4D Labs 所建设的不只是一个数据采集平台，而是一套连接真实作业与机器学习的物理智能数据生产系统。
文章作者、来源：4D Labs
当机器人模型、仿真平台与机器人本体加速迭代，具身智能的竞争正从“谁的模型更强”进一步走向“谁能持续获得高质量真实世界数据”。近日，面向物理智能与具身 AI 数据基础设施的 4D Labs 正式启动社区冷启动。随着具身智能从实验室走向真实产业场景，数据正在成为继模型、算力与硬件之后的下一道关键门槛：如何持续生产足够真实、多模态、可验证的数据，如何完成数据的校准、确权与训练，并让训练结果持续回流真实作业场景，正在成为决定具身智能能否规模化落地的关键议题。4D Labs 正聚焦这一正在快速形成的产业缺口，试图构建覆盖数据生产、处理、训练与应用的完整基础设施体系。
与项目启动消息一同披露的，还有 YZi Labs 对 4D Labs 的投资支持。作为由 Binance Labs 演进而来的全球投资机构，YZi Labs 管理资产超过 100 亿美元。早先4D Labs 已进入其孵化项目EASY Residency Season 2。YZi Labs 在官方公告中将 4D Labs 定义为空间智能大模型数据采集、模型开发与应用平台，并明确认可其在 AI、3D 与 Web3 交叉领域的布局：通过空间模型、3D 数据生产管线与代币化数据权利框架，回应可规模化、可验证、高质量 3D 数据的供给瓶颈。此次投资不仅为 4D Labs 带来资金支持，也体现出头部机构对具身智能数据基础设施价值的进一步确认。
从“看见”到“做到”：具身智能的数据基础设施转向
过去数年，人工智能的主要突破建立在互联网规模的文本、图像与视频之上。大模型能够在数字空间完成理解、生成与推理，但机器人要进入工厂、家庭、电力、医疗等真实环境，仅仅“看见”还不够。它必须进一步理解接触、摩擦、形变、受力、遮挡与连续时序等复杂条件，并把认知结果转化为符合本体约束的动作。
这使得具身智能的数据结构与传统大模型产生了根本差异。文本可以被复制，图像可以被批量抓取，真实物理交互却必须在具体时间、空间、物体和动作关系中发生；同一项任务换一个操作者、机器人或场景，轨迹与反馈就可能发生变化。数据的成本也因此从“存储与标注”扩展为设备部署、人员操作、场景准入、安全控制和跨模态同步的综合成本。
行业已经把这一矛盾公开化。NVIDIA 指出，现实世界机器人数据有限、昂贵且难以采集，尤其是覆盖长尾情况时，人工采集难以规模化；其 2025 年发布的开放 Physical AI 数据集，也把真实与合成数据结合、场景多样性以及训练前后的数据处理列为物理 AI 开发的重要基础设施。Google DeepMind 推出的 Open X-Embodiment，则通过 33 个实验室汇集 22 类机器人、超过 100 万条轨迹，验证了跨本体汇聚数据的价值，也从侧面说明：单一机构、单一机器人和单一场景的数据闭环，很难独立支撑通用能力的形成。
由此，产业竞争的重心正在从“谁拥有更多demo”转向“谁能持续运行一座数据工厂”。这座工厂既要有真实数据作为物理锚点，又要利用仿真扩大覆盖；既要采集视觉信息，也要进入触觉、力觉与动作状态；既要服务当下的任务模型，还要让数据能够跨场景、跨本体和跨模型复用。
4D Labs 的出现，正发生在这一范式的转变期。其定位不是单一机器人厂商，也不是纯粹的数据交易平台，而是以真实世界锚定的 4D 交互数据为起点，向下连接采集硬件与真实场景，向上连接训练场景、模型分发与部署，并利用去中心化协议组织大规模用户参与。项目提出的核心命题可以概括为：让人类专家和机器人在真实世界中的每一次操作，都成为可治理、可训练、可复用的数据资产。
跨越“不可能四角”：从 Real-to-Sim 重构数据生产起点
4D Labs 将行业长期讨论的 Sim-to-Real Gap 进一步追溯至更上游的 Real-to-Sim 环节：只有先把现实世界更完整地映射进数据与仿真系统，仿真训练才能获得稳定的物理锚点。动态遮挡、柔性物体形变、接触力和连续动作等信息，正是项目在数据采集与校准环节重点补充的维度。
