行业情报五条：数据管线十三工序 / NeuroVLA / PointDiT / TouchTronix / Video ICL 与 Imitator Game
2026-09-05 深夜 · 五条外部情报交叉分析。前三条为公众号文章全文已读； PointDiT/TouchTronix 经 web 搜证核实（项目页/arXiv/官网/商店页）。 结论：无一条改变现有拍板；多条强化既有判断；ICL 一条进"秤量程扩展"候选池。
情报一：《一条具身智能数据，要过多少关才能喂给模型》——对我们定位的第三方背书
来源：公众号"木牛流马之辈"，十三道工序 + 八层技术栈全景文。
逐条映射（文中观点 → 与我们业务的关系）
| 文中观点 | 与我们的关系 |
|---|---|
| "质量评分：数据不是越多越好，有效数据才是——每条轨迹打分，高分保留低分降权" | 这就是我们的效用计量秤（D/L/C/T）。行业文把"逐条打分"列为十三道标准工序之一 = 需求真实存在；但市面无独立的、可复现的第三方评分服务——正是我们填的空 |
| "真壁垒在前端数据入口和数据引擎，不在 tokenizer 和 trainer（已开源商品化）" | 与"凭什么是我们"同构：壁垒=采集入口（劳动力网络）+数据引擎（判据/校准飞轮）。我们不碰模型层是对的 |
| 八层三档：硬件级（时间同步/标定/采集设备）买不到必须自建；工程级可自研；tokenizer/trainer 已商品化 | 对设备商成立；对我们硬件级=采购品（Orbbec 路线 B），工程级=自研区（verify_pack/判据库/效用报告正是这一档）。印证"无硬件包袱"轻 |
| 时间同步三层：软同步增强可达 ±0.5-1ms（MCU 时钟线性回归校准） | 判据母版 A 层"毫秒时间戳"门槛的工程可行性背书 |
| 手部：MediaPipe+HaMeR+MANO，第一视角检出率 75.6%→93.1% | 映射层③点序考证有了具体参照：对 MANO 21 关节惯例比对 |
| 双目深度误差：30cm→0.3mm，120cm→4.5mm（误差随距离平方涨） | 判据 A 层"对齐锚点"的量化参考值（机器人操作区间恰落毫米级） |
| "SLAM 位姿和手部位姿是锚点/真值；处理管线从视频逆向出的深度位姿只是伪标签。采集端不提供毫米级真值，训练天花板就上不去" | 行业共识背书我们卖的东西：我们 EGO 采集端输出=设备级位姿锚点，不是伪标签。这也是对 PointDiT 类工具的定位约束（见情报三） |
| MCAP 采集→自动标注→转 LeRobot 训练；三种封装各司其职 | 与我们管道完全同构（MCAP→mcap2lerobot→LeRobot 成品），路线是行业主流非偏门 |
| 轨迹切分带任务/成败元信息；数据增强不能破坏物理一致性 | 我们 manifest 语义已有前者；后者是 QC 红线逻辑（改图像不改坐标=错误数据） |
一句话判断
这篇文章等于替我们写了一半《凭什么是我们》：十三道工序里我们卡位"质量评分+数据入口"，八层里我们占"工程级自研"档。无行动项，可直接引用作对外叙事素材（需按对外口径自查后使用）。
情报二：智源大会 NeuroVLA（智平方郭彦东）——P3 判断强化而非扰动
来源：公众号"具身智能之心"智源大会报道。
- "世界模型不是 VLA 的竞争路线，而是 VLA 体系里的空间感知组成部分"——与我们 9/2 P3 拍板（π0.5 技能层+Cosmos 世界模型层两层栈）同向，口径不用改。
- "当下世界模型本质是大数据喂出来的，不是物理规律驱动"——与"校准飞轮"逻辑同构：数据积累即壁垒。
- "WM 的终极用处是生成行动，不是生成视频"——印证 P3"验证器先行"（用 WM 做便宜验证器，比生成视频更贴行动回路）。
- "用 WM 补 corner case（桌子边缘样本）"——头部玩家用 WM 补采样盲区 → 真人采集永远覆盖不全 → 补出来的数据同样需要验证 → 秤的价值加固。这是对"合成数据谨慎"立场的最好对照案例。
- 类脑三级架构（皮层语义规划/小脑高频协调/脊髓毫秒反射，抖动 -75%、20ms 反射）——记录备查，离我们数据业务远，无行动项。
情报三：PointDiT（已核实）——3D 工具库候选，不立即投入
来源核实：项目页 · arXiv:2607.02515 · OpenReview
核实结果（用户摘要基本准确，两处修正）：
| 摘要说法 | 核实 |
|---|---|
