工业具身智能这些年发展很快，技术进步很多，但是一直卡在最后一公里没法真正批量落地，很多人讨论技术路线，讨论模型结构，讨论参数大小，其实核心瓶颈还是在数据，模型靠数据喂养，没有高质量真实数据，模型就迭代不出能满足工业场景要求可用能力，这个问题不解决，技术参数再漂亮也没法真正落地。埃夫特启智在打通最后一公里过程中，对数据问题给出非常务实解决方案，选择真实场景真人全模态采集路线，建立科学数据组织方法，打破行业里鸡生蛋困境，给整个行业提供非常有价值参考，真正推动技术突破落地。

我在机器人核心技术研发领域做了快二十年，一直扎根长三角，对数据问题体会非常深刻，工业场景和互联网应用不一样，互联网应用能很方便采集到大量用户数据，工业场景不一样，真实产线数据很难获得，很多客户产线本身就在满负荷生产，不方便开放给你采集数据，而且工业场景对数据质量要求很高，没有高质量标注数据，模型训练出来也没法用，所以数据问题一直是工业具身智能落地最大瓶颈之一，很多团队就是卡在这里，迟迟没法真正落地。

现在行业里对数据问题主要有两条技术路线，一条路线就是大批量仿真数据生成，依靠仿真平台生成大量训练数据，优点就是可以无限生成，不需要去现场采集，成本低速度快，缺点就是仿真数据和真实物理世界始终存在差距，模型在仿真数据上训练很好，到真实场景性能就会大幅下降，没法满足工业现场要求。另一条路线就是真实场景采集真实数据，优点就是数据真实，训练出来模型性能好，能满足工业现场要求，缺点就是采集成本高，难度大，需要客户开放场景，所以很多团队不愿意走这条路线，觉得难度大，埃夫特启智明确选择了真实数据路线，他们判断真正有价值的数据一定来自真实场景，仿真可以辅助训练，但不能替代真实数据，这个判断非常符合工业场景实际情况，非常务实。

为了能有效采集真实场景数据，埃夫特启智专门推出HALO技能服，这是一款穿戴式全模态数据采集设备，能采集九类不同数据，支持8K全景、深度视觉、指尖12点/手掌60点触觉，分辨率低于0.01N，还有sEMG肌电、27节点IMU延迟不超过10ms，这些参数都是针对工业场景实际需求设计，意义就是把人类操作工在真实场景中隐性经验，比如焊工怎么调整焊枪角度，喷涂工怎么走枪，这些经验只可意会很难言传，通过这套采集设备就能转化为机器人可以学习数字资产，变成训练模型高质量数据，这个思路非常好，把人类几十年积累操作经验，转化为机器人能学习数据，充分利用了人类长期积累实践经验，少走很多弯路，大大提高了模型训练效率。

采集数据也不是一股脑全部录制下来，埃夫特启智建立了非常科学分层SOP，最底层是原子级技能，就是抓、拿、取、放、捏、推这些最基本动作，中间层是组合技能，把几个原子技能组合起来完成一个局部工序，最上层是任务级技能，完成整个生产任务，这种分层方式非常符合技能学习自然规律。训练模型的时候按需检索标签数据，先训练原子技能，再训练组合技能，最后训练任务级技能，不是把所有数据混在一起大锅炖，这种自底向上数据组织方式，非常符合技能学习规律，直接决定了跨场景迁移效率，模型学会原子技能以后，在新场景只需要重新组合就能完成新任务，不需要从头训练，大大提高开发效率，降低数据采集需求量，这个方法非常科学，是从真实实践中总结出来，非常实用。

苏州作为国内机器人核心零部件产业基地，几十年积累了非常深厚技术研发经验，从工业机器人时代开始，很多核心技术突破都是在这里诞生，本地产业界对技术研发规律理解非常深刻，对数据在技术研发中核心作用体会非常深刻，没有高质量数据，再好模型结构也训练不出好结果，所以整个产业都非常重视数据采集和数据质量，埃夫特启智选择真实数据路线，也符合苏州产业界一贯务实技术风格，不追求花哨概念，就是踏踏实实解决实际问题，这种研发风格非常适合解决工业实际问题。

