机器人数据工厂不是大量存视频的设施，而是一套具身智能（Physical AI）运营体系：从真实机器人和人类示范采集数据，确认使用权，分离训练与评测，只把通过验证的模型部署到现场，再回收失败。比存储容量更重要的是，能否追踪“为什么发生某类失败、它最终修正了哪个模型”。
数据只有重新改变现场能力，才称得上工厂
LG电子在2026年8月宣布，正在首尔良才R&D园区建设Data Factory，目标是年底全面运行。设施包含复刻家庭与制造现场的训练空间，以及物流自动化和机器人手数据采集区。按照LG电子与NVIDIA机器人合作官方公告，采集数据将接入NVIDIA机器人技术栈进行增强与合成，并用于改进LG Robot Foundation Model。
公开规模也要区分现状与目标。设施被描述为地下1层、地上3层，总面积1万㎡；LG计划年底前部署数百台机器人，并预计直接采集加合成增强数据可在年底达到10万小时，约等于12年。这是企业目标，不是已经完成的结果。
SEER Robotics在2026年战略公告中，也提出连接真实机器人采集、多源采集、治理、训练、仿真评测和能力反馈的数据体系。两个案例共同说明，数据不是堆积后结束，而要返回现场形成新能力。
| 阶段 | 必须保留的资产 | 缺失后的后果 |
|---|---|---|
| 采集 | 传感器、动作、人工介入、任务结果和公共时间轴 | 无法连接原因与结果 |
| 清洗与治理 | 质量判定、所有权、同意、保存和删除历史 | 无法确认是否可训练以及谁负责 |
| 训练与评测 | 数据、代码、模型谱系和隐藏评测集 | 数据泄漏抬高成绩，或结果无法复现 |
| 部署与回收 | 批准、金丝雀、现场指标、回滚和失败再采集 | 错误更新扩散到整支车队 |
采集单位应是任务回合，而不是一个视频文件
只用相机拍摄把杯子放上货架，无法知道机器人看到了什么、施加了多大力。一个任务回合应把RGB、深度、触觉、关节位置与速度、力与扭矩、命令、电池状态、遥操作、安全停车和最终结果放到同一时间轴。每项任务还要固定起始状态以及成功、部分成功、失败和中止标准。
若只收集成功数据，现场模型学不到失败前信号。湿把手滑移、物体部分遮挡、通信时延、人员进入作业区，以及远程操作员为何介入，都应独立标注。正常场景重复1万次，可能不如100个不同失败更能指出改进方向。
用小时报告规模时，应分开机器人真实动作、等待与重置时长，以及重复帧比例。“10万小时”只是体量，并不会自动证明任务多样性或有效数据占比。
采集设计还要规定“不保存什么”。所有相机原片无限期保存，可能只会增加成本和隐私暴露面。可按保存期区分事故分析所需原始数据、训练所需清洗版本和只留运营统计的摘要，并隔离未通过质量门槛的回合。系统应强制状态流转与批准人，防止隔离数据意外进入下一次训练。
时间不同步后，接触的因果顺序会消失
机器人各传感器频率不同：相机可能是30Hz，关节状态达到数百Hz，触觉事件还可能更快；遥操作命令另有网络时延。没有公共时钟和时延元数据，系统就无法判断杯子是先滑再减力，还是因为减力才滑。
采集管线应保存原始时间戳，把重采样和插值做成独立衍生版本。传感器标定、固件和机器人ID也应绑定到回合，便于日后重放。发生丢帧或时钟跳变时，不要悄悄填补，而应留下质量标志。
标签定义同样是技术问题。“成功”到底以物体进入目标区为准，还是要等机器人手安全撤出后才算，会得到不同结果。运营团队与学习团队应共同签署任务完成条件，防止现场KPI与模型评测分裂。
治理要明确客户数据究竟能被怎样使用
机器人可能同时记录工厂设备、员工面部、住宅布局和产品缺陷等敏感信息。购买设备，不代表客户自动拥有原始数据、衍生数据和训练模型的全部权利；供应商也不能默认把所有日志用于其他客户模型。采集前必须让合同与技术控制一致。
权利表应写明原始数据归属、允许用于哪些训练与评测、能否与第三方共享或跨境传输、保存期和删除方式，以及衍生模型权利。涉及人员的视频，应默认最小采集、假名化和访问控制；收到删除请求时，还要能找到由该数据形成的衍生数据集。
权限应按角色和任务收紧，而不是只按文件夹。把原始视频查看、标签修改、训练批准和部署批准集中给同一账号，会让误操作和内部威胁难以追踪。所有变更都应在审计日志中记录用户、时间、理由和旧值。
删除政策不能只写在文档里，还要定期测试是否确实无法恢复。输入某名员工或客户现场的回合ID，应能在原始数据、复制件、标签和训练候选集中全部定位并按流程删除。已训练模型需要怎样处理，取决于合同和风险，不应把“删数据”与“销毁模型”承诺为同一个按钮。备份到期和恢复后再次删除的流程也经常被漏掉。
