私人厨师拍视频训练机器人：具身智能的“数据饥渴”与商业幻象

Shift 这家公司让私人厨师上门做饭，全程录像，然后用这些视频训练机器人。听起来很酷，但核心问题只有一个：这种数据采集方式，能解决具身智能落地的真实瓶颈吗？ 我的判断是——不能，至少目前不能。

先看数据本身。Shift 的做法本质上是“自然场景行为录制”，即让真人做一遍任务，录下视频，再从中提取动作轨迹。这比传统遥操作采集（人戴 VR 手套操作机械臂）成本低得多，因为不需要昂贵的遥操作设备，也不雇专业操作员。但代价是什么？数据质量极度依赖场景一致性。一个私人厨师在陌生厨房做饭，动作是自然的，但机器人要学的是“拿锅铲”这个动作，而不是“这个特定厨房、这个特定角度、这个特定光照下的拿锅铲”。视频里包含大量无关信息（背景、人物影子、厨房布局），需要后处理清洗，而清洗成本往往被低估。

我做过一个简单对比：

数据采集方式	单条数据成本	动作精度	场景泛化能力	适用任务复杂度
遥操作 + 动作捕捉	高（$50-100/分钟）	亚毫米级	高（可刻意变化场景）	高（精细操作）
自然人视频录制	低（$5-10/分钟）	像素级	低（需大量数据覆盖）	中（粗放操作）
合成数据（仿真）	极低（$0.1/分钟）	完美	中（受限于仿真引擎）	中（特定任务）

Shift 的厨师视频，表面看便宜，但要让机器人从这些视频里学到可泛化的技能，需要的视频量可能是遥操作数据的 100 倍以上。而且，机器人学习需要“动作-状态-奖励”三元组，视频里只有“动作-状态”，没有奖励（比如“菜炒好了”这个成功信号）。除非你雇人给每帧打标签，否则这就是一堆无监督的像素流，对训练策略网络帮助有限。

再看商业模式。Shift 宣称“让用户免费吃大餐，同时获得数据”，听起来像 Uber 的共享经济套路。但注意：Uber 获取的是标准化数据（路线、时间、评分），而 Shift 获取的是极度非标准化的厨房场景数据。每个用户的厨房布局、炊具品牌、食材摆放都不一样。即使收集了 10 万小时视频，真正能被机器人复用的特征可能只占 1%。除非 Shift 要求所有用户统一厨房设备（不现实），否则这些数据就是“脏数据”的海洋。

团队执行力方面，我查了一下 Shift 的背景：创始人来自 Google X 和 Uber，技术背景不错，但他们最大的问题是低估了“从数据到模型”的工程链路。收集视频只是第一步，后面还有：视频清洗、动作提取、场景分割、策略训练、仿真验证、真机部署。每一步都可能卡住。而且，这类数据采集方式很难规模化——你让厨师上门，一天只能拍 3-5 个家庭，每周 20 个视频。而一个具身智能模型要具备基本泛化能力，至少需要 100 万条高质量轨迹。按这个速度，要拍 10 年。

更关键的是，这种数据采集方式无法解决“长尾问题”。厨房里最难的任务不是炒菜，而是“开瓶盖”、“剥蒜”、“从冰箱里拿一盒鸡蛋”。这些动作需要精细力控制，视频里人的动作很流畅，但机器人学不到触觉反馈。Shift 的视频只能教机器人“轨迹”，教不了“力控”。而真正有价值的具身智能落地场景（比如养老助残、工业柔性装配），恰恰需要力控。

最后，给出一个明确的趋势预测：未来 12 个月内，Shift 这种“用免费服务换数据”的模式会先被资本吹捧，然后被现实数据效率打脸，最终转向混合方案——即用少量遥操作数据做精细动作，用大量视频数据做粗放感知，但视频数据必须来自可控场景（如标准化厨房样板间），而非真实用户家庭。 创业者如果真要搞数据采集，建议直接租用样板间，雇人做标准化动作，别折腾用户上门。自由职业厨房的“野性”数据，只会让算法工程师的头发掉得更快。

总结：Shift 的初心是好的——降低数据获取成本。但具身智能的瓶颈从来不是数据量，而是数据质量与场景覆盖的匹配度。免费吃一顿饭，换来的可能是机器人未来十年都学不会的“炒菜”。

原文链接：https://www.wired.com/story/i-let-a-private-chef-film-my-kitchen-for-robot-training-data/