2026-04-25
遙控資料引擎——為何 ALOHA-2 與 GELLO 是新訓練語料庫
具身 AI 卡在雙手操作資料。$35K 的 ALOHA-2 每天可收集 50 小時。$300 的 GELLO 便宜 100 倍但較慢。本文說明 2026 年運作遙控示範資料工廠的實務現況。
語言基礎模型的瓶頸在開放網路爬蟲，操作基礎模型的瓶頸則是雙手遙控示範。沒有「人手拿杯子」的 Common Crawl，只有你一條一條人工蒐集出來的軌跡。兩個硬體平台已成事實標準。
ALOHA-2——雙臂量產規格
Stanford 的 ALOHA-2 是低成本（相對工業機器人）的雙手遙控平台。配置兩支由人手操控的引導臂、兩支跟隨臂（即「機器人」），加上高解析度腕部相機與俯瞰場景相機。單台零件成本約 $35,000，已成嚴肅操作研究的入場費。
實際買到的：高品質、低延遲的雙手資料，含同步影像、關節角度、夾爪狀態。受訓操作員每天每台可產出 6-8 小時可用示範（原始蒐集時間更高，重點是可用率，因為失敗嘗試需過濾）。
2026 年多數已發表 VLA 論文（RT-3、π0.5、GR00T N2）的微調資料都用 ALOHA-2 或衍生。ALOHA-2 資料格式已成事實交換標準。
GELLO——$300 的替代方案
GELLO 是個聰明點子：不用昂貴引導臂，改用 3D 列印的跟隨臂運動學複本加便宜編碼器。你用手移動 GELLO 模型，跟隨臂就鏡像跟著動。單台零件 $300-500。資料品質低於 ALOHA-2（無力回饋、精細運動精度差），但擴張成本便宜 100 倍。
GELLO 適合的場景：擴張到數十名操作員，或操作任務簡單（抓取放置、開抽屜）。不適合：手術級精度任務或接觸密集操作（剝皮、切削、組裝）。
Open X-Embodiment 2.0 資料集中 GELLO 蒐集約 30%、ALOHA-2 約 50%、其餘 20% 為工業機器人示範。
標註危機
很少公開討論的部分：蒐集已不再是瓶頸——標註才是。一台 ALOHA-2 每天產出約 50 GB 多模態資料。品質審查（過濾失敗嘗試、切分任務邊界、標註子任務）每蒐集 1 小時需要人工 4-6 小時。
2026 年運作遙控資料工廠的多數團隊有 5-10 倍未標註資料積壓。實務解法：
- VLM 當審查者：GPT-5 或 Claude Sonnet 4 審影片片段品質。減少人工審查 60-70%，但需要謹慎 prompt 工程與抽查。
- 自監督標註：用潛在表徵（V-JEPA-2 特徵）對軌跡分群，標一群、傳播。重複任務有效，多樣資料失效。
- 直接少標：跳過子任務標註，端到端訓原始軌跡。VLA 夠大時可行，失去可解釋性。
2026 年的成本經濟學
今天起步開操作研究實驗室：
- 一台 ALOHA-2 + 一名全職操作員 + 兼職標註員 ≈ $250K/年。 產出每年 ~1,500 小時可用示範，足以微調基礎 VLA 在 2-3 個專門任務上。
- 5 台 GELLO + 5 名操作員 ≈ $400K/年。 產出每年 ~6,000 小時較廣但較雜的資料，適合貢獻基礎模型預訓練。
- 直接買既有資料集（Open X-Embodiment 2.0、RH20T、BridgeData V2） 是理性起點。下載 $0，但大家都用同一份資料訓，無競爭護城河。
實戰筆記
- 操作任務涉及接觸力時不要從 GELLO 起步。沒力回饋的痛要 200 小時後才會浮現。
- 操作員選拔比公開承認的更重要。熟手每小時產出可用資料是新手的 3-5 倍。薪資要照這標準。
- 相機擺位是 ALOHA-2 設置中最爭議、最不標準化的部分。腕部相機 + 俯瞰相機是安全預設。
- 最快出成果的方式：投稿 Open X-Embodiment 3.0（投稿截止 2026 年 6 月）。你的資料會被未來 2 年每篇 VLA 論文使用。
Q3 觀察清單
- ALOHA-3（傳言：腕部活動度更佳、目標砍半成本）
- GELLO-2 加選力回饋模組（$600 加購）
- DeepMind RT-X 工業級遙控平台（預期 $80K）
- 用 VLM 當品質審查的開源標註管線