多模态基础模型能借助互联网规模的图文数据学习“看”和“说”，但具身智能需要把观察、物理状态与动作绑定起来，无法直接复制这条路径。这篇工作提出“数据金字塔”，试图用统一框架解释机器人训练数据从哪里来、如何组合，以及不同配方可能支撑什么能力。

五类数据源如何互补

作者归纳了五类来源：真实机器人数据、UMI 风格数据、第一与第三视角数据、仿真数据，以及通用视觉—语言数据。框架的主轴是可扩展性与机器人对齐之间的张力，并以数据质量、多样性、可复用性和物理保真度描述每类来源。重点不是给出简单的优劣排序，而是说明不同来源提供的监督信号并不等价，需要按训练目标互补使用。

从数据规模转向数据配方

论文进一步从数据配方审视近期具身基础模型：预训练时选择哪些数据，如何完成对齐，又如何混合。讨论覆盖具身“大脑”模型、视觉—语言—动作模型和世界—动作模型，并将数据组成与感知、推理、规划、动作生成及世界预测能力联系起来。作者还列出六个开放问题：大规模触觉数据，失败与恢复数据，可扩展采集流水线，跨具身形态的动作对齐，利用第一视角数据训练灵巧操作，以及更有原则的数据配方设计。

我的判断

这项工作的主要价值，是为具身数据工程提供一套共同语言：团队可以据此检查训练集究竟偏向规模、机器人对齐还是物理真实性，也能更清楚地讨论混合不同数据的目的。它更适合作为领域地图和配方设计框架，而不是直接可执行的最优方案。从摘要信息看，尚无统一实验数字可用于比较不同配方的实际收益，因此不能据此断言某类数据源或某种混合方式必然更优；具体选择仍需结合机器人形态、任务目标与采集成本验证。