过去几年，具身智能行业衡量竞争力，习惯用一个简单的数字——数据规模。

但随着行业进入大规模研发阶段，一个新的问题开始浮现。一段刚刚采集完成的真实世界数据，需要多久才能真正变成机器人能够学习和执行的能力？

答案往往并不乐观。

视频采集只是开始。从质检、标注、任务切分，到训练、验证、部署，数据需要经过漫长的流转链路。任何一个环节停滞，数据都只能停留在硬盘里，无法真正转化为机器人的能力。

于是，行业竞争的计量单位正在发生变化。

过去比的是谁拥有更多数据；今天，比的是谁能更快地把数据变成机器人能力。

对于具身智能而言，真正稀缺的已经不是数据本身，而是数据流转效率。

围绕这一变化，越来越多企业开始重新思考数据基础设施。而超维动力（Kinetix AI）给出的答案，并不是继续扩大数据规模，而是尝试把数据生产的每一个环节连接起来。

01.

KAI Halo从10万小时具身数据中长出来

对于很多机器人公司来说，数据采集设备并不陌生。但真正进入酒店、家庭、仓储、工厂等真实场景后，数据采集远比实验室复杂。

人在整理房间时，身体会不断转身、弯腰、避让家具；双手频繁进入视野又离开视野；不同光照、不同遮挡、不同操作节奏，都可能导致数据质量快速下降。

真正的大规模采集，并不是把摄像机戴到头上那么简单。

Kai Ego Dataset已经累计沉淀超过10万小时第一视角多模态数据，覆盖2000多个原子技能，涵盖家庭、零售、酒店、工厂等真实作业场景。相比经过预先编排的演示动作，这些数据完整保留了连续任务中的节奏变化、空间避让以及人与环境之间的交互关系，也让机器人能够学习真实世界中的连续行为，而不仅仅是单个动作。

更重要的是，这套数据集不仅记录视频画面。

它同步覆盖头部视觉、全身骨架、手部精细动作、动作语义标注和切分以及三维环境重建等多维信息，通过多视角视觉与IMU数据共同还原人与环境之间的完整关系，为跨本体迁移提供统一的数据基础。

对于超维动力而言，这10万小时最大的价值，并不是数字本身。

真正重要的是，在持续的大规模采集中，他们几乎经历了真实数据生产中所有的问题：遮挡、丢帧、时间同步、标注一致性、质量波动，以及后续训练中的数据筛选效率。

而KAI Halo，正是在这些问题之上不断迭代出来的标准化采集工具。它不是一款为了展示参数而诞生的硬件，而是把过去数据生产过程中积累的经验，固化成了一套可以复制、可以部署的数据采集能力。

02.

如何让更多机器人企业，也拥有同样的数据生产能力？

在真实环境中，机器人学习面对的并不是标准动作，而是连续任务。

例如整理客房时，一个简单的"收拾桌面"动作，可能包含观察环境、绕开障碍、拿取物品、放置整理、再次确认等多个连续过程。人在执行任务时，双手频繁遮挡、身体不断转向、视线持续变化，如果采集数据缺少时间同步或空间信息，即便拥有大量视频，也很难直接用于模型训练。

因此，KAI Halo采用四路鱼眼全局快门RGB相机，实现多视角同步采集，最高采集分辨率为1920×1200，并结合200Hz IMU记录人体运动状态，将第一视角画面、身体姿态和运动轨迹统一到同一时间轴上。

对于研发团队来说，这意味着后续能够更完整地重建人体动作、环境结构以及人与物体之间的交互关系。

设备本身并不止输出四路视频。经过算法处理后，系统还能进一步生成人体全身关节轨迹、三维场景点云、以及动作语义标签和精细切分，为后续训练提供统一的数据格式。

这些能力背后，其实指向的是同一个目标——尽可能减少数据进入训练前的重复处理成本。

目前 KAI Halo 已开启预售，早鸟价 12999 元，面向机器人研发企业、高校实验室等开放。

03.

具身AI Infra平台接管数据处理、训练与部署

真实场景数据规模大、DataScaling增长快，大批量数据处理、自动化质检系统、多模态标注算法等问题，逐渐成为具身智能研发的技术瓶颈。

KAI Embodied AI Infra的定位，正是解决这些问题。

一份原始数据要真正"能用"，得先过质检这一关。KAI Embodied AI Infra构建了自动化质量检测体系，涵盖5个维度、超过20项检测，从源头保障数据的可用性与一致性。

质检过后，是重建的过程：通过多视角协同，精准恢复人体全身关节姿态与运动轨迹，解决了下半身信息缺失这一行业难题；同时逐帧重建采集场景的三维点云地图，还原空间结构与物体位置关系，让数据不只是"动作片段"，而是带着完整空间上下文的信息。

数据有了姿态和场景，接下来要解决的是"怎么被理解"——基于大模型能力自动识别任务边界、动作语义与交互对象，完成结构化分段；再进一步提取物体空间关系、任务意图、动作时序因果，自动完成多模态数据与自然语言指令的跨模态对齐，大幅减少人工标注成本。

最后一步，是让这些数据真正"物尽其用"：将采集到的人类动作数据，重定向至不同形态的机器人本体，实现一次采集、多机型复用——这也正是"一脑多形"能够跨本体部署的底层支撑。

从头环的分布式数据采集，到大批量自动化数据处理，再到人类数据到多本体的重定向复用，超维Embodied AI Infra想解决的，其实是一个更根本的问题：让每一份数据，实现高质量的生产、多维度的标注、高价值的复用。

过去，数据、训练和部署往往分散在不同系统中，如今，它们开始进入同一条研发链路。从数据进入平台，到模型重新部署机器人，如今正在逐步连接成一个完整闭环。这也是超维动力希望解决的真正问题。

04.

超维动力正在跑通更长的商业闭环

如果拆开来看，Kai Ego Dataset 是数据集，KAI Halo 是数据采集设备，KAI Embodied AI Infra是具身数据处理平台。

但放在一起，它们其实构成了同一套能力。

数据集沉淀真实场景中的任务与技能，头环负责持续获取标准化数据，平台则完成自动化、并行化的质检、标注、检索、训练和部署，让数据能够不断转化为机器人能力，并形成持续迭代的闭环。

这也意味着，超维动力真正交付给行业的，不是一款头环，也不仅是一套软件，而是一套覆盖“采集—处理—训练—部署”的具身智能研发基础设施。从这个角度来看，KAI Halo 的发布，更像是超维动力商业模式的一次延伸。

当然，这条路径并不轻松。而这，或许也是超维动力希望通过 KAI Ego Dataset、KAI Halo 与KAI Embodied AI Infra共同回答的问题——打造一套面向具身智能时代的数据基础设施，让机器人能力的迭代，像软件升级一样持续发生。