6CAM
多视角同步相机
帧级对齐、逐帧可验证的第一人称多模态数据。这是机器人看懂世界、学会动作的起点——也是 CyberOrigin 把数据做成基础设施的地方。
深圳赛柏坦科技有限公司 / The origin point of machine reality.
当模型架构走向开源与同质化,物理 AI 的竞争优势正在向数据转移。语言模型可以从互联网吸收上万亿 token,而机器人没有等价的语料——每一段示范都必须由真实的人,在真实环境中佩戴设备采集。本白皮书提出"物理 AI 数据层"这一概念:介于机器人本体与策略模型之间、决定模型能力上限的中间基础设施。我们阐述第一人称(egocentric)人类数据为何是破局点,介绍为帧级保真而生的采集系统 CyberCap,并拆解从原始信号到训练就绪的逐帧可验证生产管线。CyberOrigin 的定位很明确:为具身智能锻造地面真值。
架构红利在收敛,数据红利刚刚开始。决定一个具身策略能否真正落地的,不再是它用了哪种网络,而是它喂进了什么样的数据。
2026 年,视觉-语言-动作模型(VLA)已经成为通用机器人操作的主流架构。OpenVLA、π0、GR00T 等开放权重模型大量涌现,意味着一个团队不再需要从零训练就能拿到一个有竞争力的起点。架构正在被快速商品化。
当模型趋同,真正拉开差距的是数据的质量、多样性与覆盖度。这是物理 AI 与大语言模型最根本的不对称:文本可以从互联网近乎免费地获取,而动作标注数据每一条都昂贵——它需要有人去操控、去演示、去采集。遥操作(teleoperation)精确,但无法规模化;它把人按在机器人后面,产出与人力线性绑定。
于是行业在 2026 年集体转向一个更可扩展的信号源:第一人称人类数据。这一年,数据采集进入"规模竞赛"——有团队把第一人称数据集推到百万小时量级,并称其为"物理 AI 的互联网"。规模固然重要,但规模本身不是终点。可被模型真正吃进去的,是逐帧对齐、可重建、可验证的数据。
它的工作是把人类在真实世界中的行为,转化成机器可以学习的训练信号:帧级对齐、可重建为 6-DoF 轨迹与 3D 手部位姿、可跨本体迁移、并且逐帧可验证。把这一层做成稳定、可复现、可交付的基础设施,正是 CyberOrigin 的事业。
三层视角:底层是硬件本体,顶层是策略模型,而中间这一层,把现实翻译成机器能学的语言。
机器人、机械臂、灵巧手与各类传感器。决定"能做什么",但越来越同质化、可采购。
把真实世界的人类行为转化为帧级对齐、可重建、可验证、可迁移的训练信号。决定模型能力的真实上限。
VLA、世界模型、扩散策略。架构快速开源化,价值正向"用什么数据训练"集中。
同一套模型,喂进高保真、逐帧可信的数据,落地成功率显著不同。模型可复制,数据不能。
把数据层抽象出来,意义在于:它是唯一无法被"下载"或"复制"的环节。模型权重会公开,硬件会标准化,但对应你目标场景、目标本体的高保真真实数据,只能被采集与生产出来。谁掌握了可规模化、可验证的数据生产能力,谁就掌握了具身智能的供给侧。
第三人称视频看起来很干净,却是错误的视角几何。机器人永远不会从房间角落看自己干活。
机器人通过自身的头部或腕部相机感知世界——第一人称(egocentric)视角。从外部第三人称视频中学到的,是"识别"动作;从第一人称视频中学到的,才是"执行"动作。这个区别,直接体现在部署时的任务成功率上。
第一人称数据天然对齐了机器人真实运行时面对的难题:自身机体造成的遮挡、有限视场、自我运动(ego-motion)、以及腕/头相机特有的视角几何。更关键的是,它可以被动地规模化采集——一个人佩戴设备完成日常任务,就在持续产出训练信号,产出不再被遥操作的人力天花板锁死。
采集视角与机器人部署视角一致,消除第三人称数据的视角错配。
近距离捕捉接触点、抓握姿态与精细操作——这正是第三人称视角丢失的部分。
佩戴即采集,产出与人力解耦,为大规模真实数据打开通道。
