DexCap Frees the Hand and Adds Retargeting Debt" 2. 重定向目标该怎么定（关键目标分析, arXiv:2506.09384）2025 年还在"分析哪些目标重要" 的阶段——离"成熟可用"有距离 3. DexUMI（用人的手直接当接口的新硬件路线）的出现本身说明：业界在绕开 "人手→夹爪翻译"这条有损路 4. 隐私合规：第一视角视频天然携带路人/环境/人脸，商用需额外脱敏管线

二、六维对比（谁赢看用途）

维度 UMI ego（EgoKit/光轮系） 判定
信息本质 动作真值（6DoF+开合，=机器人动作空间） 观测真值（视觉+人体姿态，≠动作空间） 看用途
训策略 直接可训（行业 70-90%；我方 Bridge 带动作 81%） 需重定向（有损，业内承认未成熟） UMI
训世界模型/评测 弱（腕摄视角单一、场景窄） 强（EgoDex/Figure Go-Big 证明观测语料价值） ego
单终端成本 ≈¥2,700/手（BOM $73+GoPro $298，全国产可替代） ≈¥6,100/人（PICO 4 Ultra ¥4,999+EgoKit $151） UMI
数据质量风险 SLAM 跟踪失败面（反光/无纹理/快动作）+盲区 姿态估计噪声+隐私脱敏负担 各有命门
生态成熟度 转换器/变体/跨本体先例密集（FastUMI/RDT2） EgoDex 开源+Figure 闭源管道；adapter 需自写 UMI

三、训练有效性：证据对证据

证据 数值 来源
UMI 行业任务成功率 70-90%（多数任务） 程驰公开口径 + 论文 20 episodes/task
我方垂域带动作数据训 pi0.5 81%（seed1→seed2 Ap 组 71%） 本仓 seed2 预注册实证（n=2 CONFIRMED）
我方通用无动作数据训 pi0.5 0%（10 任务全零） 同上——动作真值是垂域策略的命门
Mobile UMI 83.8%（长程家务） alphaXiv 2605.20894
UMI 采集效率 比遥操快 3x+ arXiv:2402.10329
ego 直接训策略 无公开垂域成功案例（重定向未闭环） 本调研 2026-08-31 检索
ego 观测语料价值 829h/9000 万帧开源即成基准；Go-Big 纯视频→导航 Apple ML / Figure 官方

解读：这不是"谁数据好"之争，是数据类型与训练目标匹配度之争。 训策略（近期收入）必须动作真值；训世界模型/评测/预训练（远期账户）观测语料足够。

四、行业四方实况（2026-08-31 增补版）

  1. Figure：全押 ego（手机管道）+Go-Big 纯 egocentric 预训练——因为瓶颈是 规模与多样性，且云端有重定向/仿真放大能力。他们买得起"先收观测、后解翻译"。
  2. Apple（新增第六方视角）：EgoDex 829h 直接开源——通用 ego 语料正在快速贬值， 自采通用 ego 的商业窗口在关闭；垂域 ego（商超/药店第一视角）仍是空白但购买方未现。
  3. 光轮智能：BP 明列 ego 方案为主打，同一页也列 UMI；EgoSuite 数据主要喂 "世界模型环境生成+任务补齐"（BP 第 31 页），不是直接训策略——头部玩家也是混编。
  4. 京东 robotdata：UMI 独立成四大采集类之一——国内交易平台已把 UMI 当一等公民。
  5. Galbot 银河通用（新增）：智慧药房近 100 站、累计 30 万+订单、零售任务 99.97% 成功率——但范式是仿真合成为主+少量真机对齐，不是大规模真人采集。 对照意义：垂域商用交付"动作数据"不是唯一路径，我们与它是互补位而非竞争位 （它需要垂域真值数据供应商的时点还在后段）。
  6. 松灵机器人（新增）：直接以商品形式售卖"真机数据、UMI 与 Ego 数据解决方案"—— 采集工具链已商品化，进入门槛进一步降低，差异化只剩垂域场景与运营网络。

五、成本经济学（v1 保留+单位账）

方案 终端成本 折旧口径 对 250-500 元/h 售价
UMI（A 层 60%） ≈¥2,700/手（含备件 ¥4,500/人） ÷500h 寿命 = ¥5.4/h 全成本 ≈45 元/h → 毛利率 82-91%
ego（B 层 25%） ≈¥6,100/人 ÷1000h ≈ ¥6/h 同量级，但动作数据当前不可售（重定向债）
遥操站（C 层 15%） ≈¥1.2-1.5 万/站 按站时产折算 lerobot 原生 v2.1，on-robot 迁移率锚点

