獨家｜對話里工 CEO 李衛銃：為數采升維，讓數采無阻

作者：彭堃方

編輯：呂鑫燚

出品：具身研習社

似乎一夜之間，具身智能賽道里冒出了數十家數據采集設備商。熱鬧是真的熱鬧，甚至讓人想起當年智能手機產業剛剛起勢時，一群嗅覺靈敏、玩家蜂擁而入掀起的山寨潮。

但數采這件事，不是一個“趕風口”的輕松生意。表面上看，大家都在賣設備；更深一層看，行業真正爭奪的并不是一副夾爪、一套手套，甚至不是某一種采集形態本身，而是面向模型、本體落地的數據生產能力：誰能把數據采得更全，誰能讓采集更經濟，誰能真正進入真實場景，沉淀那些過去難以被量化、也最難被替代的操作經驗，才是數采潮清洗出來的主線。

這些能力，不是單一硬件能解決的，既需要硬件能力，也需要行業 know-how，更需要對“模型如何走向真實落地”這件事的系統判斷。

也正因此，數采不是做減法，而是做加法。這也是里工正在做的事情。

近日，擁有 40 年精密加工制造經驗的、全棧式的具身智能本體解決方案商里工（LiGong）發布了 ChiroSync 如意數采套件，一種 Egocentric 多模態數據采集與機器人遙操示教一體化平臺。

如果只把它理解成一款新上市的采集 Ego 數據的設備，顯然是低估了這家公司真正想表達的東西。在與具身研習社的對話中，里工 CEO 李衛銃反復強調，里工做的不是一門“賣設備”的生意，而是在嘗試回答一個更底層的問題：當具身智能走到今天，行業究竟還缺什么樣的數據，又該用什么方式，把這些數據更高質量、更低門檻地生產出來。

里工在思考的加法是，能不能把數采這件事做得更高維，但也更無感；能不能不只服務實驗室里的演示，而是走進精密制造、生命科學等真實作業現場，去采那些崗位上的真正稀缺、也真正決定具身智能落地上限的“真人”的數據。這些也正是李衛銃堅信的“以人為本”的數采套件一定要做的。

這兩年，具身智能行業在數據采集上形成了一種相當鮮明的傾向：大家都在追求更輕、更快、更便宜的采集方式。無論是真機遙操，還是 UMI、第一人稱視角、夾爪式采集，本質上都在努力回答同一個問題——怎樣用更低的門檻，快速把數據量堆起來。

這個方向當然沒有問題，但問題在于，當行業越來越追求“采得快”時，另一件事反而常常被忽略：采得全面、采得好。

李衛銃的判斷很明確，很多當下流行的采集方法，本質上都在“丟維度”。比如兩指夾爪類工具，它們或許能解決相當多基礎任務，但很難擬合出五個手指各自的關節狀態、角度乃至觸感；而第一人稱視角雖然經濟，卻并不總是決定作業本身的關鍵變量。在很多真實作業里，人的眼睛并不直接看著手，手卻仍在完成操作，視覺只是輔助，真正決定精細動作的，常常是某種由觸摸中習得的“手感”。

按照李衛銃的說法，在工業場景乃至整個人類作業場景中，手指、手腕貢獻的勞動成果占比極高，可能超過 70%。但如果數據采集從一開始就把最重要的末端細節舍棄掉，那么模型學到的能力天然就是“壓縮版”的、低維度的，之后再想往更精細、更復雜的操作場景里走，難度只會更大。

圖源：里工

這也是里工為什么要從“全模態+五指”切入。里工推出的如意數采套件 ChiroSync 可實現視覺、觸覺、音頻、關節角度、空間位姿五大維度數據的毫秒級同步采集，其中，觸覺尤為關鍵。這套設備的觸覺精度最高可達 0.01N，完整還原肌肉記憶中的細微力度變化，補上了具身智能模型訓練長期缺失的關鍵維度。

圖源：里工

過去在精密制造里，人們常說老師傅“摸一下”就知道零件合不合格。這種能力來自大量重復練習形成的肌肉記憶，也來自人手對觸感的極細膩感知。但這樣的經驗長期以來都難以被量化，更談不上標準化輸入模型。對機器人而言，若要真正獲得這類能力，觸感就不能再停留在“可有可無”的附加項，而必須成為被采集、被標注、被訓練的一部分。因為只有當它被量化為可評分、可學習的信號時，機器人才有機會真正進入那些對精度和穩定性要求極高的作業環節。