合成数据更适合补齐稀有而危险的条件
NVIDIA Cosmos官方页面介绍了整理、标注和去重传感器数据的工具，以及利用世界基础模型生成合成数据并支持训练评测的框架。合成尤其适合扩大夜间、恶劣天气、局部遮挡和即将碰撞等现实中危险或稀少的条件。
但合成画面的物理合理性，不代表真实传感器和接触被完整复现。反光材质、透明物体、电机回程间隙、相机噪声和人员难以预测的行为，仍可能与仿真不同。使用合成数据训练后，应在未用于合成的实机数据上独立评测，并观察改变合成比例后哪些失败减少、哪些增加。
来源标签必须保留。真实、遥操作、仿真和生成数据混在一个集合中，若删除来源，就无法判断性能提升来自哪里，也难以追踪特定失败是否源于数据偏差。
训练集与评测集之间要阻断隐性重复
机器人数据经常来自连续拍摄。若随机按帧切分，几乎相同的画面会同时进入训练和评测。同一房间、同一物体或同一操作者的连续回合被拆开后，模型看似泛化，其实可能只是记住场景。数据应按任务、地点、机器人、日期和物体组切分。
隐藏评测集不应被开发人员反复查看。部署前要依次经过实验室评测、现场影子模式和受限金丝雀车队。除平均成功率外，还要看每项任务最低表现、人工介入、碰撞前停车、恢复时间和相对上一模型的退化。
评测集太旧会漏掉现场变化，但一发现新失败就立刻加入并反复调参，又会重新造成泄漏。运营案例应分为原因分析集和下版评测候选，固定评测版变更日期与理由；旧模型也要在新评测版重跑，才能公平比较提升。保留按任务与环境拆分的成绩表，可避免某个客户现场下降被总平均掩盖。
| 验证问题 | 可接受证据 | 应停止或返工的信号 |
|---|---|---|
| 是否避免评测泄漏 | 按地点、任务和机器人列出切分与重复检查 | 同一连续拍摄同时出现在训练和评测 |
| 是否真正减少失败 | 在相同条件下与旧模型重复比较 | 平均分上升，但高风险任务最低值下降 |
| 是否拥有数据使用权 | 回合级同意、合同和保存政策 | 无法找到来源或删除路径 |
| 是否能安全回退现场 | 模型谱系、金丝雀结果和自动回滚演练 | 不清楚模型由哪些数据训练 |
部署前要先过安全门，而不是自动更新全部机器人
现场日志一到就训练并更新所有机器人，速度很快，风险也很高。错误标签、故障传感器或恶意数据都可能扩散为全车队行为。因此，即使采集和训练自动化，部署批准也必须经过独立安全门。
模型注册表应连接数据版本、代码与环境、评测结果、批准人和适用机器人。首发只能部署到流量低且便于回收的设备，并与旧版比较人工介入、任务时间、安全停车和硬件温度。指标越过阈值后，应关闭新模型并切回验证版本，而且这一流程要实际演练。
现场反馈也不能全部送进训练。传感器故障、操作员失误和工艺变更等并非模型能解决的原因，要先分开。数据工厂的目标不是消费更多日志，而是准确挑出下一步改进所需的日志。
首次建设先用100个回合验证整条谱系
不要先购买超大存储，而应先选一个任务和一台机器人。收集100个样本回合，确认图像、关节、力和介入信号能在同一时间重放，并追踪一条数据从采集到删除会经过哪些系统。随后有意加入失败条件形成隐藏评测集，再把小模型只部署到一台金丝雀设备。
机器人触觉传感器、遥操作数据和模仿学习与强化学习对比有助于理解采集信号、示范数据和学习方式的区别。
建设指标不能只看总时长。应按月检查有效回合率、任务与物体和环境多样性、失败与人工介入分布、权利确认率、评测泄漏数量以及每个模型的回滚时间。这些值连成一条线，文件堆才会成为持续积累机器人能力的资产。
成本表除存储和GPU外，还要加入标签审核、现场重置、传感器标定、隐私处理、数据外发审查和失败复现时间。安全复现稀有失败并确认原因，可能比持续收集廉价正常场景更贵。若无法把某批数据与现场KPI改善连接起来，规模越大，越难判断哪些采集应当停止。
常见问题
积累大量机器人视频，就算建成数据工厂了吗？
不算。图像必须与机器人状态、动作和人工介入同步，还要连接权利、质量、训练、隐藏评测、部署与失败回收；仅靠视频很难重现动作原因。
能否只用合成数据训练真实机器人？
合成数据能扩大部分能力和稀有场景，但真实传感器噪声、接触和设备差异仍在，必须用未参与合成的实机数据及受限部署验证。
现场数据会自动归供应商所有吗？
不会自动归属任何一方。合同应分别写明原始与衍生数据、模型和日志的采集、训练、共享、跨境与删除权，并单独控制隐私和商业秘密。
已核验的官方资料
最后核对：2026年8月23日