10月26日，高德与阿里巴巴 Token Hub 事业群联合发布具身智能模型 λ0（Lambda Zero）。它的特别之处不在某个动作更漂亮，而在训练数据来源：模型主要从人类第一视角活动视频里学全身协调，而非依赖机器人遥操作逐条采集示范。这条路径若成立，人形机器人训练的数据来源会被重新打开。
过去几年，人形机器人模型的训练数据大多来自遥操作——人戴设备手把手带机器人完成动作，再录下关节轨迹。这能给出精确控制信号，但慢、贵、难规模化。一个熟练操作员一天攒下的有效示范只有几小时，要覆盖家庭与工厂里无数琐碎变化，成本几乎无法摊薄。
λ0 的出发点，是把可规模化的人类交互经验，与人形机器人需要的全身协调连接起来。人类完成一次搬运、整理、清洁，躯干与四肢持续配合，这些经验若能被规模化记录并转化成机器人可学的动作，数据来源就不再受限于机器人是否在场。
支撑这条路径的是 HumanVerse-500，一个含 500 小时、在开放世界与开放任务下采集的无本体全身人类数据集。它把第一视角视频与同步的身体运动、手部动作配对：相机保留物体与场景，身体记录位移姿态，手部补充操作细节。模型由此学习人在何种环境、如何调动整个身体完成一次交互。
采集效率是方案能否规模化的关键。采集者佩戴 GoPro 相机与 PICO 身体追踪设备，在日常环境完成活动，手部动作再从视频重建并与身体数据同步。现场无需机器人参与，单条示范采集从约 100 秒缩短到 29 秒，约为原来三分之一，吞吐提升到约 3.4 倍。
训练上，λ0 采用三阶段：先从七个第一视角人类数据集组成的池子学物体交互与手部动作；再用经机器人对齐的 HumanVerse 数据做中间训练，学移动、姿态与双手操作的配合；最后结合任务相关的人类与机器人示范做后训练，把经验适配到具体本体。在已公布的验证里，这种范式被直接迁移到 宇树 的 G1 人形机器人上做零样本测试。
真机表现给出了有说服力的数字。在四类真实机器人任务、每种方法共 40 次评测中，λ0 完成 25 次，成功率 62.5%；平均任务进度 80.4%。在 SIMPLE 仿真基准里，它总体成功率达 90.0%，覆盖六个核心任务、三个难度等级共 180 次评测。
更关键的证据来自消融。去掉全身人类中间训练后，宇树 G1 上的真机成功率从 62.5% 跌到 22.5%。这说明当前结果里，扛着表现的很大一部分是那批人类视频数据，而不只是模型架构本身。数据是否真在起作用，这一刀切得很直接。
数据规模本身也给出 Scaling 信号。在固定机器人示范与后训练预算下，把全身人类中间训练数据从 5% 提到 100%，真实任务平均进度从 59.9% 升到 80.4%，提升 20.5 个百分点；验证集最低损失分别下降 35.5% 和 40.6%。数据越少，验证损失越早触底回升、出现过拟合。
但人类视频不是免费午餐。镜头能记录手如何抓起杯子，却未必完整记录抓握时的受力、物体重量、接触面摩擦，或机器人每个关节当下的位置。这些控制信息仍要靠机器人实际操作数据、仿真训练与传感器反馈补足。人类视频解决了「知道做什么」的规模问题，没解决「能稳定做完」的精度问题。
跨过人机差异，靠一套软硬件协同的对齐管线。采集端匹配相机视角与高度，处理端缩小人机视觉差异；动作端由粗到细，依次校正人体参考、适配机器人形态，再结合控制器执行反馈优化接触。目标是在保留人类全身协调的同时，让关键物理接触适应机器人的身体与控制能力。
把视线拉宽，高德不是唯一在打「人类视频」主意的团队。 Figure 从 2025 年起用 Index 做大规模人类活动视频采集：App 下载超 26.4 万次、覆盖 108 国、上传视频超 1600 万段，每秒约 30 分钟进数据，已付贡献者 1500 万美元。两条路径殊途同归，都把普通人日常行为变成机器人训练教材。
Index 与 HumanVerse 的差异也很清楚。Figure 走消费级 App 众包，采集接近互联网产品速度，但数据集封闭、不公开总有效时长，也不是机器人原生的关节与控制数据；高德则走可穿戴设备、无本体、带同步身体标注的路线，一个求广度，一个求对齐质量。
这背后是一条新的数据飞轮：人类视频不断入库，模型学完部署到机器人，机器人干活又产生新数据回流。这一逻辑不只属于高德和 Figure—— NVIDIA 的 Isaac Sim 仿真验证、GR00T 大模型，同样是这条飞轮上的关键齿轮，负责把真实与仿真数据接起来。
当数据来源从遥操作转向人类行为视频，护城河位置也在变。过去谁有遥操作设备与真机采集场，谁就握着数据卡点；现在谁握人类行为视频库，谁就握人形训练话语权。高德、Figure、Google 的 Open X-Embodiment、乃至做四足起家的 波士顿动力 ，都在用不同方式卡这个位。
开源与保留之间也有一条线。λ0 代码以 Apache 2.0 开放，但 500 小时、32,993 条 episode、8700 万帧姿态的 HumanVerse 训练集并未随代码放出，只公开少量对齐示例与样本轨迹；公开资料也未说明参与者知情同意与伦理审查，数据越大这类治理越突出。
边界也要说清。λ0 的零样本迁移目前验证在 7 个任务上：全身协调操作四类平均进度 51.7%，长程移动操作三类 76.2%。它在「知道往哪走、怎么搬」上已可用，但在接触密集、长程依赖的任务上仍有明显落差，离通用家务还远。
对照看， 特斯拉 的 Optimus 仍是遥操作与真机采集为主线的代表，数据来自自己的产线与演示。两种路线没有对错，只是「数据从哪来」这道题，正被拆成两个可独立扩张的供给：人类视频的广度，与机器人原生示范的深度。
放到国内， 智元 、 优必选 、 银河通用 等本体厂也在各自搭建数据采集与回流闭环，只是口径与公开程度不同。λ0 与 Index 的意义，是给行业多一个可参照的数据来源样本——它证明「用人教机器人」这条路，至少在工程上已经跑通了一段。
数据来源之争，是继数据飞轮、Sim2Real 合成数据之后，具身智能的第三层底座问题。当人类视频开始被系统化采集、对齐，人形机器人能力的天花板，可能不再只由本体和模型决定，而看谁能把「人的经验」最高效地变成可学习的动作。本文基于公开报道整理。