机器人训练数据的采集一直是个令人头疼的问题。研究者需要让人类操作员坐在专门的设备前，戴上传感器手套，盯着真实的机器人，一个动作一个动作地遥控演示。这个过程不仅需要昂贵的硬件设备，还要求场地固定、物品摆放精准。阿里巴巴达摩院、香港具身AI实验室、香港中文大学与蚂蚁集团联合提出了一项颇具创意的解决方案：既然真实机器人是限制因素，那能不能用"虚拟机器人"来代替？这项于7月7日以预印本形式发布的研究，提出了名为RynnWorld-Teleop的系统，从根本上改变了机器人训练数据的采集方式。
传统物理遥操作系统的困境可以用一个比喻来理解：就像教一个孩子做家务，你需要一遍一遍地亲自示范，反复纠错，每个动作都要在他面前演示。更重要的是，这个孩子只有一台，没办法同时在不同的厨房里练习。传统遥操作同样被绑定在特定硬件上，有什么机器人就只能采什么机器人的数据；被绑定在特定场景里，桌子的位置、物品的摆放都必须固定。更关键的是，现实世界里物品的种类千变万化，而实验室能采到的场景种类永远是有限的。
RynnWorld-Teleop的核心创新在于构建了一个AI替代系统。操作员照旧戴手套做动作，但驱动的不是真实的机械臂，而是一个能根据手势实时生成机器人视角视频的AI模型。这个AI模型就像一个无所不能的摄影师，拿到一张场景照片和一段人手运动轨迹，就能源源不断地"拍"出机器人在真实执行时应该看到的画面。操作员的手部动作数据经过转换，变成适合各种机器人身体结构的控制信号；AI生成的视频则提供对应的视觉观测。两者配对，就构成了完整的训练数据，整个过程中完全不需要真实机器人参与。研究团队特别强调了这一方法的可扩展性：同样的系统可以同时为不同型号的机器人生成训练数据，而传统方法下每换一种机器人就需要重新搭建整套硬件系统。
实现这种"以虚代实"的跨越，技术上的挑战远比听起来复杂。人类的手和机器人的机械臂在运动学结构上存在本质差异，人手有20多个自由度，而常见的六轴机械臂只有6个自由度。研究团队开发了一种"运动学解耦器"，将复杂的手部动作分解为末端执行器的位置、姿态和抓取状态三个独立维度，分别映射到机器人的对应控制信号上。这样既保留了操作者手部动作的丰富性，又能适配不同类型的机器人本体。
在视觉生成端，AI模型面临的挑战更加严峻：它必须生成与真实操作"时间对齐"的机器人视角视频。传统的视频生成模型往往会因为自回归推理的误差累积而在一分钟后质量大幅下降。研究团队采用了流式条件扩散架构，将机器人的关节角度序列作为条件信号，与视频帧逐帧对齐。在单张RTX 5090显卡上，模型能以每秒15帧的速度稳定生成2分钟以上的连续视频，且画质无明显衰减。研究团队在多种实验场景上进行了测试，包括桌面拾取、抽屉开关、餐具摆放等10类日常操作任务。在200次独立测试中，AI生成视频与真实机器人录制视频的视角差异度仅为3.7%，操作员的关键动作捕捉准确率达到94.2%。这意味着一条完整的"开抽屉—取物体—放置"训练轨迹，仅需操作者真人比划一次动作，AI就能批量生成数百个不同光照、不同背景、不同物体位置版本的数据，相当于将数据采集效率提升了两个数量级。
RynnWorld-Teleop的商业价值在于它打破了机器人数据采集的物理天花板。传统方法下，一个拥有50台机器人的实验室，每天最多只能采集500条有效轨迹数据，因为场地、设备和操作员都是瓶颈。而基于AI生成的方案，只要算力够，一条真人演示可以衍生出无限条不同变体的训练数据，成本几乎为零。以特斯拉Optimus机器人的训练为例，传统方法下每采集一条有效数据约需5分钟的操作时间和15分钟的恢复时间，每天有效产出很难超过200条。应用RynnWorld-Teleop后，一位操作员1小时的演示可衍生出超过5000条不同光照和背景条件的训练数据，效率提升超过25倍。对于正在大规模布局具身智能的科技公司来说，这意味着加速迭代的筹码。
从产业格局看，数据生成正成为具身智能赛道的战略制高点。英伟达的GR00T项目、谷歌的RT-X数据集都在尝试解决机器人数据稀缺的问题。但与这些需要大量硬件投入的方案不同，RynnWorld-Teleop通过纯粹的AI生成来绕过物理瓶颈，在数据量级上天然具有优势。研究团队表示，下一步将扩展系统支持双臂协作和移动操作等更复杂的任务类型，同时提高生成视频的物理真实性，让数字孪生训练真正走向工业应用。从技术成熟度来看，RynnWorld-Teleop目前已经跨越了"概念验证"阶段，正在向"工业可用"迈进。研究团队计划在2026年底之前开源部分模型权重和推理代码，并邀请更多研究机构参与验证，以加速这一技术的产业化进程。未来两到三年内，这种"虚实结合"的训练方式可能会成为具身智能领域的标配方案。