北京升级共享类人机器人培训中心

2026年9月11日，北京。北京已将位于首钢公园的一座1,500平方米的人形机器人培训中心升级为一个共享的具身智能设施，该设施将人体动作捕捉、合成数据生成、模型训练、物理验证和工业部署有机结合。 关键之处不在于又多了一间堆满机器人的房间，而在于试图将教机器这一昂贵且重复的工作转化为基础设施，供多家机器人制造商共同使用，而非各自重新构建。

石景山具身智能训练中心是北京市首个类人机器人数据训练中心的第一期项目，经过更名和扩建后正式启用。根据9月11日发布的项目进展报告，第二期和第三期项目已投入运营。 北京元科视觉技术公司提供技术支持。升级后的阶段在现有工作流程基础上，增加了多视角光场捕捉和4D世界模型基础。该工作流程包括：人类操作员执行任务，记录动作和交互数据，模型通过这些材料进行学习，然后让机器人在相同的物理任务中接受测试。

瓶颈不在于多一个机器人躯体

过去两年间，类人机器人领域一直吸引着资本涌向电机、灵巧机械手、电池以及功能日益强大的基础模型。然而，仅凭机身和模型共存于同一台机器中，并不能使其自动成为一名有用的工作者。 该系统仍需接触、力、物体运动、故障恢复和任务完成等示例数据，而这些数据在现实世界中收集成本高昂，且难以在不同实验室中一致地重现。

这就是石景山中心正试图实现工业化的瓶颈。该中心的操作员身着动作捕捉设备，执行绕过障碍物行走、搬运箱子以及放置物体等动作。升级后的系统

它记录的不仅仅是一段平面视频。其设计旨在保留深度、空间关系、物理交互以及物体状态的变化，然后将这些信息输入到一个由捕获、建模、训练、验证和反馈组成的循环中。

这种差异听起来很技术性，但对采购方而言，其意义却不言而喻。 视频可以展示一只手拿起了一个杯子。而一份有用的机器人训练记录，则需要帮助解释：杯子原本位于何处、手指是如何靠近杯子的、何时发生接触、施加了多大的力、当杯子移动时发生了哪些变化，以及为什么一次尝试成功而另一次失败。正是这些更丰富的标签，才使机器人能够超越死记硬背的演示，实现泛化学习。

该中心表示，其新型多视点光场系统能够以更高的保真度重建轨迹、变形和光照变化。 其4D世界模型层旨在连接数字智能、空间智能和物理智能。这为参与企业提供了一条路径：从观察人类任务开始，到在模拟环境中重现该任务，训练策略，在硬件上验证策略，并将结果反馈至数据循环。

共享基础设施改变了成本曲线

对于初创机器人公司而言，往往会面临拥有技术栈每个环节的诱惑。这在战略上听起来很合理，直到公司不得不为动作捕捉设施配备人员、招聘操作员、配置仪器室、维护多台机器人机身、管理数据权益并确保评估套件正常运行，同时还要研发硬件并销售产品。这些固定成本在首次商业部署之前就已经产生。

共享训练中心提供了一种不同的模式。与其让每个供应商都建立私有的数据工厂，由市政府支持的设施可以将动作捕捉设备、模拟基础设施和验证空间分配给多个用户共享。如果这种模式行得通，其商业效益不仅在于数据成本更低，更在于能够更快地进行比较。一项操作策略可以针对不同的

将各种机体和任务布局整合到一个操作框架下，从而更容易辨别进展究竟源于模型、硬件，还是精心策划的演示。

这正是云计算和合同制造背后的经济逻辑，如今被应用到了机器人学习领域。其价值所在在于利用率。昂贵的设备只有在被众多客户使用数小时的情况下才具有经济合理性，而非闲置在某家初创企业内部。因此，该中心所承诺的跨品牌数据价值，远比展厅内任何单个演示更为重要。

机器人制造商仍需保持谨慎。共享基础设施虽能减少重复成本，但也可能导致数据集沦为“最低公约数”。 一套适用于多种机体的通用数据集，虽然对基础动作和家务任务可能有用，但对于特定的工厂生产流程而言仍显浅薄。服装机器人需要关于面料张力和变形的数据；电池组装机器人则需要接触精度、污染控制以及针对具体任务的安全验证。这些问题无法互换。

只有当该中心同时支持这两个层面——即用于通用技能的广泛、可复用数据，以及用于差异化工作的受保护、客户专属数据采集——它才具有商业价值。否则，企业可能会利用该设施进行演示，同时将其最有价值的部署数据保留在私有场所内。

