扎根行业十数年，走遍具身来时路。

作者丨高景辉

编辑丨岑 峰

"你们有必要这么卷吗？"

在一次机器人展会上，一位展商来到帕西尼的展台，向创始人许晋诚发出充满怨气的一问。

原来，在帕西尼出现以前，触觉传感器的价格高达数万元，但只花了两三年的时间，帕西尼就把这个价格打到了千元以内。

但当时许晋诚只是淡定地回答："我们没想卷，只是想让大家用更低的价格，用上更好的东西。"

的确，相较于视觉，让机器人拥有触觉的成本要高得多。但要真正实现通用的具身智能，触觉又是一个绕不开的选项，毕竟没有触觉数据，机器人就无法真正理解这个世界。当前的具身行业，就卡在如何让触觉数据规模化生产这个点上，这也是为何许晋诚要以触觉感知为核心切入点，打通数据采集、大模型与执行末端，构建全栈闭环。

实际上，便宜好用的触觉传感器，只是把触觉数据跑通的条件之一，从产品设计、流程管理到模型训练，每个环节都考验着业者对硬件、数据、模型的理解。也正因为如此，触觉行业的非共识，比其他垂直赛道要多得多。

为了将这些非共识一一对齐，我们和帕西尼创始人兼首席执行官 许晋诚展开了一次对话。许晋诚毕业于早稻田大学，师从日本机器人学界权威菅野重树教授，在机器人行业摸爬滚打了十年有余，他在 2021 年创立的帕西尼，已成为业内的头部玩家。

在和许晋诚交流的过程中我们发现，他不仅能把技术细节掰开揉碎了讲清楚，在宏观层面也有着独到的理解。

比如，他认为数据采集是一件长期、可持续的事，因为只要有新技术就会有未知，而采集数据本质上是探索未知的过程，因此不会停下。他对人与机器人共生的未来也相当乐观："现在已经有数据采集员这个新职业了，就像自动化一样，它在改变某些工作的同时也会催生更多工作。"

此外，许晋诚也致力于推动建立行业标准。他认为标准是一种"骨架"，不影响继续往上添砖加瓦的同时，还能让大家少走弯路，避免"重复造轮子"带来的资源浪费。

而这一切动作的出发点，其实是一个朴素的目标：让机器人更快落地，进入千行百业。

以下是AI科技评论与许晋诚的对话，在不改变原意的基础上有所编辑：

01

机器人触觉数据采集，

其实很早就开始了

▎AI科技评论：你从什么时候开始意识到了数据的重要性？

许晋诚：是 2015 年，那时自然语言研究就需要大量文本数据。当时我们马上就意识到，要做自然语言处理，没有大规模的 input 是做不了的，神经网络也是一样，需要大量输入。所以我们读书的时候就已经在做了，2017 年发了几篇关于数据采集手套的论文；2019 年在一些比较大的学会（IEEE RAS 这一类）上也发过数据采集相关的论文。

▎AI科技评论：行业早期似乎做真机数据比较多？

许晋诚：但我们从一开始就不是走真机数据这条路。那时候我帮资生堂，就是 SK-II 的母公司做项目。他们有大量柜员，产品一致性很高，但人在培训时候一致性很差，一旦按摩手法不对，效果就参差不齐。所以我们帮他们做了一件事：把"用多大力道、用什么手法"采下来、数字化，再给其他柜员看，并对下一个人采到的轨迹、力度做评分，让所有柜员不断向专家水平靠拢。

后来日本牙医协会一位话事人找到我们，这个需求直接改变了我们的方向。牙医的痛点是：医牙时病患觉得疼，医生说我明明没使力，但病患不信。本质是因为力学和手法没有标准，无法让人信服。他希望把牙医的技术数据化、可视化，一方面让学生看到自己是怎么医的，另一方面让病患看到"我只用了 11% 的力，是你对疼痛的感知比常人更敏锐"。

实现这个需求之后，我们就开始思考：如果能把医生的技术采下来，能不能移植到机器人上，让机器人拥有这个技能？大概 2018 年，我们就在做这件事了，比大家通常认为的开始时间要早很多。

