本周，CVPR 2024正在美國西雅圖拉開序幕。今年CVPR論文投稿數再次創下新紀錄，可想而知本屆會議的火熱。

從研究主題來看，具身智能這一大熱點值得關注。

黃仁勛在COMPUTEX大會開幕前夕的演講中預言：AI的下一個浪潮將是物理AI。

即那些理解物理定律的AI機器人，尤其是人形機器人最有可能適應人類所構建的世界。

但隨之而來的問題是，這背后需要海量的數據支持，尤其是人形機器人更為明顯。因為人形機器人面臨的場景多樣，而且這些場景的數據采集不容易。

甚至有業界人士認為，當前具身智能最大的瓶頸就是缺乏數據。

其實不止于機器人場景，無論是構建具有強邏輯的AI模型，還是訓練像GPT-4這樣的大語言模型，都離不開大規模、高質量的數據集。

例如，GPT-4的模型訓練就動用了大約13萬億個tokens的數據集，這無疑是一個天文數字。

在這樣的數據需求下，我們自然會思考：

如此龐大的訓練數據究竟從何而來？

AI行業數據的瓶頸，何解？

基于龐大數據和超高算力的“暴力美學”，是當前生成式人工智能的核心打法，也是以OpenAI為代表的一眾企業的發展關鍵。

簡單來說，在同等條件下，喂的數據越多，人工智能就越強。

海量、優質的數據爭奪已經成為國家和企業間的無聲戰場?；跀底旨夹g形成的通用數據、優質數據壟斷，可能將成為這場數字拓荒當中，后發者無法逾越的天塹。在一定程度上可以說，掌握數據，就掌握了包括人工智能等眾多未來產業的主導權。

但是從真實世界獲取數據是一件困難重重的事。

Google在RT-1項目中的經歷就是一個例證，在雄厚的資金和科研資源支持下，Google團隊歷時17個月，僅收集到13萬條覆蓋700多個任務的機器人數據，這些數據的泛化能力遠未達到預期。

由此可見，獲取真實數據難度大、耗時長、成本高，同時還存在現實世界數據采集在隱私合規和數據安全方面的挑戰，難以滿足人工智能大模型訓練的需求，當前，“百模大戰”如火如荼，頭部企業競相投身人工智能賽道，但有效數據不足，特別是高質量數據短缺，部分領域封閉式的數據生態給人工智能發展帶來了掣肘。如何解決“數據瓶頸”是未來一段時期我們即將面臨——或已經面臨的挑戰。

如何應對挑戰，目前一家利用計算機技術生成數據的服務商非常值得關注，它是群核科技（酷家樂）創新實驗室Koolab孵化出的Coohom Cloud。

群核科技是國內最大的空間設計軟件平臺，Coohom Cloud利用其龐大的室內數據資源，結合高性能的渲染引擎和先進的數據處理技術，為AI行業“投喂”逼真且物理真實的2D、3D室內數據集等產品和服務。

群核科技平臺每天會生成40萬+3D設計方案，并沉淀了約3.6億個3D模型數據，涵蓋家具、電器、生活用品等，在此基礎上，群核科技與包括英國帝國理工大學、美國南加州大學浙江大學等高校聯手推出了多種數據集，為室內環境理解，3D重構，機器人交互等研究提供的強大數據基礎。

在2D圖片渲染技術上，Coohom Cloud利用自研渲染引擎，在多樣化的室內場景中，通過調整相機參數、行徑軌跡、燈光條件等設置進行圖片數據的采集，最終生成RGB、深度、語義、法向、點云等格式的2D數據集。這樣的數據輸出能力，使得Coohom Cloud每天能夠產出30萬組2D數據集，為AI智能體的導航、視覺感知、環境理解等能力提供了充足的訓練素材。

群核科技怎么解？低成本+高質量

成本更低是數據獲取必須要的優點，包括獲取成本和經濟成本，不少企業都在大量燒錢試圖通過海量數據來滿足AI模型訓練需求，高額的投入和預期的不確定性，讓資金的持續投入陷入困境。

為了提供更高性價比的數據服務方案，Coohom Cloud通過自研數據引擎，這是一套專為挖掘數據轉化而設計的高效工具，可以高效的將設計平臺沉淀數據庫轉化為AI訓練的燃料。它不僅能夠定制化輸出針對不同行業所需要的數據集，還能實現室內場景的數字化生成，與NVIDIA Isaac Sim、Unreal Engine、Blender等專業仿真器和渲染引擎無縫對接。

所有流程全部利用計算機技術實現，用戶對于數據的使用會更加便捷和直觀，無需再耗費大量人力物力去采集獲取數據，從而可以將更多的重心放在模型調優上。

當然，數據想要投入商用，除了數據量、成本優勢以外，更需要保證的是高質量，這將決定數據產業的未來發展面有多大。

在這一點上，Coohom Cloud是怎么考慮的呢？

1、物理性質增強

在人形機器人的發展道路上，環境交互能力是其智能化的關鍵。比如自如開關門、精準取放物體、甚至疊放衣物等。

以NVIDIA Isaac Sim仿真平臺項目為例，通過創建一個包含物理屬性的逼真3D環境，讓機器人能夠在虛擬世界中學習如何與物體互動、預測物理事件，甚至在虛擬世界中進行探索和導航。在這樣的虛擬環境中，機器人可以進行無數次的交互測試，無需擔心物理損傷或環境限制，從而大幅降低了訓練成本，同時提高了訓練的安全性和可重復性。

