大晓开源 1700 万帧家庭场景数据集：把日常家务变成机器人的物理世界教材

近日，基于全球首创的具身模型信息密度定律与以人为中心的环境式数据采集方案 2.0，并依托环境式采集引擎 ACE，大晓机器人联合南洋理工大学 S-Lab 重磅开源 L5 级多模态具身物理智能数据集 ACE-Data-0。

通过对真实物理交互、长程任务过程与多模态因果信号的高保真采集和高精度标注，ACE-Data-0 为全球具身模型提供面向泛化、反思与进化的高质量数据底座，推动通用物理智能加速跨越实验验证，走向规模化产业落地。

具身数据的价值不在于规模堆叠，而在于能否高密度记录那些真正改变行动结果的信息；在这一定律下，L1-L2 级数据仅能支撑基础预训练，L3-L4 级数据止步于已知任务的拟合；ACE-Data-0 数据集已迈入 L5 级，深度融入接触压力、自然出现的犹豫与恢复过程，以及真实家庭场景中的开放行为变量，通过桌面尺度与房间尺度两套互补采集系统，将真实家庭环境转化为可持续记录、统一标定和精准同步的具身数据采集场景，让日常生活中的真实交互直接成为机器人学习物理世界的数据来源。

具体而言，ACE-Data-0 包含 1700 万帧视频、200 个任务类别、50 名参与者、2 个真实家庭场景和 7.5 万个交互片段，覆盖原子级人—物交互、长时序家庭场景活动链及人与场景交互。数据同步采集第一人称视频、多视角第三人称视频、全身与手部运动、物体六自由度轨迹、多通道音频与触觉信号，并将全部模态对齐至同一时间线和空间坐标系，完整保留人类感知、行动、接触与环境变化的连续过程。

基于 ACE-Data-0，大晓进一步构建了从底层信号、场景组成要素到具身交互理解的三级评测基准，系统检验模型在接触感知、人体与物体状态恢复、手—物交互理解等关键环节的真实能力。ACE-Data-0 因此不只是一批家庭场景活动视频，更是一套面向模仿学习、世界模型、视觉—语言—动作模型（VLA）、机器人策略学习及人类示范向机器人迁移的具身数据基础设施，为通用物理智能走进真实世界提供更完整、更可扩展的数据底座。

过去几年，视觉语言模型、VLA 和世界模型快速发展，但机器人真正进入物理世界后，仍然面对一个基础问题：应该从什么数据中学习人类的行动能力？打开橱柜、倒水、叠衣服等日常行为，同时涉及视觉、全身运动、手部操作、物体状态、声音、触觉和任务规划。普通视频可以记录发生了什么，却难以准确呈现接触何时发生、力度如何变化、物体怎样运动，以及当前动作与前后任务之间的关系。

现有第一人称视频通常缺少精确的人体、手部和物体状态；动作捕捉数据又多来自理想化实验室，容易缺少自然遮挡、第一人称视角、音频和触觉。大量数据还停留在持续数秒的抓取、放置等单步动作，难以描述真实家庭场景任务中的长期依赖。

因此，ACE-Data-0 不再把活动切割成孤立短片，而是连续记录感知、行动、接触和状态变化，让不同模态共同描述同一个物理过程。其重点可以概括为：完整感知、长时序任务、多模态同步。

反常识的判断是：具身智能落地的最大瓶颈不是模型架构，而是家庭场景的高质量数据 — 普通视频无法记录「接触何时发生、力度如何变化」，而机器人要学会叠衣服、倒水这些动作，必须看到接触细节。L5 级数据集的出现意味着机器人从「能演示」到「能干活」的拐点正在到来。

另一个反常识观察是：具身数据的「信息密度」比「规模」更重要 — 7.5 万个交互片段、1700 万帧视频看似数据量不大，但每条数据都包含接触压力、自然犹豫与恢复过程、7 类模态对齐，这种「一次采集等于普通视频一千次」的高密度数据才能训练出真正可用的机器人。

对国内具身智能创业者的启示是：2026 年具身智能竞争的关键变量是数据质量，不是模型规模。能持续采集家庭场景高密度数据、并把数据转化为训练信号的团队，会在下一轮具身智能浪潮中建立壁垒。

创业找资源，上乌鸦部落。