機器人資料工廠不是大量堆放影片的儲存設施。它把實機與真人示範收集、資料使用權查核、訓練與評估分離、模型批准、有限部署及失敗回收接成營運閉環。對實體 AI（Physical AI）而言，容量不是核心；真正的資產是能追出哪種失敗為何發生、哪批資料改了哪個模型，以及新版是否真的改善現場。
資料回到現場能力，才稱得上工廠
LG Electronics在2026年8月表示，正於首爾良才R&D園區建置Data Factory，目標年底全面運轉。設施包含模擬住宅與製造現場的訓練空間、物流自動化，以及機器手資料收集區。LG Electronics與NVIDIA機器人合作官方公告指出，收集內容將由NVIDIA機器人堆疊擴增、合成，用來改善LG的Robot Foundation Model。
規模要分成現況與目標。設施地下1層、地上3層，總樓地板面積1萬㎡；LG預計年底前放入數百台機器人。直接收集加上合成與擴增，年底希望累積10萬小時、約12年份量，這仍是公司預測，不是已完成結果。
SEER Robotics在2026年策略公告中，也提出把實機、多來源收集、治理、訓練、模擬評估與能力回饋連起來的資料體系。兩個案例的共同點，是資料不能保存一次就結束，而要回到現場能力。
| 流程 | 應保存的內容 | 缺漏後果 |
|---|---|---|
| 收集 | 感測、動作、人員介入、結果與共同時間 | 無法連接原因與結果 |
| 清理與治理 | 品質判定、所有權、同意、保存與刪除歷程 | 無法判斷能否訓練及責任歸屬 |
| 訓練與評估 | 資料、程式碼、模型系譜及未公開評估集 | 洩漏造成效能膨脹，或無法重現 |
| 部署與回收 | 批准、金絲雀、現場指標、版本回復、失敗再收集 | 不良更新擴散至整個機隊 |
收集單位是工作紀錄，不是一個影像檔
只拍下把杯子放進架子的影片，仍不知道機器人看到什麼、用了多少力量。一段工作紀錄應在同一時間軸保存RGB、深度、觸覺、關節位置與速度、力量與扭矩、命令、電池狀態、遠端操作、安全停止及最終結果；起始狀態、成功、部分成功、失敗與中止標準，也要按工作固定。
只留成功案例，就學不到失敗前訊號。濕握把滑動、局部遮蔽、通訊延遲、人員進入工作區的瞬間，以及遠端人員介入理由，都應另外標註。重複1萬次正常場景，未必比100件不同失敗更能指引改善。
用時間報告收集量時，要分開實際動作、等待與重設、重複畫面比例。「10萬小時」只是保存量，不會自動證明工作多樣性或有效資料率。
收集設計也要列出不保存的內容。所有攝影機原始檔無限期保留，可能只增加成本與個資暴露。把事故分析原始檔、訓練用清理資料、營運統計摘要設不同期限，不合格紀錄則隔離。狀態轉換與批准者應由系統強制，避免隔離資料混進下一版訓練集。
時間沒有同步，接觸因果就可能顛倒
機器人感測頻率不同：攝影機可能30Hz，關節狀態數百Hz，觸覺事件還可能更快，遠端操作命令另有通訊延遲。沒有共同時鐘與延遲中繼資料，就會搞不清楚是滑動後才減力，還是因減力而滑動。
保留原始時間戳，把重新取樣與內插另存衍生版本。感測器校正值、韌體、機器人識別碼也要連到每段紀錄，之後才能重播。畫面遺失或時間跳動不能默默補值，應留下品質旗標。
標籤定義也是技術問題。「成功」若定義為物件進入目標區，與機器手安全退出後才算完成，會得到不同數字。營運與訓練團隊應共同簽核完成條件，避免現場KPI與模型評估脫節。
治理先界定客戶資料可被怎麼使用
機器人可能同時記錄工廠設備、員工臉部、住宅內部與產品瑕疵。買下設備不代表客戶自動取得原始、衍生資料及模型的全部權利，也不代表供應商可自由把所有紀錄拿去訓練其他客戶模型。收集前要同時準備合約與技術控制。
權利表應列原始檔所有者、訓練與評估目的、能否與第三方共享或跨境移轉、保存期限與刪除方式，以及衍生模型權利。涉及人的影像，預設採最少收集、去識別與存取控制；收到刪除要求時，也要能追到由該資料形成的衍生集合。
權限不要只按資料夾，而應限縮到角色與工作。若原始影像查看、標籤修改、訓練批准、部署批准集中在同一帳號，事故與內部威脅難以追查。所有變更須記錄使用者、時間、理由與舊值。
刪除政策不能停在文件，還要定期驗證無法復原。從特定作業人員或客戶現場的紀錄ID出發，找出原始檔、複本、標籤與訓練候選，再按程序清除。既有模型如何處理要看合約與風險，不能用同一按鈕承諾「刪資料」與「廢模型」。備份期限及復原後再次刪除也容易漏掉。
