# 「零真机数据」站得住吗：深朴 HiFi-UMI 的 2 万小时与 3 毫米
> 深朴智能说它的 Omni-Simple-World 模型「预训练与后训练全程未使用任何一条真机数据」。这句话在技术上是成立的，但在传播上极其容易被读歪——它绕开的是机器人本体，不是真实世界。
### TLDR
- **融资与发布同日**：2026 年 9 月 3 日，深朴智能（Simple AI）宣布完成数亿元 Pre-A+ 轮，同时披露无本体数据生产引擎 HiFi-UMI。
- **引擎规模**：已处理超 **2 万小时**、**432 万段**操作数据，覆盖 **480 多个**场景；同步开源 **2000 小时**的 HiFi-UMI-2K 数据集。
- **硬件配置**：每只手上下两枚超广角鱼眼相机，加头部双目共 **6 路视觉**，单腕水平视场角约 **200°**、垂直超过 **200°**。
- **精度数字**：手写轨迹实验中末端轨迹误差约 **3 毫米**，全程不依赖任何外部定位设备（企业自述，单一信源）。
- **那句最容易读歪的话**：Omni-Simple-World 模型「预训练与后训练全程未使用任何一条真机数据」，准确含义是**零本体数据**，不是零真实数据。
- **2 万小时放在行业里是多大**：对照业内测算的「国内合规可用真实物理交互数据仅 50 万小时」，它约占 4%。
### SRC
融资与技术细节来自机器人前瞻（公众号 robot_pro）2026 年 9 月 3 日报道，为目前唯一的详细中文信源，属单一信源；文中所引 HiFi-UMI 处理时长、段落数、场景数、视场角、轨迹误差、开源数据集规模，以及 Omni-Simple-World 模型「全程未使用任何一条真机数据」的表述，均为深朴智能方面对外披露的企业自述，未见第三方复现或独立评测。文中关于「UMI 本体无关数据」的行业定义，参照了深圳市《推动智能机器人产业高质量发展工作方案（2026—2028 年）》及深圳「具宝盆」项目公开材料中的同类表述，用于交叉验证概念口径而非验证具体数字。截至抓取时（2026-09-04），未见 HiFi-UMI 的技术报告、论文或开源仓库链接的公开地址。
### BODY
1先拆那句话
「零真机数据」到底绕开了什么
深朴智能对自己模型的描述是：Omni-Simple-World 的预训练与后训练全程未使用任何一条真机数据，纯粹基于 HiFi-UMI 高保真无本体数据学习。
这句话在技术上站得住，但它绕开的那个东西，名字很容易被听错。
所谓「无本体」（UMI，Universal Manipulation Interface 这一路线的延伸），指的是采集时不依赖完整的机器人本体——不需要一台真机器人站在那儿被遥操作，而是让人戴上轻量设备（头戴相机、腕部相机、手持夹爪）直接在真实场景里干活，把人的操作过程录下来。
三种理解，两种是错的概念口径校验
错解 A
「不需要真实世界的数据，纯靠生成」
——错。HiFi-UMI 采集的正是人在真实场景里的真实操作，属于真实物理交互数据。
错解 B
「不需要人了，全自动」
——错。无本体采集恰恰更依赖人，只是把人从「操作机器人」解放成「直接操作」。
正解
「绕开了机器人本体这个采集载体」
——对。省掉的是本体折旧、场地与遥操损耗，不是真实世界的物理交互本身。
深圳市《智能机器人产业工作方案（2026—2028 年）》与「具宝盆」项目材料中对 UMI 的官方定性也是「本体无关具身数据」，强调「不绑定任何硬件、一次采集多方复用」——与本文口径一致。
判断：把「零真机数据」理解成「零真实数据」，是这轮传播里最危险的一次滑移。它一旦成立，读者会顺理成章地推出「以后训练机器人不用下真场景了」——而无本体采集的真实价值恰恰相反：它是为了让人可以在更多真实场景里、以更低成本采集，本质是把采集门槛从「有一台机器人」降到「有一双手」。
2硬件与数字
6 路视觉、200° 视场角，和那个 3 毫米
HiFi-UMI 的硬件配置有一个很明确的设计取向：在每只手部配置上下两枚超广角鱼眼相机，再加上头部双目，一共 6 路视觉。单腕的水平视场角约 200°、垂直视场角超过 200°。
HiFi-UMI 已披露参数均为企业自述，单一信源，2026-09-03
| 项目 | 数值 | 口径说明 |
|---|
| 累计处理时长 | 超 2 万小时 | 引擎已处理，非单批次 |
|---|