▎AI科技评论：所以数据需求一直在，只是没有被满足？

许晋诚：其实不是"没被满足"，是即便有数据，没有算力，也无法真正使用。

我们那时候最开心的是 GTX 1080 出来了。当年 AlexNet 做 ImageNet，就是拿 GPU 的核心去做逐像素的大规模计算，CPU 顶天 8 个核心，干到什么时候都干不完；GPU 同时有大量核心，本来就是并行渲染图像的。所以整个历程是：算力上来之后，你才发现手上的数据不够用了。数据需求和算力是彼此关联的，不是独立发生的。

所以不是"有需求就能满足"，是有资源但没有开采能力。就像中东土豪站在油田上，没有采油的能力，不慌吗？

▎AI科技评论：那时候的数据量级跟现在还是差别很大？

许晋诚：当然采得没现在多。第一，你采了也不知道怎么用；第二，那时候大家反而更多在研究"如何用数据"——比如用触觉数据、关节角度数据去帮助神经网络进化，而不是数据的体量。

▎AI科技评论：行业是什么时候开始发现数据量不够的？

许晋诚：算力一下子变大之后。手头的数据都练完了，不就发现数据不够了吗？

▎AI科技评论：一开始大家用得最多的是遥操作数据，你们为什么没做？

许晋诚：为什么早期会有大量遥操作数据出现？因为某种程度上它做数据真的方便。为什么以前有人要建遥操作的数据采集工厂？因为对他们卖机器人可以把数据卖出去。数据在它自己同构型的机器人上使用是零损失的：采的时候构型一模一样，用的时候也一模一样。不同构型之间用数据会有损失，同构型就没有。

但问题也随之而来：

第一，机器人构型一定会变。你永远无法让机器人"什么都不变"，哪怕就算大体上构型不变，只要传感器改了，数据同样用不了。

第二，成本。一台机器人 60 万；而"以人为中心"的采集，成本主要在传感器和采集设备上，一套设备几千块。一台机器人的钱，够我采接近 100 个人的数据。

第三，效率。遥操作要求你想象自己是机器人再去干活，很难；机器人构型和人不一样，还要用逆向运动学去解每个关节角，采下来很慢、很麻烦、废数据多。用人的方式采，又快又自然。

第四，也是最关键的：遥操作采不到真实的触觉。人手上没有主动力反馈设备，你不知道现在触觉力有多大。所以大部分人一捏就捏死，采到的触觉数据没用。而"以人为中心"采集时，传感器就在我手上、隔几毫米，我的皮肤能直接感知到力度的传递——我可以很轻地把它拿起来。

这四点决定了，遥操作在具身智能发展的早期具有重要价值，但随着行业要求不断提高，单纯依赖遥操作的采集模式会逐渐显现局限。

▎AI科技评论：有些数采工厂会遇到管理的问题，导致采集的数据质量不高，你们有遇到类似的问题吗？怎么保证采到位？

许晋诚：没有。管理人这件事，我们是工程化地在做。

在我们这边，有一个叫"场景工程"的组，属于数据部门。我们要针对需求场景做定义，最终生成一份 SOP 文件，并明确采集量要多大、采几次才够。采集员眼前有屏幕，是我们自己写的软件：任务分第一步、第二步、第三步……并且顺序会被打乱，第二步可能变第三步，他踩一下脚踏就换序；踩完再踩一下表示本条采集结束。但最终目的都要达成。

▎AI科技评论：谁来把控数据质量？

许晋诚：数据质量由我们的数据部门来定义、来做审核，审核分几件事：动作有没有达成目的？有没有失败？失败不代表数据不能用，失败是更珍贵的负样本。还有时间上有没有达标、有没有按变量来。这里面 80%—90% 都可以自动化审核，只有最后一步是人工干预，其余全部自动化。

而且每个人每天的任务量是一定的，还有排行榜，干得越好激励越多。数据质量一定由数据组严格把控。

▎AI科技评论：你们自己采的数据自己用吗？

许晋诚：当然用，如果公司采了数据不用，那怎么说服客户你的数据有用？所以我们同步做模型训练。在我们这边，最大的甲方就是模型训练组：模型组跟数据工厂说"你的数据让我的能力提升了多少，但还有些数据更有帮助"，然后下任务给工厂；工厂改完再反向交给模型组训练；模型能力又提升，再提新方向。