为何家务与工厂任务至关重要

此次升级涵盖了清洁、食物准备和照护等家庭活动，以及缝纫、包装、物料搬运和组装等工业工作。这一范围很有价值，因为它检验了该基础设施能否应对两种截然不同的购买环境。

家用机器人需要适应多样性。厨房、餐桌、容器和光照条件时刻都在变化。家用机器人必须能够容忍杂乱的环境和不完整的指令。商业上的挑战在于生产足够数量的

多样化的数据，以避免机器只能在样板间中运行。

工业机器人需要可重复性。工厂采购方或许可以接受技能范围较窄的情况，但机器人必须能够完成整个班次的作业，从可预见的错误中恢复，并适应现有的安全和生产系统。采购方并非为“世界模型”的优雅性买单，而是为成品、更少的停机时间和更少的干预买单。

正是这种区别，使得该中心应当分别公布面向家用和工业项目的绩效指标。仅以“收集数据时长”为单一标题数字，往往掩盖的远多于揭示的。采购方需要的是任务成功率、人工干预频率、恢复性能、跨机体迁移结果，以及某项策略经过测试的环境数量。

RobotAIGeek近期对三星SDS机器人编排业务的报道，揭示了机器人能够执行任务后所面临的集成问题。石景山则在更早的一层开展工作，即技能的创建与验证阶段。这两层最终会交汇。 一台有用的工业机器人既需要已掌握的能力，也需要一个能够在生产工作流中对其进行调度、监控和恢复的系统。

缺失的商业指标

此次升级公告详细阐述了架构，却对经济效益三缄其口。公告未披露有多少企业使用该中心、它们支付了多少费用、该设施能提供多少培训时长、策略在不同机器人机身间的迁移频率，以及客户节省了多少部署时间。这些遗漏并不意味着该项目不重要，反而明确了接下来必须衡量的指标。

首要指标应是利用率。当配备先进捕获系统的1,500平方米中心各工位被预订、数据集被交付、模型返回进行反复验证时，该中心才真正体现其价值。第二个指标应是转移效率。

如果从某个人类演示中习得的技能，只需少量额外数据就能适应多种身体，那么“共享基础设施”的论点就更有说服力了。

第三个衡量标准应是部署转化率。以一段制作精良的视频为结尾的训练过程，本质上是营销。 而以机器人在客户现场完成付费任务为结局的训练，则是商业证明。该中心所宣称的链条一直延伸至应用环节，因此其公开报告最终也应如此。小鹏汽车的自动化IRON生产线，正是训练成果必须经受考验的下游工厂场景。

此外还存在治理问题。丰富的人体动作和工作场所数据可能暴露生产方法、家庭布局及员工行为。企业需要明确数据所有权、访问控制、保留期限，以及为某位客户生成的数据是否可用于改进其他客户使用的模型。 随着参与度的提高，共享基础设施的价值会随之提升，但同样的网络效应也会增加数据治理模型薄弱所带来的成本。

比演示次数更有用的衡量标准

中国的人形机器人生态系统已经源源不断地产出行走、舞蹈和物体处理的演示。石景山的升级指向了一个更有用的衡量标准：该行业能够多快地将这些演示转化为标准化、可重复的训练操作。

这也正是该中心不应与机器人发布活动同等看待的原因。 新型机器人机身可通过载荷、续航时间、速度和价格进行比较；而培训中心的评估标准则应是吞吐量、数据质量、可移植性以及下游任务的成功率。其产出并非现场运行的机器人，而是将大量机器人投入实际应用所需的时间和成本的降低。

下一个证明点应是一份有据可查的客户案例，该案例始于一个

任务定义，并以部署为结尾。报告应展示收集的人工演示数据量、模拟迭代次数、用于验证的硬件、在客户现场所需的干预措施，以及运行数周后的性能表现。这将为买家提供依据，以判断共享培训基础设施能否缩短投资回报周期。

北京目前已构建好各项基础要素：三个阶段、数据捕获栈、世界模型层以及真实机器人验证。 更困难的一步是将这些资产转化为一项服务，让机器人公司因其比独自建设更快、更好而选择该服务。如果该中心能够公布可重复验证的证据，证明这一优势，那么它所做的就不仅仅是升级设施。它将定义出“具身智能”市场一直缺失的一块产业基础设施。

封面图片来源：李浩/GT。

本分析基于关于石景山具身智能培训中心的公开声明和技术资料。本文仅供一般信息参考，不构成投资、财务或法律建议。