| Google / ETH / 图宾根 | ✅ 属实，另含 Microsoft/TUM/KE:SAI；一作 Haofei Xu，10 作者含 Marc Pollefeys/Andreas Geiger/Federico Tombari |
| ICML 2026 | ✅ |
| 代码开源 | ✅ github.com/google-research/pointdit（Google Research 组织下；license 待查） |
| 预训练权重放出 | ⚠️ 项目页未见 HuggingFace 权重链接，仅 Code 链接——权重是否随仓库发布待查 GitHub |
| 训练评测流程开源 | ⚠️ 待查仓库内容 |
| 单步扩散出稠密 3D 点图 | ✅ 像素空间 DiT：带噪点图 patch（XYZ 替代 RGB）+冻结 DINOv3 图像 token→纯 ViT 一步去噪出点图；无 VAE、从零训练；多步采样可锐化 |
对我们的定位：
- 它是伪标签工具，不是真值来源。 情报一的行业共识直接给出定位约束："处理管线从视频逆向的深度位姿只是伪标签"——PointDiT 从 EGO 单帧恢复的 3D 点图属这一类，不能替代采集端设备级位姿锚点（我们卖的就是锚点）。
- 候选用途（触发才做，现在不装）：
- 映射层辅助：手 21 点 3D 位姿已有，点图补场景几何 → 手-物空间关系推理；
- QC 维度候选：场景 3D 一致性/几何畸变检测（D 指标增密）;
- P3 世界模型的 3D 先验工具。
- 触发条件：P3 启动，或出现 3D 质检客户需求。映射层 v0（纯几何降维，见 301 维破译文档）不需要它。
情报四：TouchTronix FusionX Pro（已核实）——设备候选池"触觉变体"条目
来源核实：官网 · RCSV 商店页 · LinkedIn · HuggingFace 样本数据集 touchtronix/FusionX-Multimodal-Sample-Data-V2
核实规格：TouchTronix Robotics（创始人 Jun Liu，加州），"Data Factory"可穿戴多模态采集方案。FusionX Pro 套装=触觉数据手套×1 对（每只 132 触觉像素：每指 12+掌 72；5 弯曲传感器；力感知）+主动双目立体相机（头戴/胸戴）+Intel Mini PC；遥操作时手套 200Hz 记手部状态+第一视角相机；跨模态对齐演示 1748 帧；Mountain View 有现货。
对我们的判断：
- 形态印证：双目头戴相机+手部高频位姿——与我们 Orbbec EGO 采集形态同构，可穿戴第一视角多模态采集再获行业印证。
- 竞合定性：设备商，非竞争者。 他们卖设备+样本数据（八层里的"硬件级"玩家）；我们运营劳动力网络+验证（场景与劳动力层）——互为上下游。与 Orbbec 同列设备池。
- 触觉模态增量信号：我们 EGO 数据无触觉维度。若出现精细操作客户（液体容器类，恰是其演示场景），触觉手套是数据产品可加的溢价维度——但judge 依据=客户需求出现，不预投。
- 与 9/2 设备拍板关系：Orbbec 路线 B 主力地位不动；TouchTronix 记入设备候选池"触觉变体"条目，无价格与成熟度尽调前不评估切换。
情报五：Video ICL 浪潮与 The Imitator Game——今天分量最重的一条，直接命中我们数据资产形态
来源：公众号"具身智能之心"《Ego火了之后，具身开始卷 in-context learning 了，但它的评测该怎么弄？》， 涉及 The Imitator Game（港大+忆生科技+复旦+浙大，马毅/杨言超指导）、 GEN-1.5（Generalist）、S1（Skild AI）、HOST（arXiv:2607.20033）、Zero-WAM（arXiv:2608.26103）。
文章要点
- 人类视频正在从"训练数据"变成"部署时理解新任务的接口"：GEN-1.5 把 3-12 秒 demonstration 当 physical prompt 不更新参数直接试新任务；Skild S1 用视频指定任务跑 10 分钟长程任务； HOST 报告平均 29 秒人类视频习得新技能（novel-task 62% 成功率）。"我不解释了，我做一遍给你看。"
- The Imitator Game = human-to-robot imitation benchmark，核心创新是把"模仿"从动作复现 扩展到 intent-level，按 demonstration 场景与执行场景的变化程度分 L0-L3： L0 同场景行为复现 / L1 空间变化 / L2 物体实例变化 / L3 功能与操作方式变化 （泡茶例：同位置茶包→挪位置→换散茶→没茶了用抹茶粉+搅拌棒完成同层目的）。