最终给客户时，比如某些大科技公司，我们给数据的同时给模型结果，他们就特别认可，因为他以前用过某家未做任何清洗、直接裸着丢出来的数据集，立项之后花了三个月做清洗和学习，很后悔；后来找我们买数据就提了三条：第一，先证明你的数据有用；第二，讲清楚清洗和标注到什么程度；第三，给我看模型训练效果。

02

数据采集业务的壁垒，永远在设备端

▎AI科技评论：现在大家采 Ego 数据更多，是因为门槛低吗？

许晋诚：Ego 数据整体的门槛确实相对较低。比如有人把现有的头戴设备稍微改造一下，就可以去各类场景里大规模采集，甚至不做深度清洗和处理，直接把原始裸数据输出出来。

所以现在出现一个问题：这些大规模重复场景、重复任务的 Ego 数据，对模型到底有没有帮助？我们自己练模型验证过，如果在单一场景里持续采那些步数简单、高度重复的数据，即使采几百个小时，对模型能力的提升也是非常有限的。

▎AI科技评论：那相较之下触觉数据的门槛高在哪里？

许晋诚：首先是一致性。我们从 2021 年公司成立起就在行业里强调：传感器一定要做到多维度、一致性要高、精度准度一定要有。当时行业里有人说做一维就够了，但随着我们不断用产品去验证，一维不够用已经逐渐成为行业共识。

为什么一致性这么重要？这次任务和上次任务，如果传感器一致性偏差很大，数据就偏差 20%，模型要信谁？模型训练本质上要在数学方程里找到最靠近的那条线、找特征。如果数据像天女散花一样，一个在这里、一个在那里，谁都没法信。一致性越高，数据在隐空间里就越靠近、越能聚成一团，模型在里面找答案就行，成功率就越高；一致性差，隐空间就超级大、离散度特别大，用这个技能就特别费劲、误差也大。

▎AI科技评论：你们的一致性、精度能做到什么程度？

许晋诚：从全量程来看，我们的精度准度处于行业头部水平。我们的传感器现在最常被人拿去做标定，如果没做到足够好，怎么可能被拿去当标尺？

当然也有客户来找我们，说拿我们的数据去标感觉不准、差了 10%。我们技术团队一看，原来是他们的数据跟我们差了百毫秒，所以要先把时间同步性拉齐，一拉齐精度就上去了，波形图一看就知道时间没对齐。

▎AI科技评论：除了精度和一致性，还有哪些能力维度？

许晋诚：还有输出速度。有些客户的电机控制器是 10K 赫兹，他会要求传感器至少 1K 赫兹或 500 赫兹去判断，所以速度要够快。我们基础版可选 80Hz、200Hz、500Hz、1000Hz，客户自己挑波特率；最高有一个高级版本到2000Hz，但到现在还没人敢用，因为用 2000Hz，意味着他处理触觉数据的输出速度要快过其电机控制周期。

还有耐用性。我们的传感器分人用和机器人用：机器人用的使用周期寿命基本1000 万次打底；有一两年前的客户用到现在才来问能不能维修。

▎AI科技评论：有人说采集触觉数据的手套很容易坏，你们遇到过这个问题吗？

许晋诚：手套确实很难做，人手握力大、关节活动幅度大，关节角度编码器在反复拉扯下可能发生偏轴。机器人那边中间是金属、贴齐的，所以不会偏；我们这边手指是软的，就会有这个问题。我们所做的就是提升这些零件的寿命，原本只有两三个月寿命，现在提升到半年到一年，虽然本质上来说它是一种耗材。

另外还有行业通病线束，寿命也很短。我们自己研发了超高强度航空线束，可以在千万次弯折下仍稳定输出数据。

▎AI科技评论：相当于这些很底层的东西都是自研？

许晋诚：必须自研，因为很难跟供应商对齐需求。所以数据采集技术深度很高：工程化、设备、触觉、角度编码器、数据同步性、一致性，最后还要把数据用起来变成模型，是一个很庞大的活。

