诺亚 发自 凹非寺量子位 | 公众号 QbitAI

2009年，，，，，李飞飞团队正式宣布ImageNet。。

随后，，，，，以ImageNet为基础形成的大规模视觉识别使命，，，，，让差别机构第一次能够围绕配合的数据集、种别系统和评测指标训练模子、较量效果。。

得益于这套可以一连扩展、统一较量的数据与评测基础设施，，，，，图像识别和深度学习最先快速生长。。

17年后，，，，，李飞飞的博士生Danfei Xu，，，，，最先为机械人学习寻找类似的协作基础设施。。

Danfei Xu现在担当佐治亚理工学院交互盘算学院助理教授，，，，，也是机械人学习与推理实验室（RL2）的认真人。。他在斯坦福大学攻读博士时代，，，，，由李飞飞和Silvio Savarese配合指导。。已往几年，，，，，他一连研究一个问题：机械人怎样从人类演示中学习，，，，，并将这些履历迁徙赴任别使命、情形和机械人本体上。。

这条研究线，，，，，最终汇入了EgoVerse——“第一视角人类操作数据生态”。。

EgoVerse是一套一连增添的第一视角人类操作数据生态与标准。。EgoVerse最新果真的同盟同伴中，，，，，除了佐治亚理工、斯坦福、苏黎世联邦理工和UC San Diego等学术机构，，，，，还包括Meta、Scale AI、光轮智能、Mecka AI、MicroAGI、Trace Labs等公司。。

最值得的关注是，，，，，光轮智能作为唯逐一家中国公司，，，，，泛起在这个顶级大佬云集的全球标准牌桌上。。

EgoVerse：Danfei想做的不但是一个数据集

机械人学习恒久面临一个显着的数据悖论。。

现在机械人训练仍然依赖真机遥操作，，，，，每增添一条演示，，，，，都需要机械人硬件、操作职员、实验园地和复位流程。。收罗速率慢、本钱高，，，，，能够笼罩的使命和场景也很有限。。

而人类的种种行为自然包括富厚的视觉信息、行动历程、物体交互和使命战略，，，，，显着是机械人更好的先生。。

第一视角人类数据提供了新的蹊径：先纪录人怎样在真真相形中完成使命，，，，，再把这些履历迁徙给差别机械人。。

但已往的人类数据集大多是一次性项目。。

差别团队使用各自的收罗装备、坐标系统、行动标签和使命界说，，，，，数据宣布后也很难一连扩张。。纵然两家机构都收罗了“把杯子放到碟子上”，，，，，两份数据也未必能够直接放在一起训练。。

Danfei及其相助者因此没有把EgoVerse设计成又一份静态数据集，，，，，而是做成了一套“活”的协作框架。。

EgoVerse目今果真版本包括1362小时人类演示数据、约8万个episode、1965项使命、240个场景和2087名收罗者。。数据不但包括第一视角视频，，，，，还提供相机位姿、三维手部信息以及细粒度语言形貌，，，，，并在差别实验室、差别使命和差别机械人本体上验证人类数据的迁徙效果。。

一套事实标准形成之前，，，，，往往要先完成几件事：

让加入者接纳配合的数据结构，，，，，遵守配合的使命语义，，，，，生产可以相互兼容的数据，，，，，并用统一要领磨练这些数据是否真的有用。。

EgoVerse正在做的，，，，，正是这一步：先让全球具身数据最先凭证统一套“语言系统”流动。。

EgoVerse的焦点共建方，，，，，都是什么配景？？？？？

具身人类数据并不是戴上一副眼镜、录一段视频，，，，，再加几个标签那么简朴。。完整收罗流程至少包括研究问题界说、收罗硬件、行动迁徙、规模；
；；；；擞⑹荼曜⒑突等搜橹。。任何一家机构，，，，，都很难单独完成所有环节。。

EgoVerse召集了具身领域里最头部的高校、学者、机构举行全球协作，，，，，配合界说具有划时代意义的数据标准。。

佐治亚理工Danfei Xu教授：具身人类数据收罗蹊径标记性代表，，，，，EgoVerse的提倡人

佐治亚理工肩负的是EgoVerse的组织中枢和研究框架角色。。Danfei Xu与RL2团队恒久关注机械人怎样从人类数据中学习。。到了EgoVerse，，，，，问题不再只是“某一批人类视频能不可改善某一台机械人”，，，，，而是进一步升级为：人类数据的效果能否跨实验室复现？？？？？能否跨机械人本体建设？？？？？数据规模增添时，，，，，能力是否稳固增添？？？？？哪些类型的数据才真正具有迁徙价值？？？？？