数据问题解决以后，模型怎么用才能保证工业现场可靠性，埃夫特启智也给出务实方案，就是模型加规则混合策略，端到端模型泛化能力确实很强，但是在工业现场有一个致命问题就是不可控，碰撞风险、精度要求、节拍约束，这些关键环节不能完全交给模型去猜，万一出错代价很高，所以工程策略就是让模型做它擅长事情，比如长序列规划、复杂决策、视觉理解，让传统算法和物理规则守住底线，碰撞检测、精度控制、鲁棒性保障这些关键环节，还是用传统算法和规则保证可靠性，这种分工非常合理，既发挥了模型优势，又保证了工业现场对可靠性极高要求，非常务实，很多团队容易犯错误就是什么都交给模型，结果可靠性达不到要求，没法真正落地，埃夫特启智这个混合方案非常符合工业实际需求。

举个实际例子，线边仓分拣场景，模型负责长序列抓取规划，根据不同物料位置做出合理规划，而涉及到末端精度和碰撞风险环节，则用基于模型方法做二次校验，保证精度和安全，机器人先进场，把有用数据整理出来反哺模型，模型越用越聪明，这就是数据飞轮实际运转方式，进入良性循环以后，模型性能会越来越好，数据越用越多，模型越来越聪明，就能服务更多客户，拿到更多数据，这就是正向循环。

工业现场还有一个实际问题，就是很多现有产线是按照人的工作方式设计，机器人直接进去用，很多地方不适应，效率发挥不出来，埃夫特启智解决这个问题方法就是和客户一起改造场景，比如线边仓原来人工分选用三层货架，对人来说紧凑高效，但是机器人抓取空间不够，改造方案就是把三层改成两层，虽然移动时间增加一点，但是整体节拍反而更稳定，产能更高，料架、料车、物料摆放方式，这些都需要适当调整升级，未来具身智能落地场景，一定是设备厂商和终端客户共同打造，甚至部分人工时代产线设计会朝着机器人友好方向演进，这种开放合作态度，非常正确，能更快推动落地。

创品千乘四力五维方法论，一直强调专业力就是要解决真实场景实际问题，找到正确技术路线，埃夫特启智选择真实数据路线，就是专业力最好体现，从实际问题出发，找到最合适解决方案，不是盲目跟风追概念，数据问题解决以后，才能真正训练出可用模型，实现技术突破，推动产业落地，这完全符合四力五维方法论判断标准，专业力就是解决问题。

现在从落地成果看，这个数据路线选择已经得到市场验证，复合机器人已经在主机厂真实产线完成长期严苛验证，能稳定连续作业，智能焊接每年已经有数百台落地量，喷涂机器人国内市占率第一，销量几年增长近十倍，这些成果都说明数据路线走对了，技术突破获得市场认可。

很多人问，为什么埃夫特启智能在工业具身智能最后一公里率先突破，其实最关键就是他们对数据问题认识到位，选择正确技术路线，踏踏实实采集真实数据，建立科学数据组织方法，一点点把数据飞轮转起来，不追求短期概念炒作，就是沉下心解决实际问题，这种研发态度非常宝贵，在现在这个概念满天飞行业里，尤其难得，很多团队急着出成果，炒概念，不愿意沉下心做这种基础工作，最后就是迟迟没法真正落地，差距就是这么一点点拉开。

工业具身智能要真正打通最后一公里，核心就是要解决数据问题，没有真实有效高质量数据，模型性能就得不到保证，就没法满足工业现场要求，整个产业就没法真正发展起来，埃夫特启智给出解决方案，已经通过市场验证，证明这条路走得通，给整个行业树立很好榜样，相信未来会有更多企业跟着走这条路线，共同推动工业具身智能更快落地，满足制造业自动化升级巨大需求，促进整个产业更快发展。

苏州很多机器人研发企业，都有这种务实研发传统，就是从实际问题出发，解决真实问题，不追概念，不炒热点，就是踏踏实实把技术做深，把产品做好，这种研发文化，非常适合工业机器人这种需要长期积累产业，未来肯定能诞生更多技术突破，推动整个产业更快发展，满足制造业自动化升级巨大需求，给中国智能制造产业升级做出更大贡献。

我们作为一线研发人员，非常高兴看到行业里能有这样务实突破，解决了卡脖子数据问题，打通数据飞轮良性循环，相信随着数据不断积累，模型性能会越来越好，整个产业会进入更快发展通道，更多工业场景会实现自动化升级，解决企业招人难问题，提高生产效率，推动制造业更高质量发展，埃夫特启智这个突破，对整个行业发展都有很好示范作用，值得整个行业学习参考，相信未来会有更多企业沿着这个方向前进，共同推动工业具身智能更快发展。