▎AI科技评论：要达到这么多能力维度，成本会不会很高？

许晋诚：正因为我们全栈自研，成本就更容易把控。我们传感器里的芯片都是自己造的：角度编码器的芯片、触觉传感器的芯片，全是自己的。那我们剩下的成本就是封装成本和组装成本。

▎AI科技评论：人力成本呢？能形成壁垒吗？

许晋诚：数据采集业务的壁垒不在人，真正的壁垒主要在设备端——而且设备不只是"资产"，它是核心技术。举个例子，假设客户提了需求，要多视角摄像头数据、要带触觉数据、要带空间轨迹数据，技术压力立刻就上来了：

多目摄像头的时间同步触发采集，超过 6 个或 8 个摄像头，每个都要硬件打时间戳，摄像头之间误差不超过 5 毫秒，这是个技术活；

数据量巨大。用开源的 H.265 压缩根本不够用（264 到 265 之间能压 100 倍，但数据量还是很大）。一条数据这么多摄像头加上去，短短几分钟数据量就非常大，所以我们自己开发了新的压缩技术；

白平衡：多摄像头之间要做到一致。我们遇到过某个特定摄像头白平衡老不行，导致采下来中间几个数据总是不一样，频繁出现就要想办法抑制、把算法做到每个摄像头一致；

末端第七轴的空间轨迹：要拿人手末端在空间里的轨迹，可以用反光球、AR、视觉找特征等方式。还要考虑是在终端处理还是回传给更庞大的算力——后者成本就上去了；

最后把这些和触觉数据、关节角度数据合在一起，不同模态之间的同步误差也不能超过 5 毫秒。而触觉又有一致性、精度准度问题，角度编码器还有耐用性问题，并且是绝对值编码器。

▎AI科技评论：那种织物型手套是性价比更高的方案吗？

许晋诚：织物型触觉手套，它本质上类似压阻材料，形变时会导致电流/电压变化，电阻多大你是"捉摸不定"的，手套一滑就不知道位置了，而且形变时容易磨损。我认为织物手套在非精密自动化、消费级有空间，但在机器人精密制造上"欠点意思"。

之前有一家国外做导电织物的材料公司找我们合作，我们用同一套触觉传感器测试标准流程测下来：几千次到上万次数据一直在飘，还会随温度和时间上升漂移，所以我们判定在使用上还有局限性。

触觉传感器有一个前置条件：使用上必须是刚性连接，背板必须是硬质的。非硬质的情况下，受压时前面后面都形变，你要算谁？没法算。所以数据一定会反向定义硬件——模型告诉数据要什么，数据告诉传感器组和工程组要什么设备，环环相扣，一直如此。

▎AI科技评论：有没有因为数据需求变化导致硬件方向改变的具体例子？

许晋诚：有，我们把自由度降下来了。最早电商版做的是两手 58 个自由度，比人还多；后来做了专业版 Pro，降了十几二十个自由度。原因一是我们发现大家用复杂手套发挥潜力比较难，低自由度更轻便；二是好几个客户一直想买高自由度版本，但实际用下来发现低自由度更顺手，成本也更低。

人手其实不止 22 个自由度，很多球轴；我们在中间会新增传感器，把几个部分再切割出来。我们用的是内骨骼方式，像人的手直接驾驭在灵巧手上，跟外骨骼不同，能适配很多灵巧手，可以做很精细的活。这既是我们自己数采的需求，也有客户需求：本来设备是我们自己用的，没打算对外卖，后来一些客户看到后希望购买，我们才逐步对外开放。

03

为了少走弯路，行业需要定下标准

▎AI科技评论：现在数据行业是不是需要一个统一标准？

许晋诚：我们现在正在做标准。做标准需要实验手段、实验方法、实验流程、实验过程，最后才能定下来；而且它还会动态改变。视觉的标准相对聚焦，涉及的传感器类型比较集中；机器人要的传感器太多：角度编码器、触觉传感器、末端 6D 位置姿态传感器、视觉、麦克风（还要采环境音），很难。