- IG-10K 数据集：20,000+ 人类-机器人配对数据（11.7K 真实+10K 仿真）、200+ L0-L3 任务变种、340+ 可操作物体；**统一 LeRobot-0.5.0 格式，多视角 RGB-D + 3D MANO hand pose
- semantic mask + 分层语言标注；ManiSkill3/SAPIEN 仿真；文章原话："数据'多'并不是重点， 'pairing'才是**"。
- 九基线含 π0.5（另有 ACT/Diffusion Policy/VQ-BeT/XSkill/UniSkill/GR00T-N1.6/RDT-1B/ OpenVLA-oft）+ leaderboard + Imitator Arena 人类主观评测。
- 第一轮三趋势：①human video 是值得继续的 task specification；②paired human-robot pretraining 有 scaling 潜力；③L3 意图迁移当前模型明显下降——最开放的能力空间。
- 行业转向：从"一个模型会多少任务"到"一个机器人多快学会新任务"。
与我们的关系（四层）
- 我们数据形态正踩在学术标配资产的正中。 IG-10K 人类侧标配=第一视角视频+3D MANO hand pose+LeRobot 格式——与我们的 EGO 采集（第一视角双目+21 点手部位姿+LeRobot 转换管线） 同构。顺带再次印证 301 维 21 点组=MANO 惯例推断（映射层③考证参照又加一条）。
- π0.5 是 IG-10K 基线之一——我们秤的基准模型与该 benchmark 直接重叠，未来 T 槽读数 与 Imitator Game 评测有同模型家族的可比性基础。
- 人类视频价值的第二条增长曲线。 第一条=fine-tuning 语料（我们秤现在的 T 口径： π0.5+LIBERO Δpp）；第二条=ICL demonstration prompt（"这段人类视频当 context 能教出什么"）。 若 ICL 路线成立：真人 EGO 数据稀缺性上升——合成数据替代不了"真实人类演示分布"， 供给侧故事更硬；数据买方的质量定义也会多一维"demonstration 质量"（意图清晰/可迁移层级）。
- 对秤与判据库的远期含义：
- 秤的量程扩展候选新增一条：ICL/demonstration 质量口径（触发=客户需求，或 ICL 成为 主流评测范式）——与 Isaac Lab 候选并列，不动现有 LIBERO 冻结口径（ADR-0008）；
- 判据库远期语义候选：L0-L3 分级可作批次"demonstration 适用层级"标注框架；
- 配对采集形态候选：IG-10K 证明 ICL 评测刚需是 paired human-robot data——若出现此类 客户，"人类示范+机器人执行对照"是采集业务新形态（远期记录，不预投）。
冷静边界
学术 benchmark，不是买家；发布团队在招合作伙伴——属于生态观察与关系候选，不构成近期行动。 本条全部记为"量程扩展候选"，与"先被买过再谈底座"的顺序链纪律一致。
汇总：五条情报 → 行动项（全部低优先/触发制）
| # | 行动 | 触发条件 |
|---|---|---|
| 1 | 映射层③点序考证对 MANO 21 关节惯例 | 无（本来就在计划内，情报一给了参照） |
| 2 | 双目深度误差量化值（0.3mm@30cm/4.5mm@120cm）作判据 A 层对齐锚点参考数值 | 判据 A 层下次修订时吸收 |
| 3 | PointDiT 入工具库候选 | P3 启动或 3D 质检需求 |
| 4 | TouchTronix 记设备候选池触觉变体 | 精细操作客户出现时询价 |
| 5 | 十三道工序/八层三档框架作对外叙事引用素材 | 下次对外文案时（过对外自查） |
| 6 | 秤量程扩展候选+1：ICL/demonstration 质量口径（与 Isaac Lab 候选并列记录） | 客户需求或 ICL 成为主流评测范式 |
| 7 | 判据库远期语义候选：L0-L3 模仿分级作批次标注框架 | 判据库语义扩展时吸收 |
| 8 | Imitator Game 团队（招合作伙伴）记生态关系候选 | 有学术合作契机时接触 |