基于这一判断，项目将现有方案归纳为一个“不可能四角”：真实、多模态、规模化与多样性难以同时满足。纯仿真易于扩展，却需要解决物理一致性；实验室数据较为可控，却难覆盖真实世界长尾；单一视觉数据能够规模化，却缺少接触与受力信息；传统遥操作保真度较高，但设备、人员与场景成本限制了复制速度。
这套分析把具身智能数据的评价维度从单一“数据量”扩展至真实性、模态完整度、规模和多样性。围绕四个维度，4D Labs 以真实数据为锚，通过多入口采集、神经物理校准与仿真扩增形成组合路径，使高保真数据能够进一步支撑规模化生产。
从消费级到专业级：四类入口构成采集梯度
项目设计了从消费级到专业级的采集矩阵。
Ego 套装是主力入口，由 2/4 目 RGB 与 IMU 眼镜、高精度触觉手套、触觉电子皮肤及肌电手环等组成，目标是同步记录第一视角视觉、人体动作、接触状态与力分布，形成连续时空的多模态数据。其意义在于尽量保留自然操作过程，而不是要求操作者适应某一机器人控制器。
DexUMI承担标准化和低成本任务采集，利用末端执行器、相机与力传感器覆盖重复性抓取等任务。
遥操作系统则面向复杂、长序列和高价值作业，以外骨骼、VR 头显与力反馈设备提供高保真示范和纠错数据。
手机 3D 扫描则进一步把家庭、工厂和商铺等空间建模开放给普通用户，作为 Ego 与专业设备之外的低门槛场景入口。
四类终端并非简单并列：Ego 追求模态完整与自然操作，DexUMI 约束数据格式和质量下限，遥操作覆盖高难任务，手机扫描扩大空间数据的地理与场景分布。为了让不同入口形成系统合力，4D Labs 将统一时间基准、跨设备标定、数据格式规范和质量评估嵌入数据层，使异构采集结果能够进入同一套加工与训练管线。
技术中枢：从多模态感知到跨本体映射，再到闭环校准
在算法层，主要有三个核心模块。
第一是 ViTaM 视觉—触觉融合。该路线用于补充手与物体接触区域的遮挡信息，并恢复柔性物体在交互过程中的形变与受力状态。公开同行评议研究显示，ViTaM 使用高密度可拉伸触觉阵列与 3D 视觉，通过双分支网络融合视觉和触觉信息，对刚性与柔性物体交互进行状态估计；相关论文发表于 2024 年《Nature Communications》，报告了 1152 个触觉通道、97.6% 的力测量准确率和跨 24 个物体的平均重建误差。4D Labs 以此为技术基础，进一步面向真实作业场景推进系统集成、设备标定和数据管线建设，使视觉—触觉融合从感知模块延伸为可持续运行的数据生产能力。
第二是跨本体映射。项目拟通过深度学习建立人类手部关键点与机器人关节角之间的非线性映射，同时加入自碰撞、动力学与任务一致性约束。其目标不是逐关节复制人的动作，而是在语义和任务层面对齐“要完成什么”，再由不同机器人本体生成可执行动作。Open X-Embodiment 所展现的多本体正迁移，为跨本体数据汇聚提供了产业参照；4D Labs 则进一步把动作空间、末端执行器、负载、控制频率与安全边界纳入映射过程，推动同一份人类操作数据在不同机器人平台之间复用。
第三是 AXON 神经物理校准闭环。按照项目设计，AXON 由数据校准、反事实生成和神经仿真三部分构成：先完成多模态时序对齐、噪声过滤和物理先验提取，再扩展边缘场景与动作策略，最后对动作条件下的物体变化和多模态反馈进行预测。三个模块均设置与真实数据的误差比对，并将偏差信号回传上游，持续修正校准规则和仿真参数。与传统“先采集、后训练”的线性管线相比，这一设计把真实任务成功率、跨场景误差收敛和有效信息增量纳入同一闭环，使仿真扩增与真实部署形成连续迭代关系。
五层端到端链路：数据不是原料库存，而是持续加工的生产资料
