如果说大语言模型时代，互联网文本是模型学习世界的“原材料”，那么进入具身智能时代，机器人真正需要的训练燃料是什么？

过去，行业的答案主要是机器人数据。但这种数据生产方式存在一个天然约束：数据规模与机器人本体数量、采集成本高度绑定。

当行业还在争论“该让机器人采多少数据”时，景联文已经沿着另一条路径率先布局——大规模、标准化、可持续的人类第一视角（Ego）真实操作经验。而2026年8月Dyna Robotics发布的Dyna-2研究成果，恰好验证了这条路径的价值。

Dyna-2使用超过100万小时的人类第一视角（Ego）操作视频进行预训练，并构建1000、1万、10万和100万小时的数据规模进行实验。随着Ego数据规模扩大，模型性能持续提升，并呈现出可由幂律描述的Scaling趋势；更重要的是，这种趋势能够迁移到预训练阶段没有见过的机器人数据和不同机器人本体。

这意味着，具身智能的数据Scaling，可能正在从单纯扩大机器人轨迹，走向一个更大的数据来源：人类在真实世界中的物理经验。

而景联文，正是这一趋势下最早构建数据基础设施的参与者之一。

一、Dyna-2真正值得关注的，是Human → Robot的Scaling

如果只是证明“人类视频可以训练机器人”，这个结论其实并不新。真正值得关注的问题是：人类经验能否随着数据规模增长，持续转化为机器人的泛化能力？

Dyna-2的实验给出了乐观答复。它并不是让机器人简单模仿人手轨迹，而是通过World-Action Model（WAM），同时学习未来世界状态和未来动作。

因为机器人真正需要学习的，不只是“手应该移动到哪里”，而是：“当我对这个物体做出一个动作之后，世界会发生什么？”

例如，瓶盖被拧时怎么转，物体被推时怎么滑，柔性物体被捏时怎么塌。这些才是动作背后的物理规律。

Dyna-2的消融实验显示，只学动作容易过拟合；加入未来视频预测，泛化显著抬升；再把无动作标签的人类视频纳入、仅用于预测未来状态，同样能带来跨本体泛化。

所以Dyna-2真正值得关注的，并不是“视频也能训练机器人”，是大规模人类行为视频通过World Modeling，可以成为具身智能新的预训练Scaling轴。

二、机器人数据不会消失，但角色正在发生变化

这并不意味着未来不需要机器人数据。恰恰相反，Dyna-2所呈现的是一种新的数据配方：海量人类数据负责“认识世界”，少量机器人数据负责“驾驭身体”。

人类与机器人身体结构不同，Ego视频无法直接替代机器人控制数据。但人类数据可以帮助模型建立对物体、空间、动作以及状态变化的通用理解；机器人数据则完成具体本体的适配。

Dyna-2报告中有一个具有代表性的实验：模型预训练阶段完全不使用机器人数据，在后训练阶段加入少量对应平台数据——双五指机器人开瓶盖，任务仅使用约10分钟遥操作数据即可完成微调。10分钟当然不能外推成所有任务的数据需求。真正重要的是数据在训练链条中的角色发生了变化：

Human Data → World Model → Robot Data → Embodied Policy

机器人数据不必再扛"让模型理解整个世界"的重担，而更多承担本体适配和策略学习。

三、Ego数据的价值，不在“视频”，而在“物理经验”

如果这条路径继续得到验证，那么未来真正需要Scaling的，就不只是机器人轨迹，而是真实世界中的人类物理经验。

一个人拧瓶盖、整理桌面、折叠衣物、使用工具，看起来只是普通视频。但对于模型而言，其中包含：物体状态变化、手物交互、接触关系、空间关系、动作结果以及长时序任务结构。

因此，Ego数据真正的技术门槛绝不是“拍视频”。原始视频需要进一步经过：采集 → 多模态同步 → 时序切分 → 手部/人体姿态解析 → 物体状态理解 → 动作结构化 → 质量控制 → Dataset Packaging