一句话：UMI 的成本结构是唯一能把价格打进买方采购区间（500-1,000 元/h） 还保住 80%+ 毛利的方案——这就是"押近期"的经济学。

六、风险矩阵（新增）

风险 归属 概率 影响 缓解
SLAM 跟踪失败（反光/无纹理/快动作） UMI 中（商超货架纹理丰富属友好环境） 该段数据报废重采 采集 SOP 标注避坑区（玻璃柜/冰柜）；FastUMI 类变体跟进
数据场景偏向性（SLAM 友好偏差） UMI 中-高 覆盖面失真 每 SOP 强制包含 1-2 个"困难场景"配额
手腕盲区漏拍关键交互 UMI 低-中 单条 demo 质量降 双机位试点（腕摄+侧摄）已在 v0.2 转换器支持范围
重定向债长期不还清 ego 高（业内公开承认） ego 动作数据持续不可售 ego 定位锁死"观测语料账户"，不赌重定向
通用 ego 语料贬值（EgoDex 开源冲击） ego 已发生 自采通用 ego 价值归零 ego 采集只做垂域+客制，不做通用池
隐私合规（第一视角路人/人脸） ego 中 商用交付风险 脱敏管线列入 P1 前置项
接口被 DexUMI 类新硬件替代 UMI 低-中（灵巧手场景） 硬件换代 数据格式与硬件解耦（lerobot 格式），换接口不换数据

七、反方立场：四问四答（新增，对立面真诚）

Q1：UMI 那么好，为什么 Figure 全押 ego？ 答：因为 Figure 的瓶颈是规模与多样性（数据管道随人口走），且 Helix 阶段吃的是 观测数据（导航/预训练），动作翻译可以后置到云端慢慢解。小团队没有"后置"的资本 ——我们要用数据直接换合同，必须选可立即训练的类型。战略位置不同，选择必然不同。

Q2：EgoDex 都开源 829 小时了，ego 数据还有商业价值吗？ 答：通用 ego 语料的商业窗口确实在关闭（这正是我们把 ego 压到 25% 的原因之一）。 但垂域第一视角（商超拣选/药店理货）没有开源版本，且世界模型买方要的是 多样性格证而非时长。价值在"垂域+格证"，不在"通用+规模"。

Q3：UMI 的 SLAM 脆弱性会不会让数据质量不可控？ 答：会，但可控。作者自认脆弱+UMI-3D 批评属实；缓解是运营手段：采集 SOP 避坑 （商超主场景纹理丰富属 SLAM 友好）+ 转换器 v0 落地时做 SLAM 成功率门槛 （低于阈值自动重采）+ 每批困难场景配额防覆盖面偏差。把风险做成质检规则， 而不是假装它不存在。

Q4：如果重定向明天突破了呢？ 答：那是利好不是威胁。ego 加仓触发器本来就挂着（世界模型线启动/重定向成熟）； 且届时 ego 增量收益建立在已铺开的 25% 仓位上，切换成本≈0。混编的价值正是 不赌单边。真正的威胁是反向的：如果垂域 UMI 数据出现竞品供给， 60% 仓位的先发网络是我们唯一的护城河——所以网络要快。

八、判决与调权触发器（维持+情景化）

维持 P3 混编（12×UMI + 5×PICO×EgoKit + 2×SO-101），两押注两账户：

押注 账户 目的 调权触发器
UMI 为主（近期钱） Phase 2 商用账户 垂域商用合同（要的是能跑的策略） 首垂域合同落地 → UMI 60%→70%
ego 为辅（远期权） 世界模型账户 L1 世界模型语料+仿真 RL 养料 世界模型线立项（G5.2）或重定向成熟 → ego 加仓；通用池走外购（Open100K 已获 10 万小时访问权）不自采

情景决策树： - 首垂域合同 3 个月内落地 → UMI 加到 70%，遥操站减到 10%（交付优先） - 世界模型类买方出现（计量报告钩子转化） → ego 25%→35%，上脱敏管线 - 重定向零样本方案成熟（HumanEgo 类落地工业） → 重新评估 ego 自采经济性，可能回调 - UMI 接口换代（DexUMI 类普及到夹爪） → 换硬件不换数据，lerobot 格式保护存量

反直觉但重要：ego 数据我们不需要自己规模化采集——光轮 Open100K（10 万小时 商用许可已批）+京东集市就是"外购 ego 池"；而垂域带动作真值（商超拣选 UMI） 市场上就是空白——这才是 20 人网络的独特价值。自采押别人没有的（垂域 UMI）， 外购别人有的（ego 规模）。

九、与用户终局的衔接

采集→垂域世界模型→仿真 RL→反哺采集的闭环里：UMI 提供动作真值与物理交互信号 （RL 奖励塑形锚点），ego 提供环境与语义多样性（世界模型养料）——终局两者都要， 但起点必须是 UMI：没有近期商用收入，就没有走到终局的现金流。

参考来源（2026-08-31 实查）