圖源：里工

進一步看，“五指”本身也不只是一個硬件選型問題，而是一個帶有終局意味的數據構型問題。過去行業里常有一種說法：現階段機器人落地，二指已經能覆蓋七八成任務，既然兩指模型都還沒有完全跑通，為什么要急著上五指？李衛銃的回答并不復雜：因為五指數據可以降維到兩指、三指使用，但反過來，兩指數據卻很難自然地升維到五指。也就是說，五指并不只是為“更遠的未來”準備，它同樣能服務于當下的階段性落地，只不過它選擇的是一種更高維、更有余量的起點。

因此，里工所說的“升維”，并不是沒必要的炫技，也不是和行業主流唱反調。恰恰相反，它是在行業普遍追求規模化、經濟性的背景下，重新把那個更本質的問題提了出來：模型最終要進入的，一定不是實驗室里的演示環境，而是充滿細節、誤差、手感和經驗密度的真實世界。倘若數據本身不具備足夠維度，模型的天花板很可能從一開始就被寫死了。

如果說“升維”回答的是數據該采成什么樣，那么“無阻”回答的則是，數據到底該怎么被更大規模地生產出來。

過去兩年，以真機為代表的中心化數據采集模式，的確支撐了具身智能的早期發展。各地建立本體數采中心，購買機器人、搭建場景、雇傭操作員，圍繞訓練構建一整套高成本基礎設施，這曾經是行業的主流路徑之一。但隨著行業繼續往前走，這種模式的弊端也越來越明顯：運營成本高、擴展速度慢、數據獲取效率低，而且最重要的是，它很難真正實現跨場景、跨本體的泛化。

李衛銃對此的概括很直接：“真機數據屬于 0 到 1，但 1 到 99，不能再沿用這條路線”。因為真機數據固然重要，卻很難承擔“規模化喂養模型”的全部任務。不同本體之間存在結構差異，軀干、臂展、自由度都不相同，真機數據天然存在遷移障礙；而具身模型真正想要的，又不是某一臺機器人的有限經驗，而是更廣泛、更豐富、更貼近人類社會真實操作的知識來源。

圖源：里工

在這個意義上，分布式數采之所以成為新的重點，不只是因為它能提高效率，更因為它可能把數據生產這件事，從實驗室和訓練中心里“釋放”出來。

里工所強調的，就是一種更進一步的分布式：不是簡單換個地方采，而是盡可能讓采集本身變得無感、無阻，嵌入真實作業流程，而不是額外創造一套新的流程。

這也是里工與不少同行在方法論上的差異。按照李衛銃的說法，很多去中心化方案的背后，仍然默認了一種邏輯：找一批人，學會一套新工具，再完成采集任務。這樣看似分布式了，但本質上還是把數采變成了一種新增的人力工作，甚至走向“廉價人力堆規模”的路徑。里工并不認同這種模式。它更希望把套件交給那些原本就在產線、實驗室、真實崗位上工作的人，讓他們在不增加學習成本、不改變原有作業習慣的前提下，自然地留下數據。因為真正有價值的數據，往往不來自某種刻意、額外的生產，而來自日常經驗的“留痕”。

圖源：里工

這背后其實是一個很重要的認知轉向：數采不該只是一個技術動作，它還應該是一種對技能沉淀方式的再設計。那些熟練工人、實驗人員、精細操作崗位上的工作人員，他們本身就在持續輸出行業里最難復制的經驗。如果采集工具足夠輕便、足夠便宜、足夠不侵入，那么這些經驗就有機會在不打斷作業的情況下，被自然記錄下來。數據采集也就不再是一個額外負擔，而是融入真實生產過程的一部分。

所以，里工發布的數采套件可以稱得上真正的分布式數據采集工具，它的核心表征就是“無阻無感”。

圖源：里工

當然回到最關心的經濟性問題上來，它強調的也不只是設備價格低，而是進入門檻低、部署門檻低、使用門檻低。李衛銃提到，市面上一些 UMI 夾爪工具價格已在 9 萬到 12 萬元不等，而里工如意數采套件采用五指原生的高精度力覺數據捕捉方式，其市場定價卻僅約一半。這是因為，里工并不把高毛利硬件本身作為核心目標，它更關心的是如何用極致性價比，把工具鋪到更多場景里，把數據真正采上來，再通過后續的數據整理、標注、清洗和與模型對接，形成完整的數據生產能力。