EgoVerse让差别实验室在共享协议下重复实验。。佐治亚理工学院认真的代表使命是object-in-container，，，，，斯坦福大学认真双臂细腻操作，，，，，UC San Diego和ETH Zurich则加入长时序双臂使命验证。。由此，，，，，Danfei搭起一种新的协作方式，，，，，使已往互不兼容的数据、算法、机械人和实验室，，，，，最先在共享协议下回覆统一组问题。。

斯坦福Shuran Song教授：UMI发明人，，，，，让人类操作履历能够迁徙给机械人

人类有柔软无邪的双手，，，，，机械人可能只有两指夹爪；；
；；；；人可以依赖触觉、履历和身体协调完成使命，，，，，机械人却需要明确的视察和行动体现。。因此，，，，，人类数据并不会自然酿成机械人能力，，，，，中心横着一道“具身鸿沟”。。

Shuran Song向导的斯坦福REAL Lab，，，，，是买通这条路径的代表团队之一。。其团队开创的UMI——Universal Manipulation Interface，，，，，使用便携式手持夹爪收罗真真相形中的人类操作，，，，，再将这些演示转化为可安排的机械人战略。。

UMI的要害价值，，，，，是让数据收罗挣脱牢靠机械人和实验室。。人可以带着装备进入真真相形举行重大长时序使命，，，，，学习获得的战略还能迁徙赴任别机械人平台。。

简朴说，，，，，斯坦福要解决的是：让人类履历酿成机械人能执行的行动。。

Meta：为EgoVerse提供专用数据收罗眼镜

第一视角数据收罗首先需要一双及格的“眼睛”。。Meta研发的Project Aria，，，，，是行业首个专为“大规模；
；；；；∧Ｗ印鄙杓频淖ㄓ檬菔章抻布，，，，，可以纪录第一视角视频、手部行动、相机位姿和空间信息。。装备包括面向前方的RGB相机，，，，，以及用于SLAM和手部追踪的同步场景相机。。没有这类空间感知能力，，，，，第一视角数据很容易只是一段“看起来像人在干活”的视频。。Meta解决的是怎样把“人看到了什么”，，，，，升级为“人在三维天下中怎样行动”。。

Mecka：人类数据先驱，，，，，把数据收罗从专用眼镜普及到手机

若是一套人类数据生态只能依赖少数专用硬件，，，，，它能够笼罩的收罗者与真真相形就始终有限。。

Mecka AI推动了一条更便携的收罗蹊径：使用iPhone与轻量化头戴装置完成第一视角收罗，，，，，再通过云端处理恢复头部轨迹与双手三维要害点。。

这一方案让第一视角数据不再只来自少数机械人实验室，，，，，而能够进入家庭、市肆、事情场合和更多真实使命情形。。

Mecka AI所解决的，，，，，是怎样让人类数据收罗从专用装备走向更低门槛、更广笼罩的生产方式。。

Scale AI：人类数据的规模；
；；；；圃旃こ

数据采回来之后，，，，，还要履历洗濯、标注、质检、结构化和版本治理。。

Scale AI从2016年起恒久从事AI数据基础设施建设，，，，，最早以自动驾驶等场景中的大规模数据处理能力著名。。进入Physical AI阶段后，，，，，它又把数据工厂数据扩展到机械人数据收罗、标注、人工反馈和模子验证。。

Scale更善于把数据生产酿成一套成熟的运营和处理系统，，，，，从而在人类演示从几百条酿成几万小时后，，，，，把大规模、异构的原始收罗效果，，，，，转化为稳固可用的数据产品。。

光轮智能：在规模；
；；；；奶跫下，，，，，构建人类数据最高质量标准

当具身数据生产真正迈向万万级小时，，，，，单单依赖收罗工具和后处理，，，，，无法知足规模；
；；；；碌氖葜柿啃枨。。同时，，，，，收罗装备越多、收罗职员越多、场景越重大的趋势下，，，，，视角偏移、行动遗漏、使命中止、装备异常和标注纷歧致等问题也会被同步放大。。

