HOMIE Gen2全新发布！解锁人类经验的Scaling Law

机器人没有迎来 GPT 时刻，关键缺口不在模型，而在于可以规模化的经验。Ropedia 以 HOMIE Gen2 为入口，为世界解锁 Physical AI 的 Experience Scaling Law，让人类经验成为具身智能的核心生产力。

Ropedia 最新发布的 HOMIE Gen2

机器之心获悉，总部位于新加坡的 Physical AI 公司 Ropedia 今日正式发布新一代多模态采集系统 HOMIE Gen2，并将在全球多地公开发售。这是该公司十二个月里的第四代采集硬件，也是继今年 3 月旗舰数据集 Xperience-10M 之后的又一次公开发布。

据了解，HOMIE Gen2 要做的，是把真实世界里的人类经验，规模化地变成机器人可以直接学习的训练数据。Ropedia 将这背后的判断，称之为 Human Experience Scaling Law：机器人能力，将随着高质量人类经验的规模化增长而持续提升。

为什么是 “经验”，而不是普通的数据？Ropedia 联合创始人兼 CEO 陈昭熹有一个直观的比喻：“学做一道菜，只看别人做的视频，你可能知道最后成品长什么样；但真正亲手做过，才会知道什么时候下锅、该用多大力、食材发生了什么变化。” 对机器人来说也是一样：它真正需要学习的，不只是 “看见” 发生了什么，还要同步感知动作、环境与外界反馈的变化，并理解自己的每一个动作如何影响环境。如果说过去十余年 AI 的规模化进步建立在模型规模与数字数据规模之上，那么 Physical AI 下一阶段需要解决的，就是现实世界经验的规模化 —— 这也正是 Ropedia 一直在做的事情。

「读了万卷书，却没走过一里路」：机器人缺的不是模型，而是经验

现在的 AI 有一种奇怪的分裂。感知模型可以准确理解场景，讲出一套流畅的冲咖啡教程；生成式模型可以合成一段以假乱真的冲咖啡视频；可一旦进入物理世界，同样的智能却常常连一次可靠的抓取都完成不了。能听懂指令，也能想象画面，为什么就是做不好？

Ropedia 联合创始人兼首席科学家，南洋理工大学副教授刘子纬在近期一场公开演讲中给出了他的解释：“AI 读过一切，却几乎没有经历过任何事情。它从未真正冲过一杯咖啡，自然也不知道该怎么做。”

这也是 Ropedia 对 Experience Scaling Law 的核心判断：缺的不是更大的模型，而是可供学习的完整经验。

刘子纬教授在新加坡演讲的现场照片

「采的不是画面，而是经验」：Ropedia 的一个核心判断

在 Ropedia 看来，学习来源定义了智能的上限，而经验不是视频，也不是 RGB、动作捕捉或深度中的任何单一模态，甚至不是把它们简单地叠在一起；只有当动作、意图、环境、时序上下文与多模态信息同时在场、互相对齐，一段记录才称得上真正的人类经验。

放到模型的视角，这条定义会更直观：语言模型学习的是人类写下的内容，而 Physical AI 要学习的，是人类做了什么、世界如何回应，以及接下来发生了什么。竞争的焦点，也随之从「采得够不够多」转向「采得够不够完整」。

就在不久前，Generalist AI 发布了具身基础模型 GEN-1.5：把几秒钟的人类演示放进上下文，机器人不经重新训练就能上手新任务，这被称为 physical prompting，演示即提示。它证明经验片段可以像提示词一样直接驱动模型，而提示有多准确、包含了多少信息，决定了模型能学到多少。把普通视频当作提示，模型无法将动作与现象建立联系，物理技能淹没在像素中，全景全模态的经验则相当于把物理世界的 “思维链” 写出来，模型理解物理因果就容易得多。所以在 Ropedia 看来，谁能够持续、高质量地获取、组织并交付人类经验，谁就拥有下一阶段 Physical AI 的核心竞争力。HOMIE Gen2 正是为此而来。

