---
title: "智能机器人｜五百万条动作，是从别人视频里抠的？"
date: 2026-11-20
category: 智能机器人
site: 脑机网
canonical: https://aiai.cafe/a/njw-180bf0
language: zh-CN
---

# 智能机器人｜五百万条动作，是从别人视频里抠的？

> 11 月 18 日，浙江大学与宇树科技的具身智能联合实验室，开源了一套叫 Movens-5M 的数据集。

11 月 18 日，浙江大学与宇树科技的具身智能联合实验室，开源了一套叫 Movens-5M 的数据集。

500 万条机器人动作，全部在仿真环境里跑过一遍。配套还有 1500 万条人体动作，总时长超过 1 万小时。

论文 10 月 30 日就挂上了 arXiv，编号 2610.41877。11 月 18 日是数据集和模型一起放出来的日子。

## 每条动作平均七秒
1 万小时除以 500 万条，平均每条 7.2 秒。

这个数跟论文里的样例对得上。一段擦门板的视频 7.25 秒，被切成三段：0 到 4 秒俯身擦中下部，4 到 6 秒直起身，6 到 7.25 秒双臂上抬。每段都标了哪只手在动、动到哪。

数据集覆盖 297 种细分动作、16 类场景，从拖地、深蹲到拳击都有。

## 五道工序，把人的动作改给机器人
原始视频不能直接喂给机器人。人和 G1 的身高、关节角度、平衡方式都不一样。

团队做了五道工序：按镜头切片段；筛掉画质差、动作信息不足的；补场景与分部位的文字标注；从画面里估计人体三维姿态；最后修掉抖动、重定向到 G1 的骨架，再放进仿真里验证能不能站稳。

这套流水线跑完，才有 1500 万条人体动作和 500 万条机器人动作。中间任何一道筛得太松，后面训练出来的动作就会抖。

## 规模效应被量化了
论文做了一组规模实验。固定 910.5M 参数的动作专家，把训练数据从 1% 加到 100%，去重后的动作时长从 122 小时涨到 12231 小时。

结果写在论文里。文字与动作的匹配得分从 12.72% 升到 62.57%；视频输入下的动作误差从 132.82 毫米降到 40.90 毫米，降了 69.2%；语音指令匹配从 13.98% 升到 74.30%；音乐节拍对齐从 0.23 升到 0.61。

第二组实验固定数据，只放大动作专家，从 64.2M 一路加到 910.5M。验证集损失从 0.487 降到 0.159，降了 67.4%。

还有一个更细的发现：同样把数据从 10% 加到 100%，小模型 R@3 提升 62.5%，大模型提升 151.1%。

数据多的时候，大模型吃得更多。这句话对做算力规划的人有直接意义。

## 能跳舞，不等于能干活
演示里，输入一句「Dance some hip-hop」，G1 就跳起来；说「Salute with your left hand」，它抬手敬礼；给一段音乐，它跟着节拍走；给一段视频，它照着做。

这些演示很好看，但都是短动作、单任务、受控环境。

数据集本身也有边界。所有动作都是围绕 G1 适配的，换一副骨架要重新做一遍；从互联网视频到真机执行，中间隔着仿真与现实的差距，论文用 MPJPE 量了这个差距，没有消除它；训练数据来自公开视频，版权与肖像的合规问题，论文没有展开。

500 万条是个很硬的数字。它证明的是动作数据可以规模化生产。它没有证明的是，规模化之后机器人就能在工厂里连续干八小时。

这两件事之间，还隔着一层本体可靠性和一层现场调试。

**说明：本文数据出自论文 2610.41877 与项目主页，并参照机器之心报道；7.2 秒系笔者相除，不构成任何投资建议。**

---

来源：脑机网（https://aiai.cafe/）｜原文：https://aiai.cafe/a/njw-180bf0
本内容仅供参考，不构成投资建议。