▎AI科技评论：这个标准该由谁来定？有没有第三方权威机构？

许晋诚：定标准一般会采用行业里常用的事实标准（已经有很多人在用、推广开来的），再做斟酌考量。标准的意义在于不让大家走弯路，相当于它定一个骨架，不影响后面往上加东西，但能减少弯路。好处第一是节约社会资源（不用重复造轮子），第二是加快研发速度，第三是会随社会演进持续迭代更新——就像 ISO 15066 协作机器人安全标准，2015 年立项后一直在变，因为机器人一直变、传感器能力一直提升。

在这个标准委员会里我们是数据组的联席组长（四年一任）。我们定标准不会偏袒任何一方，即便我自己做数据，也不会偏。因为这是国家任务：我们数据组推的国标最终是要形成国际标准的。我们最近参与的是跟北制所一起牵头的ISO TC 299、ISO 26264-1，就在我们实验室。国际标准不是单位就能牵头的：数据标准组定出来、做实验、留痕，经工信部委审议通过，再由国家层面推荐给 ISO，而且要在全球 100 多个国家里投票通过，标准一旦定下来，代表的是国家在国际标准领域的话语权和公信力。

▎AI科技评论：为什么找你们来定？

许晋诚：第一，我们做得最早；第二，数据标准牵扯多模态，需要一家对各维度都有长期实践积累的公司来牵头，才能保证标准覆盖全面、不偏倚。我们是全模态：视觉、触觉、力觉、关节角度、听觉，所有维度都会放上去，不偏不倚。而且我们从 23、24 年就在做，那时就立了行业数据标准，后面还立了好几个国家标准。需要注意的是，数据标准组不是只有我们：总共 4 家，组长是上市公司四维图新，我们是联席组长，还有清华大学的数据组等。

▎AI科技评论：那触觉标准也是你们定？

许晋诚：对，我们在数据标准组之外还有另一个职责——定触觉标准。触觉标准里我们不限制任何原理，只管一个：输出结果的一致性一定要够高。我们把触觉传感器分几个级别，大家越往高级别爬越好，级别越高，数据的产出价值和价格越高，数据标准这边就会引用这个分级。

▎AI科技评论：我们看到现在有"家庭数采员"这种新职业，这是不是会推着行业往前走？

许晋诚：会有。数采这个在国家层面已经有牌照了， 数据采集员 在福 建已经有了，天津也在推，江苏这边也有想推的。这确实是一个新职业。它就像机器人自动化会改变某些工作，但同时也催生更多工作，马车时代有马夫、养马的人；汽车出现后，下面有几百几千个供应商、养活几百万人。

新职业的出现对我们整个世界和国家影响都很大，我相信还会有更多职业被催生出来。

▎AI科技评论：但也有人反对，觉得这是在训练一个取代自己的东西。

许晋诚：不妨把视角拉高些，回看历史，一两千年来事物一直在变。技术改变的是工作的形态，而不是消灭工作的需求。像京东已经在跟很多大专院校合作，让外卖员等员工同时去做数据；这些员工原本就在真实场景里跑，对操作流程最熟悉，做数据采集反而有天然优势。新技术出现后，旧岗位会被重新定义，同时也会催生新的岗位——比如机器人维修、数据标注、场景运营，这些都是实实在在的就业增量。所以与其说是在训练一个取代自己的东西，不如说是在推动一次劳动力的结构性升级。

▎AI科技评论：但汽车取代马车的过程很长，而 AI 这一波太快了。

许晋诚：数据采集是一个长期的活。采数据这件事在人类社会里不停发生，而且在车厂里非常频繁：国内最大的车厂一年要发接近 20 款车，员工要重新培训，一年兼任 6 台车的组装，每两个月培训一次，几万人要在定点接受培训，培训师几百位，培训完还要验收。这是"人力在采数据"的过程。但对机器人而言，采一次数据就能给 N 多人用，整体工作效率就提升了。