「一台为采集经验而生的设备」：HOMIE Gen2 的三个关键词

HOMIE Gen2 佩戴示意图

三个关键词，概括来看：

• 沉浸式人类经验：4 目全景 360° + 4 路空间音频全覆盖，采下的不只是画面，还有人与任务、环境之间的完整关系；
• 丰富的多模态理解：十余种模态在同一时间轴、同一坐标系，共同还原一次完整的人类行为；
• 开箱即用的训练级数据：空间定位相对误差约千分之二，深度误差 <2.5%，手部动捕误差 4.68 mm，动作语义准确率 96%，拿到即可进入训练，无需二次处理。

HOMIE Gen2 的三个关键词

① 沉浸式人类经验

HOMIE Gen2 通过 4 目全景实现 360° 全视角覆盖，并以 4 路空间音频补充声场信息，形成与第一视角行为同步的环境记录。这里的「沉浸式」，重点不在画面更宽，而在于尽可能保留一次真实行动发生时的上下文。

硬件本身也为 “随时随地采经验” 做好了准备：整机约 380g，支持约 13 小时连续采集，多传感器之间的同步精度达到 50µs，不需要任何外部布置，可以在家庭、工厂、商场等开放环境里全天候、自然地工作。

据 Ropedia 介绍，相比上一代方案，它的部署速度提升约 10 倍，采集成本约为过去的 1/12.5；多台 HOMIE Gen2 还可以同步作业，从不同的人、不同的视角记录同一个环境，把一个场景一次性采全。

Ropedia HOMIE GEN2 Demo

② 丰富的多模态理解

机器人理解世界，从来不靠单一传感器。以 HOMIE Gen2 为入口，Xperience 体系提供了一份完整的多模态清单：校正后的 pinhole 双目视频、深度图、相机位姿、手部 21 关键点、全身 52 关键点、Main task / Sub task / Current action 三层文本标注、3D 高斯、场景 Mesh、2D 物体检测、3D 检测感知与 4D 物体跟踪。

关键不只是模态数量，而是这些信息被统一到同一时间轴和同一坐标系中：不同传感器看到的是同一次动作、同一处环境、同一个时刻，模型才能把 “看见什么、做了什么、环境如何变化” 对应起来。

③ 开箱即用的高精度训练级数据

客户最终拿到的不是原始数据，而是经过采集、同步、重建、标注与质量控制、可以直接进入模型训练的数据。

据 Ropedia 基于 HOMIE Gen2 Gold Standard Sample Dataset（金标准样本集）的精度测试：空间定位平均绝对误差仅为千分之二，深度范围误差低于 2.5%，手部 21 关键点动捕平均误差 4.68 mm，动作语义标注准确率 96.0%。

在 Ropedia 的定位里，产品的价值在于帮客户建立稳定、持续的数据生产能力，而不是做一次性的采集工具。

「几十亿人，就是最大的采集网络」：无本体采集如何改写数据的成本结构

经验要从哪里来？传统的答案是遥操作：一个人配一台机器人，逐条示范动作。这条路线的问题出在成本结构上：机器人本体价格高昂，数据产能又被锁死在机器人保有量上，场景多样性也随之受限。机器人数据之所以长期稀缺且昂贵，其根源就在于此。

无本体采集改写的，正是这个成本结构：遥操作的数据产能，绑定在机器人保有量上；而 HOMIE 的数据产能，绑定在人类数量上。

这意味着数据产能不再直接受机器人保有量约束。公开研究已经表明，即便只用单摄像头采集的第一视角视频，从两万小时扩展到百万小时，数据规模扩大仍能持续带来收益。但这只是 “经验” 的最低配：既然最低配已经显示出规模效应，上限就取决于谁能把经验采得更完整。