Coohom Cloud正是基于這樣的理念，利用Isaac Sim，Unreal Engine等為代表的的仿真平臺，為機器人訓練提供了定制化的場景和交互模型。這些數據不僅在視覺上逼真，更重要的是，它們具備真實的物理屬性——鉸鏈、滑軌等組件可以進行旋轉和平移，同時模型還擁有真實的密度、摩擦力和彈性等物理狀態信息。這使得機器人能夠在物理真實的虛擬環境下，以極低的成本獲取大量的訓練數據，測試并優化其性能。

2、場景環境增強

在AI的世界里，光線就像是那個決定成敗的細節，特別是在視覺感知任務中，光線條件對AI的識別和分析能力起著至關重要的作用。

拿上文提到的InteriorNet來說，這一大規模多傳感器真實感室內場景數據集，通過提供不同光照環境下的高真實感渲染圖像，展示了環境增強與多樣化在提升AI性能方面的重要性。服務類機器人在面對室內外光線變化時，可能會遇到識別障礙，因此，擁有一個涵蓋廣泛光照條件的數據集對于訓練AI以適應各種環境至關重要。

Coohom Cloud為虛擬室內場景中的每個燈源設定詳細參數，實現個性化的燈光環境控制，讓機器人在不同的光照環境下都能“看”得清清楚楚，學得明明白白。

除了光照條件的多樣性，Coohom Cloud還通過Domain Randomization技術，進一步增強了場景環境的復雜性，就像是給機器人的訓練場來了一場“大變身”。這項功能能夠根據不同的訓練需求，靈活切換模型的表面材質，比如將大理石地面替換為木質地板，調整不同反射效果，從而在虛擬環境中模擬出真實世界的多樣性和復雜性。讓機器人的訓練更加貼近現實，增強了它的適應性和泛化能力。

3、高效標注系統

AI領域中的數據標注是模型性能的關鍵因素，但傳統的人工標注方式勞動密集且耗時。

Coohom Cloud利用先進的合成數據生成技術，可以根據研究者需求定制化分割和標注數據。例如，處理臥室場景的3D模型時，系統能細分為床、枕頭、毛毯等基礎要素，并生成精準語義標簽，提高數據準確性并滿足需求，從而提升模型認知精度。這種方式不僅減少了人工標注工作量，也使研究者能更專注于模型創新和優化，提高數據處理效率，為AI技術發展注入新活力。

此外，在隱私、安全法規等問題上，Coohom Cloud采取的合成數據安全策略亦可以避免接觸任何真實用戶數據，安全審核機制用于檢查數據是否合規，并針對交付使用的數據進行相關授權管理，從而確保數據的安全使用。在生態鏈上，Coohom Cloud也串聯了優秀的設計者和研究者，針對AI需求，開發更高效的工具來促進設計生態向AI前沿融合。

產業級應用時刻，正在到來

可以看出數據服務已經從科研場景逐步走向市場化。也有越來越多玩家選擇加入。

不過在人工智能領域，數據的質量和應用的實際效果比盲目堆砌更為關鍵。那么，Coohom Cloud的海量室內數據集是如何落地到不同的行業場景中的呢？

2022年底，群核科技KooLab與英特爾實驗室、西班牙計算機視覺中心以及慕尼黑工業大學共同打磨的SPEAR智能仿真平臺，面向開發者全面開放，幫助開發人員加快對不同智能機器人的訓練和驗證。

在整個項目中，Coohom Cloud團隊提供超300個場景、超17000個模型，為仿真器的研究提供了數據上的神助攻，讓研究者能便捷的在虛擬環境中測試機器人性能。

英特爾首席科學家Mike Roberts贊嘆Coohom Cloud的高質量數據：

不僅加速了具身智能研究，還為仿真器項目的落地提供了全方位的數據保障。

再以清潔機器人產品為例，在室內為主的業務場景下，積累邊緣場景數據需要大量時間，這會直接影響到C端用戶的產品體驗，因此解決機器人場景邊緣場景問題成了產品提高競爭力的關鍵。

清潔機器人的邊緣場景主要包含一些難以收集的寵物糞便，果殼碎屑等障礙物，特殊狹窄的過道、高反光的地板玻璃以及強暗光環境下的數據等，以前為了采集數據，廠家得組建個數十人團隊，耗時數月，還得外包給第三方，整個過程繁瑣又燒錢，數據質量還不一定達標。

Coohom Cloud的方案，讓企業從模型素材到語義標注，再到數據結構處理全流程把控，為用戶關注的邊緣場景，專門打造特殊的室內虛擬環境，并通過調整光照參數，實現場景多樣性衍生，在45個工作日即生成了數萬組高質量的3D模型數據集和百萬組精細化圖片數據，數據交付即可用，幫助企業大幅減少數據側投入，提高AI項目進度。

當AI大模型和人形機器人成為科技界的熱議話題，數據已然成為了這個時代的核心資產。Coohom Cloud正以其強大的數據生成技術，為AI的多樣化應用需求提供支撐，推動行業向更廣泛的智能化發展邁進。