为什么人类采数据短期不会消失？因为只要有新产品、新技术出现，就会带来未知，有未知就要采数据。比如数据标注行业已经存在十几二十年了，现在不但没消失，反而更加旺盛。

04

现在没有人会绕过触觉，

因为硬件已足够便宜

▎AI科技评论：你们的商业化路线是怎样的？是卖设备还是卖数据？

许晋诚：卖数据为主。谁能拿到优质数据，谁的模型就会更强。你看 Anthropic 有几个专业模型，它的数据特别不一样：一边在市面上买各种图书馆的书，一边找专业医生、老师、博士来标定清洗，甚至通过独家买断的方式，这样数据源就只有它有，所以模型特别强。人形机器人行业也一样，谁有独特的数据产生源头，谁的模型能力就更强。

我们现在在天津采的数据，好几个硅谷公司都在用。它既含第一人称也含第三人称视角，因为我们做了3DGS，可以任意视角切换；再配上触觉数据，很多任务"一把过"。有硅谷公司用我们的数据 + 他们的模型 + GPT，效果超级好，看得我都兴奋。所以整个数据生态还没收敛，Ego 数据、Ego + 触觉都还没到终点，还会进化。人类没有一秒钟是用第一人称学习的，我们都是第三人称学的，所以像我们这种数据可能是超级泛化数据。

▎AI科技评论：以后触觉数据能像 Ego 数据那样众包规模化吗？比如把设备放人家里自己采？

许晋诚：可以，有行业伙伴来找我们想这么做，我们认为可行。唯一的担忧是环境数据，触觉数据本身是恒定的，我们也会让每个人采集前重新标定一次，保证数据有效；但视觉很难。有做众包的公司给我们看家里的数据，视觉参差不齐：环境太黑太暗、噪点太高（相机感光度 ISO 拉高噪点就多）、手被遮挡、手在画面里像素太少（离得远，还用鱼眼），导致有效率很低。所以众包唯一要解决的就是不可控环境下的数据可用性，这个没解决就会花很多冤枉钱。

▎AI科技评论：你们现在数据业务的商业化到了什么阶段？有多少外销、多少自用？

许晋诚：我们有一整块数据业务，也有独立的数据事业部。自用肯定占大头，因为原本的初衷就是自己用，对外销售是后来才逐步展开的，最初并不是主要目的。但现在销售的份额也挺大。需求比想象中猛烈：你看我们 2024、2025 年的报道，其实很少说要销售，因为那时最要紧的是做出来自己用，后面是需求确实迅猛才开始卖。我们还拿了中国第一张可以做海外数据销售的牌照。

▎AI科技评论：但数据需求是由模型定义的，你们数据和你们的模型有强绑定，客户买走之后能顺畅对接他们的模型吗？

许晋诚：其实不是单向的。数据有时候会和模型"同级"：比如很多客户发现我们的触觉数据挺好，就问"那我不就要写一个触觉编译器吗"，我们就说对，并告诉他可以参考我们的编译器去改。

甚至有时候是我们先采到好玩的数据，反向推给模型组。像 3DGS，没人消化过；我们看了李飞飞等人的论文，觉得 3DGS 对机器人的视野泛化有帮助，2024 年就开始采，用下来效果不错，最后才反向告诉模型组可以形成这个能力。

▎AI科技评论：那一个操作任务，加触觉和不加触觉，成功率能差多少？值不值得投入？

许晋诚：要看任务。但我认为绝大部分任务新增触觉都有帮助，就像答题时你原本只有直尺和三角尺，现在多给你一个工程计算器，肯定快得多。所有东西都算 ROI，加触觉一定有加分。

而且现在没有人想跳过触觉，因为成本已经很低：整个模组（传感器 + MCU + 算法封装）100 多块就能买到，单算传感器本身价格更低。我们没出来之前，行业大概一两千；我们一出来就"哐哐往下砸"。展会上有同行来问"你有必要这样吗"，我说我们只是想让大家用上更好的东西。这个在硅谷那边影响很大，大家原本没想过触觉传感器二三十美元就能买到，吃一餐饭都比这个贵。