4D Labs 把端到端链路划分为采集层、数据层、加工层、训练层和分发层。采集层连接 Ego、触觉手套、第三视角相机、遥操作机器人与真机接口；数据层容纳视觉、动作、触觉、力觉、任务结果和异常样本；加工层完成时空同步、清洗、标注校准、视触融合、异构映射和质量评估；训练层形成基础技能、场景任务、行业专用和本体适配模型；分发层则通过模型商店、API、授权部署和机器人端部署实现商业交付，并把部署结果重新回流至采集端。
这套架构的关键变化，是把原始数据与训练就绪数据放入连续加工体系。视频和传感器记录经过清洗、同步、标注、版本管理和效果归因后，被转化为可审计的数据集，继而沉淀为预训练模型、任务模型、仿真生成模型和快速部署模型。项目提出的“模型超市”，由此成为数据基础设施的上层应用：从硬件和数采方案出发，逐步拓展至数据集授权、处理服务，再延伸至 API、SDK、私有化部署和行业模型授权。
这一商业路径具有清晰的递进关系：硬件与项目制服务率先连接真实场景并形成数据回流，标准化数据集进一步扩大跨客户、跨任务复用，模型与接口则在此基础上释放规模效应。“模型超市”不是孤立的平台入口，而是伴随场景、数据和模型资产持续沉淀形成的分发层，连接数据供给、模型开发与产业需求。
Web3 协议：构建分布式协作与数据确权框架
在 4D Labs 的体系中，Web3 承担分布式数据网络的协作与权利协调层，重点处理激励、确权和隐私三类问题。项目规划以4D积分根据数据质量和稀缺性激励贡献者，以链上记录追踪数据来源与贡献，以分布式节点承担存储、计算和验证，并结合联邦学习与零知识证明控制敏感数据的使用范围。代币的规划用途还包括节点质押、API 与模型调用、应用结算以及数据资产版税。
围绕链下数据与链上记录的连接，项目把数据质量控制前置到采集与边缘计算环节：通过 IMU 交叉比对、边缘端评分、在线率约束与惩罚机制识别异常数据，再由链上记录承载来源追踪、贡献归因与权利流转。质量评分、授权管理、争议处理和隐私撤回等规则共同组成数据治理框架，使链上协作机制与链下数据工程各自承担清晰功能。
复合闭环：从数据供给开始的持续增长飞轮
4D Labs 的核心能力并非孤立于某一件硬件或单一算法，而是来自“场景准入—多模态标准—数据加工—模型部署—作业回流”的复合闭环。电力、工业、医疗等专业场景提供稀缺任务与安全边界数据；统一的多模态标准降低下游训练成本；同一批数据在多个模型中持续复用，提升单次采集的资产效率；部署后的异常样本与纠错数据回流，又进一步强化模型与数据管线。
围绕这一闭环，项目将形成五类可量化的运营坐标：多模态数据的同步误差、缺失率与有效样本率；加入触觉、力觉和反事实数据后的任务成功率增益；跨本体迁移所需的新增标注量与调参成本；单小时、单任务和单有效轨迹的全成本与节点单位经济；以及专业场景的持续订单、授权管理与合规审计能力。
这些指标把技术研发、数据生产和商业交付连接起来，也为不同阶段的产品演进提供统一尺度。
4D的数据生产生态系统：从技术体系走向规模化落地
具身智能的数据议题，正在从“有没有数据”升级为“如何把真实世界持续转化为高物理一致性的训练资产”。4D Labs 将第一视角多模态采集、触觉感知、跨本体映射、神经物理校准、分布式节点和模型分发放进同一条价值链，并通过软硬件协同、场景运营、合规治理与网络经济的系统设计，连接数据产生、加工、训练和部署的各个环节。
YZi Labs 的投资，反映出资本正在把 3D 数据、具身智能与数据权利网络视为新一代基础设施的重要组成。4D Labs 的产业价值也将集中体现在三条主线上：提升真实交互数据对模型训练的有效性，借助标准化与网络协作降低数据获取和加工成本，并让模型能力在更多机器人本体与行业场景中被重复调用。
沿着上述路径，4D Labs 所建设的不只是一个数据采集平台，而是一套连接真实作业与机器学习的物理智能数据生产系统。项目以真实场景为入口，以多模态数据和 AXON 校准闭环为中枢，以跨本体模型与分布式网络为扩展路径，推动每一次人机操作沉淀为可治理、可训练、可复用的数据资产。正式启动之后，工程指标、客户交付与数据回流将共同驱动这套系统进入规模化演进阶段。