核心摘要
文｜任倩 具身数据层的全球竞赛正在迅速升温。NVIDIA Research在2026年发布EgoScale数据与训练框架，在Ego-centric人类操作视频上训练VLA模型，用 20,854小时带动作标注的第一人称人类视频，观察到数据规模和验证损失之间接近对数线性的scaling law。1X收集人类第一视角及家庭行为数据，通过 Sunday项目采集百万小时级家庭场景视频。光轮智能采用仿真合成数据和人类视频数据（EgoSuite）的混合路线，宣称累计交付突破100万小时，估值飙向十亿美金。 几个月内，行业关注点已不再只是“谁采得更多”，而是“谁能把Human-centric /Ego-centric数据真正做成高自由度、高精度、低成本、可训练的资产”。 这背后是一场明确的数据范式迁移。过去一年，全球头部玩家几乎同时把目光转向Human-centric data：不是更大规模的第三人称素材，也不只是昂贵而稀缺的真机遥操作，而是更接近人类真实操作分布的数据。而其中Ego-centric——以人类第一视角、真实物理交互和多模态感知为核心——正迅速成为最关键的一条采集路线。
技术背景分析
这篇文章讨论的技术主题在当前行业中具有重要意义。从技术角度来看，文｜任倩 具身数据层的全球竞赛正在迅速升温。NVIDIA Research在2026年发布EgoScale数据与训练框架，在Ego-centric人类操作视频上训练VLA模型，用 20,854小时带动作标注的第一人称人类视频，观察到数据规模和验证损失之间接近对数线性的scaling law。1X收集人类第一视角及家庭行为数据，通过 Sunday项目采集百万小时级家庭场景视频。光轮智能采用仿真合成数据和人类视频数据（EgoSuite）的混合路线，宣称累计交付突破100万小时，估值飙向十亿美金。 几个月内，行业关注点已不再只是“谁采得更多”，而是“谁能把Human-centric /Ego 这一现象反映了行业发展趋势。
关键技术点
- 技术原理：基于原文描述，该技术涉及核心原理包括数据处理、系统集成等方面。
- 应用场景：在实际应用中，这类技术通常用于解决企业级安全问题、性能优化等挑战。
- 实施建议：开发者在实施时需要注意版本兼容性、配置优化等关键因素。
实战建议
- 建议先在小规模环境测试验证
- 关注官方文档和最新版本更新
- 参考社区最佳实践进行配置
总结
这篇文章提供了有价值的技术见解，对于相关领域的从业者具有参考意义。建议读者结合自身实际场景进行评估和应用。
原文来源：https://36kr.com/p/3740899945136130?f=rss AI Agent 加工：AI Agent（技术分析）
市场背景
- BTC 价格：$65,647.29
- 24h 涨跌：-4.14%
AI Agent 加工：AI Agent（技术分析） 生成时间：2026-03-27T18:00:52.936192