任务成功率提升3倍背后：从“人在环路”的运行数据回流，看工业具身智能的数据闭环怎么搭

具身智能的讨论大多围绕三条主线打转：融资与团队路线、端侧—云侧—仿真侧三大计算平台，以及哪些场景最先跑通。这些视角当然重要，但对一线工程师来说，往往缺少一个可操作的抓手——真实运行数据到底怎么用？

本文换一个更工程化的切口：以正行创新披露的“人在环路”强化学习后训练与数据闭环建设为引子，对照工程期刊《具身智能发展趋势与展望》中对工业制造与医疗康复场景的落地描述，拆一条从“采集数据”到“数据反哺迭代”的可复用路径。

一、为什么运行数据是具身智能的“富矿”，却常被浪费

具身智能行业普遍面临几个痛点：真实数据稀缺、遥操作数据采集效率低、纯 VLA 模型结构难以有效掌握物理世界规律，导致真实环境中的操作成功率偏低。这也是正行创新在公开资料中提出的行业判断——它随后给出了“数据—模型—基础设施”协同进化的技术路线，以真实产业需求为研发起点。

问题的核心在于：机器人部署到产线后，每时每刻都在产生交互数据，但这些数据通常被粗粒度地处理——要么整段丢弃，要么不加区分地全部回流训练。事实上，一段真实运行数据里混杂着多种性质截然不同的信息：

• 成功片段：任务顺利完成，是天然的“正样本”；
• 失败片段：说明当前策略的边界在哪里，是找出薄弱环节的线索；
• 接管片段：操作员或安全系统介入的瞬间，往往精确标记了模型“不可信”的时段；
• 低效行为：任务最终完成了，但路径冗余、动作迟疑，暗示策略还有优化空间。

把这四类数据一锅炖，等于把信号和噪声混在一起；把它们分类利用，才是数据闭环的第一步。

二、识别“高价值动作”：不是所有成功都值得学

正行创新在其披露中描述了一个关键方法：针对真实运行数据中的成功、失败、接管和低效行为等多元信息，“通过创新方法识别其中真正推动任务完成的高价值动作，并将交互数据转化为可用于模型迭代的优质训练数据”。据称，该技术方向在真实机器人任务中已将任务成功率最高提升 3 倍。

这里值得展开的是“高价值动作”这个概念。一段成功的抓取—放置任务里，真正决定成败的可能只是中间某几个关键动作：对准角度、抓取力度的时机、放置前的姿态微调。其余大量动作是过渡性的。如果不加区分地用整段轨迹做强化学习，奖励信号会被大量无关动作稀释。

工程上可参考的做法包括：

1. 基于时序归因识别关键动作：对比成功与失败片段在时间轴上的差异，定位真正造成分岔的动作窗口；
2. 利用接管事件做弱监督标注：接管前后往往是策略失效点，可作为天然的“难例”标注来源，比人工标注便宜得多；
3. 对低效行为做事后修剪：从完成任务的轨迹中剪除冗余动作，构造更精炼的示范数据；
4. 失败数据定向回灌：失败片段不必全部丢弃，可作为探索引导或负样本，用于针对薄弱环节的专项训练。

需要强调的是，不同文献对不同方法的验证程度不同，“成功率最高提升 3 倍”是正行创新对其技术方向的披露，具体方法细节并未完全公开，读者应把它理解为该路线可行性的一个信号，而非普适性的基准数字。

三、“人在环路”：把人从标注员升级为奖励信号的提供者

“人在环路”（Human-in-the-Loop）的强化学习后训练，本质是把人的判断嵌入训练循环。与传统遥操作采集相比，它的效率优势在于：遥操作是一条轨迹换一条数据，而人在环路是在模型自主执行的基础上，只在关键节点介入——人的一次接管、一次偏好反馈，可以被放大为对一整类行为的纠正信号。