数据可以快速增添，，，，，但真正能被机械人学习的有用信息，，，，，并纷歧定同步增添。。

而光轮智能补上的，，，，，是一套贯串端侧收罗、云端处理和仿真验证的质量控制系统。。

与绑定某一款眼镜或收罗装备的方案差别，，，，，光轮智能的目的是让数据管线兼容差别硬件。。无论原始数据来自Aria、iPhone、头戴相机照旧其他多模态装备，，，，，都可以进入统一的云端管线，，，，，通过VIO、三维手部与Body标注、V7级行动语义标注，，，，，被转化成统一质量标准下的训练资产。。

数据完成处理之后，，，，，光轮智能还会使用物理仿真SimFoundry和模子评测能力RoboFinals，，，，，进一步验证行动轨迹、物理关系和使命历程能否被合理还原，，，，，并判断数据是否真正具有机械人学习价值。。通过一直的回环评价，，，，，掌握最快速的质量反馈，，，，，并且一直迭代，，，，，引领标准。。

因此，，，，，光轮在EgoVerse中的孝顺，，，，，是让数据在规模；
；；；；幸廊蛔龅皆赐房煽亍⒖缬布统一、价值可验证。。

别的，，，，，MicroAGI也在探索漫衍式众包收罗，，，，，通过让操作职员在真实家庭情形中自然完成使命，，，，，将人类数据生产从实验项目转化为可一连运营的收罗网络。。

规模；
；；；；，，，，，光轮智能怎样界说高质量人类数据

古板数据质量控制，，，，，通常关注文件是否完整、名堂是否准确、轨迹是否缺失，，，，，以及标注是否通过。。

但这些指标最多只能证实一条数据在生产流程上“及格”，，，，，不可证实它真的值得机械人学习。。

一段视频可能拍摄完整，，，，，行动轨迹却无法被机械人执行；；
；；；；一条标注可能切合规范，，，，，其中的使命历程却缺少要害方法；；
；；；；一批数据看起来数目重大，，，，，现实笼罩的人群、场景与行动漫衍却高度重复。。

光轮智能将人类数据质量拆成三个一连环节。。

首先，，，，，用Agent驱动数据收罗质量与数据漫衍。。

在光轮智能看来，，，，，具身数据最大的质量风险，，，，，经常爆发在收罗现场。。

要害行动是否进入画面？？？？？手与物体的交互是否被遮挡？？？？？使命起点和终点是否完整？？？？？收罗者是否偏离操作要求？？？？？一个episode虽然录制完成，，，，，是否真正包括完整的学习历程？？？？？

若是这些问题比及数据上传后才被发明，，，，，往往只能整段作废，，，，，或者重新组织职员补采。。

光轮智能的Agent驱动收罗系统，，，，，会围绕装备状态、使命流程、行动完整性和有用视角举行实时检查，，，，，并在发明风险时推动现场纠偏或补采。。

更主要的是，，，，，Agent不但认真单条数据质检，，，，，也可以凭证已有数据漫衍，，，，，调控下一轮需要收罗的人群、场景、使命与行动类型，，，，，阻止数据规模增添后泛起大宗重复样本。。

这使数据质量从事后抽检，，，，，转化为生产历程控制。。

其次，，，，，通过兼容多种收罗硬件的云端平台，，，，，实现统一的数据标准。。

无论原始数据来自眼镜、手机、头戴相机照旧其他多模态装备，，，，，都需要经由云端统一的处理和质量控制，，，，，才华进入统一个训练系统。。

光轮的处理流程包括视觉惯性里程计，，，，，也就是VIO，，，，，用于恢复相机在空间中的运动；；
；；；；三维手部与Body标注，，，，，用于还原人的身体行动和手物交互；；
；；；；以及V7级行动标注，，，，，把一段一连视频进一步切分为可以与使命历程对齐的行动语义。。

光轮智能的人类数据解决方案EgoSuite，，，，，能够在生产规模上提供三维手部、三维全身姿态和帧级语义标注，，，，，并强调在遮挡和近距离物体交互情形下维持稳固追踪。。其平台也果真强调对差别商业装备、研究型眼镜、行动相机和定制收罗系统的兼容能力。。