▎AI科技评论：仿真器会不会影响真实世界数据的需求？有些不那么精细的，直接仿真生成？

许晋诚：仿真器很好，但主要用在长尾数据、长尾场景。我们自己也有做，我们有一个组全是物理学博士，做的事情是用非常规范的数学方式去描述这个世界。我们不太叫它仿真器，因为它比仿真器大得多，更像一个真实的世界模型，用来做数据的真活：把长尾情况分析出来，原本要花成本和时间再采的数据就不用采了，一个小时长尾数据就出来。

但它不能作为主要应用，因为主要应用所需真实数据的体量远大于长尾数据。即便它触觉真实性、视觉真实性、力反馈真实性不够，也能补长尾——大约 90% 数据靠真实、10% 可以用仿真。

▎AI科技评论：有些公司 90% 的数据都靠仿真，你怎么看？

许晋诚：我不看好"90% 靠仿真"的做法。算下成本就知道了，仿真除了算力消耗很大，有做仿真数据的公司一年花一两个亿，还有建模成本，很多仿真数据公司在招美术建模师，而建模师建不出真实的物理效果，最大瓶颈是超弹性体：能建出形状，建不出受压后的视觉效果；大部分只能做刚体接触。你花一周建模一个东西，而实采只要去楼下便利店花五毛一块钱就买到了。而且仿真生成的几亿条数据不一定都有效，重复性特别高的会被判为无效（比如只是关节角偏了一下也算一条），而对模型来说数据越不一样越好，所以不要只在一个场景里搞。

▎AI科技评论：数据业务在帕西尼整体战略中的地位是什么？未来帕西尼会成为一家什么样的公司？

许晋诚：我们公司有三个圈：以感知为最中央的核心，向外扩展，先用感知技术采集大量不同的数据（我们俗称"经验值"），基于经验值训练出智能体或模型，再去服务于执行器。这是我们的核心价值。所以数据在我们公司，是除核心感知业务之外非常重要的一块，是中间那一层，是把传感器的附加价值传递出去的最重要的一块。

其实创立帕西尼时我们只服务于一个最大的目的：如何快速让机器人落地到应用场景。为了这个目的要干三件事：

第一，机器人总得对环境信息吸收得足够多，毕竟视觉已经成熟，所以我们要做没人做的接触类信息（触觉感知）；

第二，机器人要在环境里做好工作，经验值很重要，所以去采数据（就是从牙医那件事延续下来的）；

第三，有了好的大脑和感知体系，还得有执行器，所以公司去研发灵巧手。我读博时就在研发灵巧手，2020、2021 年就在做，所以我们也是这个领域里为数不多能做全栈的公司之一，比市面上现在说自己在做灵巧手的公司都更早。

所以回到最初：我们并不是从传感器出发的公司。我们 2015 年就在采数据的路径上，2017 年跟资生堂这类公司合作，执行器也很早就在做。自始至终我们真正做的是一件事：从感知系统，到足够多的经验值，再到好的执行能力，让机器人快速落地。

05

在和许晋诚聊起往事时，他翻出了读书时留下来的一些资料，其中一行字令人尤为印象深刻：

"embodied information laboratory"，这是他所在实验室的名字，甚至还有对应的中文表达——"实体信息学研究中心"。

这意味着，早在2010年前后，许晋诚就接触了类似"具身智能"的概念，并以此为脉络展开研究。也正因如此，当"具身智能"这个名字被正式提出时，他有了一种似曾相识的感觉。

不仅如此，帕西尼现在所做的事，从感知系统、数据工程到执行装置，都可以在他过往经历中找到对应的部分。就像他本人所说："我们做出这些产品的时候，其实并不觉得它们很新鲜，只是过去的成果被产品化了而已。"

因此回过头看，许晋诚能成为一家头部具身智能公司的创始人，或许在他求学时就已埋下伏笔。

正因为他走过具身智能来时的路，所以更清楚未来通往何方。

上车，带你看遍全球 AI 顶会精华

可独家畅览：

专家演讲PPT

大会报告全文

热门论文解读

学术新星访谈

未经「AI科技评论」授权，严禁以任何方式在网页、论坛、社区进行转载！

公众号转载请先在「AI科技评论」后台留言取得授权，转载时需标注来源并插入本公众号名片。