| 操作段落数 | 432 万段 | 与时长为同一批数据的两种统计口径 |
|---|
| 覆盖场景数 | 480 多个 | 未披露场景分类标准 |
|---|
| 视觉通道 | 6 路 | 每手 2 枚鱼眼 + 头部双目 |
|---|
| 单腕视场角 | 水平约 200° / 垂直 > 200° | 超广角带来的畸变校正负担未披露 |
|---|
| 末端轨迹误差 | 约 3 毫米 | 手写轨迹实验，不依赖外部定位设备 |
|---|
| 开源数据集 | 2000 小时 HiFi-UMI-2K | 约占累计处理量的 10% |
|---|
3 毫米这个数字最容易被过度解读。它出自「手写轨迹实验」——一个高对比度、轨迹连续、目标明确的特定任务，不能直接外推到通用操作精度。
关于那个 3 毫米，需要补两句技术背景。手写轨迹实验的价值在于它是轨迹精度的天然标尺：笔尖走的是一条连续且可精确复现的曲线，重建出来的轨迹和真实轨迹之间的偏差可以被干净地量化。这类实验通常被用来验证采集系统的时空一致性，而不是操作能力。
换句话说，3 毫米说明的是「这套设备把人的手部运动记录得有多准」，不是「机器人按这份数据能操作得有多准」。中间还隔着本体适配、动力学可行性裁剪和力控重建三道关。
3量级
2 万小时在行业里算什么水平
把 2 万小时放进大盘看，会得到一个更清醒的位置感。据基元智航 CEO 高少龙的表述（北京日报 2026-09-04 报道），行业普遍认为训练通用型具身智能机器人需要 100 亿小时多场景真实交互数据，而国内合规可用的真实物理交互数据仅有 50 万小时。
数据规模的量级对照对数感受，非等比
2 万小时约占国内可用存量的 4%；而 100 亿小时的目标量级是这根满格条的 20000 倍，图中无法按同一比例画出。
这个对照既能说明 2 万小时不算小，也能说明它对整个行业缺口而言仍是零头。更重要的是：这 2 万小时是单一公司、单一设备体系产出的数据，其格式、坐标系、标定方式都绑定在 HiFi-UMI 上。它能喂饱自家模型，但能否被其他团队直接复用，取决于数据标准是否开放。
开源 2000 小时（约占总量的 10%）是一个值得注意的动作。按同一批报道，HiFi-UMI-2K 曾登顶 Hugging Face Daily Papers 日榜第一。开源十分之一、保留十分之九，是数据集换社区影响力的标准配比。
判断：对做本体或做集成的团队来说，这份数据集真正的价值不在那 2000 小时本身，而在于它定义了一种数据格式。如果你的采集体系能在格式层与它对齐，你就有机会把自采数据也接入同一条训练链路；如果不对齐，2000 小时对你只是 2000 小时。选型时先看格式，再看体量。
4场景那一段
酒店 POC 是最容易做成、也最难算清账的一类
本体的落地侧，深朴的「小朴」在 2026 年 5 月底进入中旅旗下北京丽都维景酒店首批试点，处于 POC 阶段，聚焦客房服务、公共区域巡检、物品配送、基础清洁四类任务。公司称结合记忆增强的智能体框架，小朴可完成送洗衣物这类完整超长程家务流程，以及柔性纸杯叠放这类高干扰精细操作。
酒店场景的四笔账面向准备接同类项目的团队
频次
客房配送有波峰波谷，峰值集中在退房/入住两小时，闲时设备闲置
替代成本
被替代的多为低薪岗位，人力节省的绝对值有限，回本周期被拉长
长尾
客人行为不可预测——拦电梯、拽手臂、临时改需求，脚本写不完
验收
POC 看演示效果容易过，看连续运行 30 天的成功率才算真验收
第三笔账最贵。酒店与工厂最大的差别是：工厂里的干扰是物，酒店里的干扰是人，而且人不会按你的脚本出错。
这与我们做商演项目时的经验是同一类问题：观众会突然伸手、会挡住定位标、会在机器人动作范围内穿行。区别在于，商演的干扰有时间边界（一场 30 分钟），酒店的干扰是全天候的。
本文的边界
本文全部具体数字（2 万小时、432 万段、480 多个场景、6 路视觉、200° 视场角、3 毫米误差、2000 小时开源）均来自深朴智能 2026 年 9 月 3 日对外披露，经机器人前瞻单一信源转述，
未见技术报告、论文或开源仓库地址，属企业自述口径，请按单一信源对待。文中「100 亿小时需求 / 50 万小时存量」为基元智航 CEO 高少龙在行业内的估算表述，同样是单一信源且为估算值，非统计口径数据。
本文对「无本体」「UMI」概念的界定，参照深圳市官方文件中的同类表述进行口径校验，但
不意味着深朴的具体技术参数获得官方背书。
解读时间：2026-09-04。