才能真正成为AI-Ready数据。原始视频不是训练数据，可计算的物理经验才是。当数据从机器人轨迹扩展到人类经验，数据工程的重要性反而进一步提高。

四、从“采机器人”到“采人类”一场数据基础设施的范式转移

传统的机器人数据生产链路是：机器人→遥操作→轨迹→标注→模型训练。而Ego数据带来的新路径则是：人类→真实世界交互→多模态采集→行为结构化→世界模型预训练→机器人适配。

两者并非替代关系，而是形成新的数据组合。

这正是景联文持续布局具身智能数据的重要判断。围绕具身智能模型训练需求，景联文已形成真实场景采集、多模态数据采集、机器人数据、数据标注与治理、定制化数据集生产等能力，并持续布局Ego及穿戴式多模态数据。

通过便携式多模态采集终端，景联文记录连续的人—物交互过程，并结合任务需求进行时序切分、动作理解和标准化处理——最终形成的不是大量MP4文件，而是Video + Hand Pose + Object State + Action Segment + Language + Metadata这样一套能直接进入模型训练流程的数据资产。

五、具身智能的下一场Scaling，可能是“经验Scaling”

从机器人轨迹到百万小时级人类Ego视频，具身智能的数据范式正在变化。过去行业关注“机器人需要多少数据”，现在需要追问：机器人之外，还有多少真实世界经验可以被机器学习？

如果人类Ego数据持续呈现Scaling趋势，未来的数据竞争不再是“谁拥有更多机器人”，而是谁能持续获得更大规模、更丰富分布、更高质量、更结构化的真实世界经验。

这背后需要解决的远不止采集问题，还包括数据如何覆盖不同场景和任务、如何从连续视频中提取可学习的动作单元、如何理解手与物体及环境之间的时空关系、如何建立数据质量评价体系，以及如何让模型训练结果反向指导下一轮数据采集——最终形成 采集→结构化→训练→评估→找Gap→再采集 的数据闭环。

Dyna-2的100万小时不是终点，而是一次重要的技术验证：机器人可以从大规模人类经验中学习世界，再用少量机器人数据学习如何用自己的身体行动。具身智能的数据Scaling，正在从“扩大机器人数据”走向“扩大真实世界经验”——从“采机器人”到“采人类”，从“采轨迹”到“采经验”。

六、景联文：让真实世界经验成为可规模化的数据资产

从机器人数据到人类经验数据，从单一本体到跨本体迁移，从动作模仿到世界建模，从有限遥操作到百万小时级Ego Scaling—— 一场属于物理AI的数据范式变化，正在发生。而对于整个产业来说，真正的问题已经从"机器人需要多少数据？"变成了：我们能不能建立一套持续生产百万小时、千万小时，甚至更大规模真实世界经验数据的基础设施？

这正是景联文正在回答的问题。

景联文围绕具身智能模型训练需求，已形成覆盖真实场景采集、多模态数据采集、数据标注与治理、仿真数据及定制化数据集生产的服务能力。在 Ego 及穿戴式方向，可围绕办公、家居、工业等真实场景开展第一视角采集并按任务标准化处理；在无本体数据方向，通过便携式多模态采集终端记录连续的人—物交互，为模型供给跨场景、跨任务的人类操作经验。

具身智能需要的从来不是一批"看起来丰富"的视频，而是可规模化、可标准化、可复用、可持续扩展的生产能力。景联文正以采集团队、场景资源、多模态能力与数据工程体系，将分散的人类操作经验持续转化为可入训资产，已覆盖居家、酒店、商超、办公室、工厂等场景，并持续建设全国化具身智能数据采集网络。

让数据从“训练成本”，变成具身智能持续进化的基础设施。

景联文，持续连接真实世界与AI。

让机器看见人类如何行动，让模型理解世界如何变化，让具身智能真正从“会思考”走向“会行动”。