其实最庞大的采集队伍早就存在，就是每天都在与物理世界打交道的几十亿人。用刘子纬教授的话说：“人类不是要被过滤掉的噪声，而是最能理解丰富的物理世界的老师。”

「十二个月，四代硬件」：从 3D 打印的 “竹蜻蜓”，到 Human Experience Engine®

为什么一家数据公司要从硬件做起？Ropedia 的回答是：采集那一刻丢掉的信息，后续任何算法都补不回来，硬件决定了整套体系的数据上限。过去十二个月，他们据此把采集设备迭代了四代。

2025 年 6 月，团队用 3D 打印结构件搭出第一台第一视角采集原型机，称之为 “竹蜻蜓”；同年 10 月，R-Ego 改进相机布局与头戴结构，完成第一笔硬件销售；2026 年 1 月，HOMIE Gen1 走向产品化，支撑了今年 3 月 Xperience-10M 的发布；而今天发布的 HOMIE Gen2，不仅仅是一台更好的采集设备 —— 它让人类经验的大规模工业化生产成为可能。

据 Ropedia 介绍，凭借这条路线，他们成为业界首家推出专用第一人称空间数据采集设备的公司。在他们的定义里，这系列产品不属于相机，也不属于常规意义上的穿戴设备，而是一个新的品类：Human Experience Engine®。它位于物理世界与基础模型之间：向下感知真实世界，中间把原始信号加工成完整经验，向上以可训练的形式交付并验证。

硬件迭代时间线图（“竹蜻蜓” 原型 → R-Ego → HOMIE Gen1 → HOMIE Gen2）

「不做数据商，要做基建方」：Ropedia 的经验飞轮要通向哪里

真实世界的经验，没办法像网页一样被爬取：大多数物理经验从未被记录，传感器与环境高度异构，采集需要硬件、人员和现场运营。刘子纬教授对此的判断很干脆：“如果经验是稀缺资源，那么就必须有人把它工业化。”

正因如此，在 Ropedia 的产品体系中，HOMIE 只是入口。据陈昭熹介绍，Ropedia 在构建的，是一套会自我演进的基础设施，自下而上分为三层：硬件采集经验，数据基础设施加工经验，模型理解经验并反哺整个系统，最终以 Xperience Dataset 的形式向客户交付。

Ropedia 自研的自我演进基础设施

在这三层里，硬件是入口；数据基础设施用智能体驱动的流水线，把处理从手工调参推进到自动化；模型层则在自有数据上训练统一多模态模型，既自动标注新流入的经验，也部署回硬件，为下游策略模型提供能力。

这套体系已经有了可检验的产出。此前发布的旗舰数据集 Xperience-10M，包含约 1,000 万个真实世界交互片段、1 万小时带音频的第一视角视频、28.8 亿个 RGB 帧、5.76 亿个动作捕捉帧和 35 万个物体，总规模接近 1PB。

这些环节最终合上，成为一个闭环：采集、结构化、模型、行动、学习，模型的能力缺口，反过来决定下一轮采集什么。“数据集可以被复制，但经验飞轮会不断复利。” 刘子纬这样解释。

这个越转越快的飞轮，最终把 Ropedia 带向哪里？CEO 陈昭熹对公司的定位很清晰：“Ropedia 绝不只是一家数据采集公司，数据采集只是第一步。” 在他看来，人类行动数据会先于机器人的大规模部署到来，正是点燃行业新时代的 “点火阶段”；三到五年后，他希望 Ropedia 成为一家机器人学习基础设施公司，涵盖数据、硬件、基础设施与模型。

刘子纬教授对行业的判断与此呼应：“不要只是构建更大的大脑，而要构建更好的经验闭环。” 如果说互联网数据解锁了大语言模型的智能，那么规模化的人类经验，将解锁 Physical AI 的智能。而 HOMIE Gen2，会是一个重要的里程碑。

机器人的经验百科全书，从 Ropedia 开始书写。

文章来自于微信公众号 “机器之心”，作者 “机器之心”