这套思绪可以用一句话概括：硬件可以多元，，，，，进入模子之前的数据标准必需一致。。

最后，，，，，用仿真与评测磨练数据价值。。

数据处理完成后，，，，，还要回覆一个更要害的问题：这些数据，，，，，是否真的值得机械人学习？？？？？

光轮智能将自研仿真平台SimFoundry与工业级评测平台RoboFinals接入人类数据质量闭环。。SimFoundry将人类数据中的行动轨迹、物体关系和使命流程，，，，，转化为机械人可执行、可复现的仿真使命；；
；；；；RoboFinals则通过标准化评测，，，，，验证这些数据事实提升了哪些使命，，，，，又会在哪些机械人本体、场景和物理条件下失效。。

因此，，，，，数据价值不再由生产方自行界说，，，，，而是由机械人训练和评测效果配合验证。。评测历程中发明的失败案例，，，，，也会进一步反馈给收罗端，，，，，指导下一轮需要增补哪些数据、扩大哪些漫衍、修正哪些收罗规则，，，，，形成一连优化的数据闭环。。

最终，，，，，高质量具身人类数据形成一条完整的数据质量闭环：

端侧Agent实时控制收罗质量 → 多种收罗硬件统一接入云端 → VIO、手部、Body Pose与行动语义标准化处理 → SimFoundry将人类数据转化为机械人可执行使命 → RoboFinals验证数据学习价值并定位失败模式 → 评测效果反馈下一轮数据收罗。。

唯一中国公司，，，，，进入全球两大具身基础设施标准

随着具身智能从单点手艺验证走向规模；
；；；；，，，，，行业竞争正在从模子能力，，，，，进一步延伸究竟层基础设施与标准系统。。

其中，，，，，两条要害主线正在形成。。

一条是以EgoVerse为代表的数据基础设施，，，，，界说高质量具身人类数据怎样收罗、组织、处理、共享和一连迭代；；
；；；；另一条是以Newton为代表的物理仿真基础设施，，，，，界说机械人怎样在遵照真实物理纪律的仿真天下中完成训练、验证和评测。。

Newton由NVIDIA、Google DeepMind和Disney Research联合提倡，，，，，由NVIDIA、Google DeepMind、Disney Research、光轮智能和Toyota Research Institute（TRI）五家企业配合组成手艺指导委员会（TSC），，，，，一连界说机械人仿真与物理建模的手艺蹊径，，，，，正逐渐成为全球具身智能的主要物理仿真基础设施。。

前者解决机械人从那里获得可规模；
；；；；难奥睦，，，，，后者解决这些履历怎样在物理天下中被复现和验证。。数据与仿真，，，，，配合组成物理AI走向规模；
；；；；牧酱蟮鬃。。

光轮智能成为现在唯一同时加入这两套国际标准系统的中国企业。。

在EgoVerse中，，，，，光轮带入的是一套贯串人类数据生产全流程的质量系统：从端侧Agent治理收罗历程，，，，，到多种硬件数据进入统一云端管线，，，，，再到通过仿真与模子评考试证数据价值。。人类数据质量由此从依赖人工抽检和履历判断，，，，，走向可界说、可较量、可验证、可一连优化的工程标准。。

在Newton中，，，，，光轮加入物理求解、仿真资产、机械人训练与评测等焦点能力建设，，，，，推动真实天下中的物体、使命和物理历程，，，，，转化为机械人可以交互、训练和验证的仿真基础设施。。

这意味着，，，，，光轮加入界说的不但是某一种数据名堂，，，，，也不但是某一套仿真工具，，，，，而是毗连真实天下数据、物理仿真、模子训练与能力验证的底层标准。。

若是说ImageNet为视觉AI建设了配合的数据基础设施，，，，，那么EgoVerse与Newton则划分从数据和仿真两个偏向，，，，，为物理AI建设新的全球基础设施。。

光轮同时进入EgoVerse与Newton，，，，，加入建设的已经不但是今天的工具链，，，，，而是未来全球具身智能工业配合遵照的底层基础设施。。这也意味着，，，，，中国企业最先从标准的使用者，，，，，走向全球物理 AI 基础设施规则的配合界说者。。