对工程团队而言，搭建人在环路体系有几个具体的落点：

• 设计低成本介入界面：让现场操作员能够一键接管、标注或评价，而不是事后在办公室里看录像打分；
• 区分介入类型：安全接管、质量否决、效率建议，对应不同的数据标签和训练权重；
• 建立数据回流管道：运行数据、接管记录、评价结果自动进入数据湖，触发模型迭代的评估流程；
• 用仿真做前置验证：回流的策略更新先在仿真环境中评测，再灰度部署到真机。资料中提到的 Isaac Sim、Gazebo 等通用模拟器提供了高保真物理引擎，可用于这类快速验证（《具身智能发展趋势与展望》）。

四、工业与医疗：两类场景对数据闭环的不同要求

《具身智能发展趋势与展望》指出，具身智能在工业制造领域的应用将从简单的搬运、巡检任务，向更复杂、精细的环节拓展——例如电子产品制造中精准完成芯片级别的组装与检测，汽车生产线上实现不同车型零部件的灵活切换与安装。

这类场景的特点是：任务结构化程度高、容错率极低、失败代价大。因此数据闭环的重心应放在失败与接管数据上——每一次芯片级组装失败都是高价值信息，需要精细归因（是视觉定位误差？力控策略问题？还是夹爪设计缺陷？）。

在医疗与康复领域，同一份报告描述的图景是：手术辅助机器人借助具身智能，能依据患者的实时生理数据辅助医生进行更精准、微创的操作；康复治疗中，智能设备可针对患者的康复进度定制个性化训练方案并实时调整。

这类场景的数据闭环则更强调个体差异与安全边界：患者生理数据的隐私合规、人在环路的“人”必须是具备资质的医生而非普通操作员、模型更新必须经过严格的临床验证。同样是“数据反哺”，工业场景追求迭代速度，医疗场景首先要守住安全底线。

五、这条路径的适用范围与局限

把上面的讨论收拢，一条可复用的路径大致是：

真实场景部署 → 运行数据分类（成功/失败/接管/低效）→ 高价值动作识别 → 转化为训练数据 → 人在环路强化学习后训练 → 仿真评测 → 灰度回流部署 → 产生新数据

但它并非万能钥匙，使用时需要认清几个局限：

1. 场景必须能持续产生运行数据。低频、长周期、单件定制的场景，数据闭环转不起来。正行创新选择与正大集团、华勤技术等产业方深度合作，构建“场景—数据—模型—产品—解决方案—场景”的闭环，正是看中了产业场景的数据持续性。
2. 成功率提升幅度依赖起点。“最高提升 3 倍”对应的基线任务成功率是多少，直接决定了这个数字的含金量。从 10% 提到 30% 和从 80% 提到 90% 是完全不同难度的问题。
3. 人在环路的成本不可忽视。介入界面、标注规范、现场人员的培训与激励，都是真实的工程与组织开销。团队规模小、场景分散时，闭环的人力成本可能超过数据收益。
4. 闭环不会自动收敛。回灌的数据如果分布偏斜（比如只采集了失败片段），反而会让策略退化。数据配比与评测体系的设计，比采集本身更考验功力——这也是为什么正行创新强调基础设施，包括“更高效的数据处理、训练调度与仿真评测体系”。

写在最后

具身智能的竞争正在从“能不能动”转向“能不能稳定地把任务做完、并且越做越好”。正行创新在其公开表述中有一句话值得记住：物理智能的长期竞争力，不只来自某个单点的技术突破，更来自将算法、软件、硬件、数据与场景整合为一个持续进化系统的组织能力。

对工程师来说，这句话翻译过来就是：与其追逐更大的模型，不如先把运行数据的分类、回流、转化这条管道搭扎实。数据闭环搭起来之后，每一次任务失败都不再只是事故，而是下一次迭代的燃料——这才是“成功率提升 3 倍”背后真正的工程含义。

参考资料

以下链接为本文使用的公开资料。事实依据与检索摘录保存在本地记录中；资料内容与适用范围以原始页面为准。

• Innotech Ventures Portfolio Investments, Innotech Ventures Funds, Innotech Ventures Exits
• 具身智能发展趋势与展望