合成資料適合補足稀有危險條件
NVIDIA Cosmos官方頁面介紹感測資料整理、標註、去重，以及世界基礎模型生成合成資料與訓練、評估框架。夜間、惡劣天候、局部遮蔽、碰撞前等危險且稀有的狀況，適合用合成方式擴充。
但合成影像看似符合物理，不保證重現真實感測與接觸。反光材質、透明物、馬達背隙、攝影機雜訊與難預測的人類行為，都可能和模擬不同。合成訓練後，應用未參與生成的實機資料獨立評估，並比較合成比例改變時哪些失敗減少、哪些反而增加。
來源標記也不能丟。實機、遠端操作、模擬與生成資料混合後若移除來源，就無法判斷效能改善由何者貢獻，或哪一類偏差製造了特定失敗。
切斷訓練與評估之間的隱性重複
機器人常連續攝影，若按畫面隨機切分，幾乎相同場景會同時進入訓練與評估。同一住宅、物件、操作者的連續紀錄被拆開時，模型看似泛化，其實可能只記住場景。應按工作、場地、機器、日期與物件群切分。
未公開評估集不應讓模型開發者反覆查看。部署前依序通過實驗室評估、現場影子模式與小規模金絲雀機隊。除了平均成功率，還要看工作別最低效能、介入率、碰撞前停止、復原時間及相對舊版的退步。
評估集太舊會錯過現場變化，但把新失敗立刻加入並反覆調整，又會造成洩漏。營運案例要分為原因分析與下一版候選，固定評估版本的變更日期及理由。舊模型也要在新版評估上重跑，才有公平改善幅度；工作與環境別效能表能避免特定客戶的下降被平均掩蓋。
| 查核問題 | 合格證據 | 應中止或重做的訊號 |
|---|---|---|
| 評估是否洩漏 | 按場地、工作、機器切分清單與重複檢查 | 同一段連續攝影同時出現在訓練與評估 |
| 是否真的減少失敗 | 相同條件下與舊模型重複比較 | 平均上升，危險工作的最低值下降 |
| 是否具備使用權 | 每段紀錄的同意、合約與保存政策 | 來源或刪除路徑不明 |
| 現場能否回復舊版 | 模型系譜、金絲雀結果、自動回復演練 | 不知道模型由哪些資料訓練 |
部署前先設安全閘門，再談自動更新
現場紀錄一到就重新訓練，並更新所有機器人，速度快但風險高。錯標失敗、損壞感測器或攻擊者混入的資料，都可能改變整個機隊行為。收集和訓練可以自動化，部署批准仍須獨立安全閘門。
模型登錄要連起資料版本、程式碼與環境、評估結果、批准者及適用機器。先部署到流量低、容易回收的少數設備，比較介入率、工作時間、安全停止、硬體溫度與舊版差異；超過門檻就停止新版，回到已驗證版本，並實際演練流程。
不是所有現場回饋都該送進訓練。感測器故障、操作錯誤與製程變更等模型無法解決的原因要先分離。目標不是大量消耗紀錄，而是準確選出下一次改善所需資料。
第一次建置先用100段紀錄測系譜
不要先買大規模儲存空間。選一項工作與一台機器，收集100段樣本，確認影像、關節、力量與介入訊號能同步重播，並追蹤單筆資料從收集到刪除的路徑。接著刻意加入失敗條件形成未公開評估，只把小模型部署到一台金絲雀設備。
機器人觸覺感測器、遠端操作資料與模仿學習、強化學習比較可協助理解收集訊號、示範資料與訓練方法差異。
建置指標不要只有總時數。每月應追有效紀錄比例、工作與物件及環境多樣性、失敗與人員介入分布、權利查核率、評估洩漏件數、模型別版本回復時間。這些環節接起來後，檔案群才會變成累積機器能力的資產。
成本表除儲存與GPU，還要列標籤查核、現場重設、感測校正、個資處理、資料攜出審查與失敗重現。持續收集便宜的正常場景，可能不如安全重現稀有失敗並找出原因有價值。若無法連接哪個資料群改善哪個現場KPI，規模越大越難停止無效收集。
常見問題
保存大量機器人影片，就算建成資料工廠嗎？
不算。影像、機器狀態、動作與人員介入要同步，並接上權利、品質、訓練、未公開評估、部署與失敗回收；只有影片難以重現動作原因。
機器人策略能只靠合成資料訓練並直接部署嗎？
合成資料適合補足稀有場景，但真實感測雜訊、接觸與機體差異仍存在；要用未參與生成的實機資料與有限現場部署驗證。
客戶現場收集的資料會自動歸機器人供應商所有嗎？
不會自動歸屬。原始與衍生資料、模型及紀錄的收集、訓練、共享、跨境移轉與刪除權利，必須逐項寫入合約，個資和營業秘密也要另行控制。
已查核的官方資料
最後查核：2026年8月23日