弱网体验优化：诊断与证据收罗会见波动的判断依据

从站点稳固性与手艺SEO认真人的视角看，，，，，《弱网体验优化：诊断与证据收罗》不是一篇只为笼罩要害词的文章，，，，，而是一次围绕真实问题睁开的诊断、修复和复盘。。用户通常不是一最先就能说清根因，，，，，他只会形貌页面打不开、收录异常、排名波动、咨询镌汰或内容看起来不可信。。专业处理要先把这种模糊感受拆成可验证的问题，，，，，再决议是手艺修复、内容重写、结构调解照旧信任补强。。这个主题的焦点难点在于：用户体验、搜索抓取和营业转化同时依赖稳固链路，，，，，任何一层异常都会让页面信任被削弱。。若是团队只凭履历连忙操作，，，，，容易泛起越修越乱的情形。。

更稳的做法是先建设证据表，，，，，把征象、时间、URL、影响规模、工具泉源、日志位置、认真人和验证效果放在统一处，，，，，确保每一次判断都能被复核处理时，，，，，正文应让读者望见排查逻辑、修复行动和后续监控，，，，，而不是只给结论。。

弱网体验优化：诊断与证据收罗页面的履历化优化

高端SEO内容要同时解决搜索明确和用户信任。。履历性来自真实场景，，，，，专业性来自可执行要领，，，，，权威性来自角色、审核和泉源，，，，，可信度来自界线、更新和证据。。本文优化后会围绕DNS剖析、证书链、CDN节点、源站日志、响应耗时、渲染效果、过失缓存和真适用户体验数据睁开，，，，，不使用包管排名、包管收录、绝对有用这类不可证实的允许，，，，，而是把问题、证据、行动和复盘写清晰

弱网体验优化：诊断与证据收罗优化后的验证标准

应优先执行：按入口、传输、源站、渲染和营业路径分层排查，，，，，优先恢复焦点入口，，，，，再做恒久监控和宣布回归。。这让文章不但是说明问题，，，，，而是把用户从履历、判断、处理到复盘的路径完整泛起出来。。先界定问题，，，，，而不是先堆叠行动 性能优化应以真适用户完成使命的速率为中心。。实验室分数能提供线索，，，，，但不可替换真实网络、装备和营业路径中的证据。。关于“低带宽或高延迟网络下页面使用失败”这一征象，，，，，建议先建设最小判断单位：明确目的URL或盘问、异？？？？Ｗ钕仁奔洹⑹苡跋熳氨富虻厍⒂涤畔燃，，，，，以及是否保存同期宣布、迁徙、模板调解或外部需求转变。。只有这些界线清晰，，，，，后续数据才有诠释力。。

本主题的要害证据包括：资源巨细、重试、超时、离线战略、图片降级和接口回退。。这些证据不应划分由差别人生涯在各自工具里，，，，，而应进入统一张排查表。。排查表至少包括征象、证据泉源、时间规模、可复现条件、假设、责任人、变换号和验证结论。。这样做的目的不是增添流程，，，，，而是阻止“一个人看到排名、另一个人看到日志、第三个人看到投诉，，，，，却没有人能把它们连起来”的常见失误。。问题履历：用可复核证据取代主观判断 一次典范排查履历是：某B2B站点在一次内容与模板宣布后的第7天，，，，，前端工程师发明与“弱网体验优化”相关的重点页面泛起低带宽或高延迟网络下页面使用失败。。

团队没有连忙大规模重写页面，，，，，而是先冻结非须要宣布，，，，，导出前后28天的搜索体现、会见日志、页面速率与转化事务，，，，，并选取3个正常页面作为比照。。效果可能显示问题集中在某个模板、某类URL或某段用户路径，，，，，也可能证实转变主要来自搜索需求和竞争效果。。这段履历的价值不在于给出某个牢靠结论，，，，，而在于展示：任何优化都应建设在可复核证据上。。宣布时不要把履历写成“我们让流量提升X%”之类无法证实的效果。。更切合E-E-A-T的表达方式是说明视察到什么、怎样丈量、使用了哪些数据、做了哪些转变、哪些效果仍在视察，，，，，以及哪些结论不适用于其他站点。。