人类示范与机器人数据协同训练(co-training),持续优于纯机器人数据。[1]
高保真重建的前提,是采集端就把时间和空间对齐到帧级。CyberCap 把这件事做在源头。
CyberCap 是一套头戴式多相机采集设备:6 路相机、300Hz IMU、亚 100 微秒级的多相机硬件同步。同步精度之所以是地基,是因为下游的 3D 手部位姿估计、相机轨迹(6-DoF)重建,全都建立在"各路传感器看到的是同一个时刻"这一前提上。同步一旦松动,重建就会从源头引入误差,后面再多的算法也补不回来。
采集到的不是一段普通视频,而是一组可对齐的多模态信号:多视角 RGB、高频惯性数据、以及由此重建的相机运动与手部姿态。这让 CyberCap 的产出从一开始就指向"训练就绪",而不仅仅是"录了一段画面"。
"逐帧可验证"不是一句口号,而是一条可复现的工程管线。每一帧的去留,都有量化依据。
CyberCap 在源头完成多相机硬件同步与高频惯性采样,产出时间对齐的原始多模态流。
基于第一人称多视角与惯性信号,重建 3D 手部位姿与 6-DoF 相机轨迹,把视频升级为带几何的运动数据。
采用"动词 / 对象 / 目标位置"结构化模式与封闭动词词表,按子目标(subgoal)分段标注,把动作语义压成模型可学的离散结构,而非自由文本。
双重质量门:人工抽检覆盖语义与边界,算法检验用可量化指标自动筛除异常帧——形成"采集即筛选"的闭环。
按行业通用 schema(如 LeRobot / RLDS 兼容格式)交付,数据可直接进入主流 VLA 与世界模型训练管线,降低对接摩擦。
这条管线的设计哲学只有一句话:质量在采集时就被定义,在交付前被逐帧验证。这正是 CyberOrigin 对外承诺的"verified to the frame"——逐帧可信——背后的工程实质。
数据不是一锤子买卖。我们把价值拆成可计量的维度,把交付拆成可追踪的阶段。
CyberOrigin 采用价值定价框架:在基准价 P0 之上,用一组乘性系数刻画每一批数据的真实价值——模态丰富度、标注密度、质检等级、独占性、定制化程度、采购量与交付速度。客户为他们真正需要的质量与权益付费,而不是为一个含糊的"小时数"付费。
在收入侧,我们用三层追踪框架区分数据业务的不同确定性,既反映已经发生的价值,也反映管线中的增长。
已实际交付、已确认的运行收入。最确定的基本盘。
已签约但尚未完全交付的合同价值,反映短期可见度。
处于商务管线中的意向需求,反映增长势能与市场拉力。
交付模式同样灵活:按需采集、独占数据集、以及与下游客户的联合采集与定制场景。无论哪种模式,数据都经过同一条逐帧验证管线——这是 CyberOrigin 不打折扣的底线。
高保真第一人称数据,是当前几条主线技术路线的共同燃料。
作为动作标注语料进入 VLA 的预训练混合,或为特定本体、特定任务做高价值微调。架构同质化时代,数据就是差异化。
多视角、带几何的真实交互序列,为 IRASim、Genie Envisioner、Ctrl-World 这类预测式世界模型提供物理上自洽的训练信号。
3D 手部位姿与轨迹可重定向到不同灵巧手与本体,支撑跨本体协同训练,缓解 embodiment gap。
重建出的交互几何可用于真实到仿真的还原,扩展数据的复用半径与训练分布。
当具身智能从实验室走向真实世界,它需要的不是更多视频,而是更多可信的真值。CyberOrigin 的目标,是把"为物理智能锻造地面真值"做成一项可被依赖的基础设施——让每一个训练具身模型的团队,都能拿到逐帧可信、可追溯、合规采集的数据。我们坚持知情同意、旁观者隐私脱敏与合规留痕:规模化,必须建立在负责任的采集之上。这是机器学会与物理世界共处的起点。
说明:本白皮书中关于 CyberCap 规格(6 路相机 / 300Hz IMU / <100μs 同步)、生产管线与数据服务框架,来自 CyberOrigin 内部资料;市场与研究数据点引自上述公开来源。供 PR 与对外沟通使用。