穹彻智能联手阿里云建具身数据产线，全程无人干预，吞吐提升10倍

具身智能公司穹彻智能（Noematrix）联合阿里云构建了一套端到端自动化 UMI 数据处理产线。据穹彻智能在8月10日发布的中披露，这条产线覆盖手持夹爪数据采集、SLAM 位姿重建、鱼眼去畸变、VLM 自动动作分割与语义标注、LeRobot 标准数据集导出全流程，将原本依赖人工和单机跑批的流程变成了一条云上自动化生产线。

穹彻智能称，产线落地后数据处理吞吐提升超过10倍，全程无需人工干预，云端弹性算力可扩展至10万+ CU，模型训练效率提升约50%。

采集只是开始，处理才是噩梦

要让机器人学会抓取、翻转、开门这些操作，最直接的路径是模仿学习：给人一个手持设备，记录下人的动作，再让模型去学。UMI（Universal Manipulation Interface，通用操作接口）方案正是为此而生。一只搭载鱼眼相机的手持夹爪，在人手自然操作中同步记录第一视角画面、末端6DoF位姿轨迹和夹爪开合状态。

但采集只是第一步。据穹彻智能描述，原始数据要变成模型可用的训练集，中间横着四道坎。

第一道是位姿恢复。手持采集没有外部动捕设备，需要从鱼眼视频中用视觉 SLAM 算法重建夹爪的6DoF位姿轨迹。视频越多，算力需求成倍膨胀。

第二道是相机标定。手持夹爪用的大广角鱼眼镜头画面严重畸变，需要逐帧去畸变并估计焦距与内外参，同样是重度计算任务。

第三道是动作分割与语义标注。连续操作中，一个原子动作何时结束、下一个何时开始，人工界定成本极高。每个片段还要配上自然语言指令，靠人工标注无法规模化。

第四道是数据量。数百小时视频叠加多重处理，单机算力无法承载。链路长、任务耗时久，任何一个环节中断都可能让整批处理前功尽弃。

MaxFrame重构数据链路，VLM接管语义标注

穹彻智能与阿里云合作搭建的产线，核心思路是用云原生的分布式计算和 AI 能力替代人工和单机瓶颈。

在计算层，阿里云 MaxCompute MaxFrame 作为分布式 AI 计算引擎承担主力。数百小时视频的多重处理任务被拆分到分布式资源：GPU 负责 SLAM 位姿重建和 VLM 多模态推理，CPU 负责去畸变、切分、时间对齐、质检和动作计算。SLAM、鱼眼去畸变等第三方模型以 DataFrame 算子形式分布式运行，据穹彻智能称无需为上云重写算法。

语义标注环节使用了阿里云原生 AI Function，直接在数据处理链路中调用通义千问 VLM（QwenVL）为动作片段生成语言指令。穹彻智能表示，这使多模态标注实现了大规模自动打标，无需自建推理服务。

在调度层，DataWorks 提供企业级调度能力：支持分/时/日/周/月/年精细周期调度，一键补数据支持历史回溯与重算，异常自动重试与基线延迟预警保证数据按时产出。每个处理阶段独立落表，支持断点续跑；单个视频片段失败只记录、不阻塞全局。

产出数据进入 Hologres 实时数仓管理 episode 元数据，为样本检索、标注审核和训练数据管理提供统一在线入口。随后进入 PAI 平台：PAI-DSW 完成调试与小规模验证，PAI-DLC 开展多卡分布式训练，PAI-EAS 负责部署评测。

最终输出符合 LeRobot 标准的数据集：data/ 存放逐帧 state 与 action 的 Parquet 文件，videos/ 存放原子动作 MP4，meta/ 以 JSONL 记录语言指令。据穹彻智能称，该数据集可被 LeRobotDataset 直接加载，对接 pi0、GR00T、OpenVLA 等主流 VLA 模型，也可用于穹彻自研的 LingBot-VLA 训练链路。

针对 LingBot-VLA 的训练性能，PAI-TurboX 结合实际计算图做了专项优化：评估 FlashAttention 和 FlexAttention 路径，启用自动调优按输入形状选择更优 Kernel，分析动态 Attention Mask 的重复编译影响。穹彻智能称，优化后模型训练效率提升约50%。

穹彻是谁，为什么押注数据基础设施

穹彻智能成立于2023年11月，由通用智能机器人公司非夕科技（Flexiv）战略孵化。联合创始人卢策吾是上海交通大学教授，曾在斯坦福人工智能实验室师从李飞飞和 Leo Guibas，据穹彻智能称其为"国内最早研究具身智能领域的学者之一"。另一位联合创始人王世全于2016年发起创立非夕科技。

穹彻智能此前已完成多轮融资。2025年10月，穹彻智能，多位老股东追投。2026年2月，穹彻智能完成数亿元 A 轮融资，由 C资本领投，Sea Limited、普华资本等跟投，老股东 Prosperity7 Ventures 超额追投。2026年6月，穹彻智能完成新一轮数亿元融资，投资方包括上海交通大学 AI 未来基金、无锡数据集团等。

在产品层面，穹彻智能围绕"数据—训练—部署"全链路布局，核心产品包括具身大脑 Noematrix Brain、具身工具链 Noematrix Toolchain 和原子技能库 AnySkill。UMI 数据处理产线是其数据基础设施的关键一环。

当模型不再是唯一瓶颈，数据产线就是下一个战场

具身智能行业正在经历一个转折。2025年前后，行业注意力集中在模型能力：谁家的 VLA 模型更强、泛化更好、任务成功率更高。但进入2026年，穹彻智能与阿里云在中抛出一个判断：真正限制机器人进化速度的，正在从模型转向数据。

大语言模型可以利用互联网上海量文本，但机器人操作数据必须从物理世界中采集。每一次抓取、搬运、整理，都需要真实发生并同步记录视觉、动作、轨迹等多模态信息。采集难、处理难、标注难、规模化难，四个难题叠加，让数据成为比模型更紧迫的瓶颈。

穹彻智能与阿里云的这次合作，试图验证机器人数据能否像互联网数据一样，建立起规模化、自动化的生产体系。从穹彻智能公布的指标看，吞吐提升10倍以上，10万+ CU弹性算力，全程无人干预——至少在这条产线内部，自动化已经跑通。但这些数字目前仅来自企业自述。

UMI 方案本身来自，发表于 RSS 2024 并获 Best Systems Paper Award Finalist，其核心思想是用低成本手持设备替代昂贵机器人平台进行数据采集。穹彻智能在此基础上将后处理流程工业化，补齐了从原始采集到标准数据集之间的工程缺口。

一条产线的边界

穹彻智能建成的这条产线，验证了具身智能的"数据—模型"全链路可以自动化跑在云上。它把数据处理从手工作坊变成了流水线，但流水线的上游，物理世界中的数据采集，仍然是瓶颈。UMI 手持设备降低了采集门槛，但一个人一次只能演示一个动作，规模化的数据采集本身仍然没有"自动驾驶"。

穹彻智能在宣传资讯中表示，未来将继续与阿里云在"世界模型等前沿场景"深化联合创新。从这次合作来看，具身智能的数据基础设施正在从各家自建的手工作坊，走向可以复用的云上产线。但这条产线的上游，物理世界中的数据采集，距离工业化还有更长的路要走。