機器人遠端操作資料收集規模化：2026 百萬示範等級的技術與成本現況

作者：默思編輯部　發布：2026-06-19

為什麼需要遠端操作資料

要訓練出能理解「看到這個場景、聽懂這句指令、就能做出對應動作」的機器人基礎模型（如 VLA 模型），需要大量的人類示範資料——由人類透過遠端操作（teleoperation）設備操控機器人完成各種任務，記錄下感測器輸入與對應動作，作為模型的訓練樣本。目前這已經成為機器人基礎模型競賽中，跟算力同樣重要的資源瓶頸。

規模化到百萬示範等級

目前的技術前沿,是把遠端操作資料規模化到百萬筆示範等級。Physical Intelligence 的 pi0 模型、Nvidia 的 GR00T、Google DeepMind 的 Gemini Robotics，這幾個目前最受矚目的機器人基礎模型專案，全部都以百萬示範規模為目標。

兩個代表性的公開資料集

• Open X-Embodiment（OXE）：由 Google DeepMind 聯合 33 個研究機構共同建置，彙集超過 100 萬筆示範片段、涵蓋超過 22 種不同機器人型態，是目前最大的開放式機器人操作資料集。
• DROID：由 13 個機構採用統一的硬體規格（Franka Panda 機械手臂＋3 台相機＋3D SpaceMouse 控制器），在 86 種環境中收集了 76,000 筆示範，涵蓋 564 種任務,強調的是「單一機型、標準化流程」的收集邏輯,跟 OXE 的「跨機型聯邦式資料庫」形成鮮明對比。

實務效率與成本

有經驗的遠端操作員在桌面任務上，使用「主從式」控制系統（leader-follower system）平均每小時可完成 20 到 40 筆成功示範，VR 操作方式約 10 到 20 筆，動覺教學（kinesthetic teaching，直接用手引導機器手臂動作）則只有 5 到 10 筆。2026 年遠端操作資料收集的完全成本，依操作員技術水準與硬體設備不同，每小時落在 118 到 200 美元之間。

2026 年的效率突破方向

業界正在往幾個方向推進效率:讓機器人自己重置工作環境的「自主資料收集」（robot-assisted reset）、可以透過一般網路連線完成的網頁化遠端操作,以及「策略輔助遠端操作」（policy-assisted teleoperation）——讓一個已經部分訓練好的策略先處理簡單的子任務,人類操作員只需要專注處理困難的部分,這個做法能把每項任務所需的人類示範數量降低 5 到 10 倍。

對這個領域的意義

遠端操作資料收集正在從「純人力密集的資料標註工作」，逐漸演變成一套結合自動化、資料工程與機器人硬體的完整產業鏈——這跟早年大型語言模型需要大量人工標註資料，後來逐漸發展出合成資料與自動化標註流程的演進路徑，有相當程度的相似性。