具身智能要真正进入物理世界，需要解决的不只是模型能力问题，还包括如何获取真实世界数据、如何支撑模型快速迭代，以及如何让机器人在真实场景中积累和复用技能。近期，穹彻智能联合创始人兼 CEO、上海交通大学人工智能学院副院长卢策吾，AI 科学家吕峻，以及 AI 算法研究员邹砚文，分别在云栖大会和 ROSCon China 2026 分享了穹彻在具身智能领域的技术实践。从数据与模型的迭代，到数据产线的工程实现，再到真实场景中的机器人自进化，三场演讲从不同视角呈现了穹彻以模型为核心的技术探索。

在云栖大会「数启身动・阿里云具身智能应用论坛」上，穹彻智能联合创始人兼 CEO、上海交通大学人工智能学院副院长卢策吾，围绕具身智能从数据采集、模型研发到真机验证的技术路线，分享了穹彻在具身智能领域的实践与思考。

在数据方面，具身智能尚未形成如自动驾驶般成熟的数据采集产业，仍面临真实场景数据采集成本高、任务分布不均衡、数据质量难以保证等挑战。穹彻自 2021 年启动大规模具身数据采集研究，逐步探索无本体数据采集路线，目前已建立覆盖 50 余个城市的采集网络，峰值支持 1000 人同时采集，累计采集来源超过 1 万个。同时，穹彻搭建了 AI 原生的数据质量管控与标注体系，并联合阿里云建设无本体数据产线，实现从数据入库到治理的全链路自动化，大幅提升数据管线效率。穹彻也在探索以模型能力反向驱动数据采集：先利用已有数据进行充分训练，再根据模型暴露出的能力短板，指导后续的定向采集，形成数据与模型相互驱动的迭代过程。

在模型方面，穹彻自研 Noe-0 世界模型，持续探索世界模型与机器人动作能力的结合，并围绕力位混合的具身模型方向探索精细操作能力。通过引入力觉信息与相关算法，机器人能够更好地完成需要精细控制的操作任务，相关技术也通过开盖、物体放置等真机任务进行验证。

卢策吾在演讲中分享，具身智能研发不仅要关注数据规模与模型能力，也要提升单位时间内验证或证伪技术想法的效率，将有效的技术方案持续转化为模型能力。

当数据采集逐步形成规模，如何高效处理持续增长的多模态数据，就成为模型研发必须解决的工程问题。在云栖大会「穹彻智能 × MaxCompute 具身智能 UMI 数据产线实践」分享中，吕峻介绍了穹彻与阿里云围绕无本体数据处理开展的工程实践。

目前，穹彻单日平均入库数据约 10 TB，峰值可达 50 TB，年化入库规模约 3.6 PB，累计数据量已超过 10 万小时量级。这些数据包含视频流、深度信息等多种模态，需要经过时间戳对齐、格式转换、特征提取和模型标注等处理环节。随着算法持续更新，存量数据还可能需要重新处理，导致算力需求在不同阶段大幅波动。

针对这些挑战，穹彻与阿里云围绕弹性算力、异构资源调度和分布式计算建立了相应的数据处理方案。资源调度方面，MaxCompute 可在短时间内拉起最高 12 万核 CPU 资源，并通过 Serverless 按使用付费模式适应阶段性的算力需求；平台还可统一调度 CPU、GPU 与大模型资源，以支持不同的数据处理任务。研发效率方面，基于 MaxFrame 的 Python 驱动方式，算法人员通过编写单机算子即可使用千 Worker 级别的分布式计算资源；幂等管线与异常分片重跑等机制，则有助于减少任务异常带来的重复计算，提升数据处理的稳定性与资源利用效率。

通过这套数据产线，穹彻希望降低大规模多模态数据处理的工程成本，让数据处理流程更好地适应算法迭代，为模型训练与实验提供支撑。

在 ROSCon China 2026 主论坛上，穹彻智能 AI 算法研究员邹砚文分享了《RoboRSI 在真实复杂场景中实现稳定、高效、可复用的机器人自进化》，介绍穹彻在机器人自主迭代与技能复用方面的技术探索。

真实物理环境难以像仿真环境一样自动重置，场景也会持续变化，机器人需要在任务执行过程中不断应对新的情况。针对这些挑战，RoboRSI 构建了由 Manager、Planner、Engineer、Reviewer 四类子 Agent 协同的闭环系统，分别支持任务管理、规划、技能编写与结果检查，推动机器人围绕任务执行持续迭代。

除了完成当前任务，RoboRSI 还尝试将执行经验沉淀为可复用的技能。系统采用树状分层结构，将技能划分为基础技能、原子技能与复合长程技能，并能够自主编写、修订和保存代码化技能，通过日志记录与失败案例回溯持续优化，逐步积累可供后续任务调用的技能库。

据演讲介绍，RoboRSI 已在真实轮式单臂机器人样板间整理任务中进行验证，经过 104 轮迭代构建技能库，并大幅缩短了特定样板间任务的部署时间。此外，RoboRSI 还探索将现场数据采集与技能进化相结合，为 ACT 等底层策略模型训练提供数据支持。相关论文已在 arXiv 开源。

从覆盖多城市的无本体数据采集网络，到支撑多模态数据处理的工程产线，再到真实机器人场景中的技能积累与复用，三场演讲分别从不同视角呈现了穹彻智能在具身智能领域的技术实践。以模型为核心，数据为模型研发提供基础，工程体系支撑快速迭代，真实场景则为技术方案的验证与优化提供依据。围绕这一技术路线，穹彻持续探索从模型研发到机器人实际任务执行的实现路径。

（来源：穹彻智能）