检查清单 - 划分收罗RUM、合成监控和服务器侧耗时 - 识别首屏要害元素、要害请求与主线程长使命 - 区分网络传输、服务端处理、浏览器渲染和第三方壅闭 - 按装备、网络、地区和页面模板切片剖析 - 核对性能恶化与跳出、咨询、表单完成之间是否相关 - 围绕“弱网体验优化”确认页面角色、目的用户与优先级是否被写清。。- 纪录每次检查的日期、工具泉源、原始截图或导出文件位置，，，，，阻止只保存口头结论。。操作方法 - 建设基线：导出异常前后相同时间跨度的数据，，，，，阻止只看单日波动。。- 按资源巨细、重试、超时、离线战略、图片降级和接口回退分层收罗证据，，，，，并标记缺失项。。

- 选择正常页面、异常页面和界线页面组成比照组，，，，，验证假设是否建设。。- 把每条证据对应到一个可证伪假设，，，，，阻止“看到异常就直接定根因”。。- 完成诊断摘要，，，，，明确下一步是修复、视察、补数据照旧阻止无效行动。。验证要领与验收口径 诊断阶段的验收标准是：团队能在统一份质料中说明问题规模、证据强度、未知项和下一步决议。。- 复测TTFB、LCP、INP和要害接口耗时 - 审查弱网、旧装备和移动端的使命完成情形 - 比对改动前后的跳出、停留与转化路径 - 确认第三方剧本和资源更新不会笼罩优化设置 - 针对“弱网体验优化”保存至少一份改动前后比照纪录，，，，，并注明数据窗口。。

- 检查修复是否改善了用户路径，，，，，而不是只改善了某个工具里的简单评分。。E-E-A-T宣布要求 正式宣布前，，，，，请补齐作者角色、审核角色、更新时间、适用规模、数据泉源和变换纪录。。涉及真实客户、流量、排名、故障或转化的内容，，，，，应使用已获授权且可复核的数据；；
；；；；无法果真的数据可以说明要领与规模，，，，，但不要编造效果。。文章内的案例必需标明为“示例情境”或“经授权案例”。。引用第三方规范、平台说明或手艺文档时，，，，，应保存原始泉源、会见日期和与本文结论的对应关系。。这样做不但能提高可信度，，，，，也能让后续更新有依据。。手艺增补：阻止只修外貌信号 手艺类问题往往会跨越模板、缓存、网络、服务端和内容层。。

处理弱网体验优化时，，，，，建议把“用户看到什么”“爬虫拿到什么”“服务器现实返回什么”脱离纪录。。初始HTML、渲染后DOM、HTTP响应、缓存掷中、接口耗时与真适用户行为是差别层面的证据，，，，，不可相互替换。。当问题只在部分地区、部分装备或部分时间泛起时，，，，，更需要保存情形信息：网络运营商、浏览器版本、装备性能、请求头、缓存状态、CDN节点、宣布批次和过失追踪ID。。没有这些信息，，，，，团队很容易在问题消逝后仍无法诠释原因。。手艺修复应优先思量可逆性。。先用小规模灰度、单页面验证或暂时开关确认偏向，，，，，再扩大到全站。。把上线时间与监控图表对齐，，，，，阻止把自然波动误判为修复效果。。

关于影响抓取和索引的变换，，，，，还应预留视察周期，，，，，由于搜索系统对页面转变的处理并不是即时完成。。结语 弱网体验优化不应被当成一次性使命。。真正成熟的做法，，，，，是把每次异常、优化和验证沉淀为可复用的判断框架：先界说问题，，，，，再建设证据；；
；；；；先做小规模变换，，，，，再检查用户路径；；
；；；；最后把履历写进内容、架构、监控或宣布流程。。这样页面质量、搜索体现和营业信任才会形成同向循环。。复盘与落地 文章宣布后，，，，，不应只看是否被收录，，，，，还要视察搜索展现、点击率、页面停留、咨询质量、客服追问和后续转化。。若是数据变好但用户仍然重复追问，，，，，说明内容没有把界线和下一步讲清晰；；
；；；；

若是收录正常但转化缺乏，，，，，说明页面可能只知足了搜索需求，，，，，没有真正解决决议疑虑。。一连复盘这些信号，，，，，才是E-E-A-T内容库能恒久施展价值的原因