也正因如此，里工把“套件”而不是“硬件”作為自己的表達。它不僅提供采集端，也提供云平臺與后續處理服務，既可以對接公有云，也可以進入私有云，為客戶完成數據整理、清洗和模型對接。這意味著，很多工業客戶并不需要自己從零理解“數據怎么變成模型燃料”，他們只要把最擅長的作業做好，就可以把專業知識沉淀成結構化的數據資產。對行業來說，這是一種比單純賣設備更深的補位。

今天談數據，已經很難不談“熱”。

從新一批創業的熱情到大額的融資、暴漲的估值，具身賽道正在把“數據”重新推成一個高頻詞。李衛銃對此的判斷也很直接：“2026 年，是數據生產能力被重新定價的一年。而那些做數據處理、數據生產的企業之所以估值上升得快，本質上也說明市場仍處于供不應求狀態。說得更直白一點，大家都知道這件事重要，但真正能把它做好、做深、做成壁壘的公司，其實還不多”。

數據賽道雖然擁擠，但擁擠并不等于稀缺被解決。

當前具身數據行業正處在一個很有意思的節點上。一方面，模型訓練確實存在大量數據缺口，企業都在試圖擺脫真機數據難遷移、難擴展的問題，尋找更普適、更低成本、可以快速做大規模的數據形態；另一方面，行業也越來越意識到，模型通往通用的路并不會一蹴而就，尤其在真正落地前，很多場景里更缺的不是“更多差不多的數據”，而是某些真正貼近現實任務、能夠滿足特定落地需求的垂直數據。

這恰恰是里工下場的理由。它當然承認數據規模的重要性，也承認多模態、多樣性會提升模型能力。但李衛銃認為“與其去爭奪那些更容易獲取、更容易想象、護城河也更低的生活場景數據，不如扎進自己真正熟悉、真正有產業資源積累的垂直場景里，去做別人不那么容易做、也更難替代的數據”。

圖源：里工

李衛銃給出的兩個核心場景非常明確：精密制造，以及生命科學、化學實驗相關場景。這類場景中包含了諸如依賴工匠式的觸感、精細裝配和亞毫米級操作經驗，涉及了滴定槍、多孔板等典型五指精細作業，這些都不是結構簡單、模態單一的數采設備所能覆蓋的任務。

換句話說，里工想做的，不是“最多的數據”（這是在普遍大規模數據放量階段反共識動作），而是“真正缺的數據”。不是在最容易獲得的地方繼續內卷，而是在行業最不容易獲得的地方補位。這樣的數據，既是里工自身的壁壘，也是具身行業真正走向落地所需要的稀缺資源。

從這個角度回看里工堅持的“全模態+五指”，以及它對去中心化、無感采集、低成本進入的強調，就會發現這并不是幾項分散的產品特性，而是一套獨特的認知論：在需求側，行業需要更大規模、更高質量、可服務模型與本體泛化的數據；在供給側，真正有價值的，不是抽象意義上的“任何數據”，而是那些植根于真實行業、真實崗位、真實技能流動中的稀缺數據。里工的價值，正落在這兩者的交匯處。

總之，真正決定一家數采企業能走多遠的，最終恐怕不是它賣出了多少套設備，而是它有沒有能力把那些原本散落在真實世界里的“隱性經驗”，轉化為可沉淀、可遷移、可訓練的數據資產。具身智能走到今天，數據行業競爭的表層看起來像是在比拼硬件形態、采集效率與成本曲線，但更深層的分野，已經轉向誰能更早進入那些高門檻、高經驗密度的真實場景，誰能把人類長期積累卻難以言傳的操作能力，第一次系統性地翻譯成機器可以學習的語言。

從這個意義上說，當前數采的價值更像是在重建一套新的行業知識提取機制，誰掌握了這種機制，誰就更有可能在下一階段的具身競爭中，占據真正靠近產業腹地的位置。