具身智能（Embodied AI）正在成为 AI 领域最受关注的方向之一。要让机器人像人类一样理解并操作物理世界，模型离不开海量、高质量、贴近真实的操作数据。但真实世界操作数据面临数据稀缺、采集困难、标注昂贵、格式混乱、训练低效等困境。

穹彻智能（Noematrix）是国内具身智能领域的头部厂商，聚焦多本体的“数据—训练—部署”全链路基础设施。在穹彻的技术体系中，“伴随式数据采集”是一项关键创新——通过手持式通用操作接口（UMI，Universal Manipulation Interface）等设备，让人无需真机、在自然操作中就能产出大量训练数据。而这些数据中最具价值、也最难处理的一类，就是UMI 手持夹爪采集数据：一只搭载广角（鱼眼）相机的手持夹爪，在人手自然操作中同步记录第一视角视觉画面、末端 6DoF 位姿轨迹与夹爪开合状态，天然携带了“手-物体”操作的精确视觉与动作上下文，是模仿学习最通用的 manipulation 先验。

想象一下：研究人员拿着一个手持设备（UMI）做各种动作——拿起杯子、翻转物体、打开抽屉。设备上的鱼眼相机记录下多视角画面，同时记录夹爪的位置、姿态、开合状态。这些数据对训练机器人非常宝贵，但要变成模型能"吃"的训练数据，中间隔着四道难关：

• 位姿恢复——计算密集型任务。手持采集没有外部动捕设备，需要从鱼眼视频中用视觉SLAM算法重建夹爪的6DoF位姿轨迹。视频一多，算力需求成倍膨胀。
 • 相机标定——重度依赖算力。手持夹爪多用大广角鱼眼镜头，画面严重畸变且缺乏标定信息。需要先做鱼眼去畸变，再估计焦距与相机内外参，同样是逐帧处理的重计算任务。
• 动作分割——人工成本高、周期长。连续操作中，一个原子动作何时结束、下一个何时开始，难以人工界定。同时需要自动质检轨迹是否在机器人关节限位内，还要给每个片段配上自然语言指令（如"拿起杯子"）。靠人工切分、校验与标注，成本高、周期长，根本无法规模化。
• 数据量极大——单机扛不住。数百小时视频叠加去畸变、SLAM位姿重建、VLM标注等多重处理，单机算力根本无法承载。而且链路长、任务耗时久，任何一个环节中断都可能让整批处理前功尽弃。

从这些难关指向四个工程诉求：能够按需扩缩、扛住高负载的数据处理框架；覆盖周期调度、批量重跑与手动触发等多场景的编排框架，调度整条数据产线；数据产线的每条数据、每个任务的血缘都需要可追溯；围绕 AI 全生命周期的训推平台，并与数据平台无缝衔接。

破局：跑在云上的 UMI Data+AI Pipeline

穹彻智能联合阿里云，基于 MaxCompute（MaxFrame）+ DataWorks + Hologres + PAI 构建端到端自动化 UMI 数据处理产线，将原本依赖人工、单机跑批、容易中断的流程，变成稳定运行、弹性扩展、全程自动的工业化生产线。

（穹彻智能 UMI Data+AI Pipeline 架构图）

MaxCompute MaxFrame 重构数据生产链路

MaxFrame 作为 MaxCompute 上的分布式 AI 计算引擎，为产线提供弹性算力与自定义镜像：数百小时视频的多重处理任务被拆分到分布式资源，GPU 承担 SLAM 位姿重建与 VLM 多模态推理，CPU 负责去畸变、切分、时间对齐、质检、动作计算与导出。SLAM、鱼眼去畸变、位姿重建等第三方模型以 DataFrame 算子形式分布式运行，无需为上云重写算法。

原生 AI Function 让产线直接在数据处理链路中调用 VLM、LLM、Embedding 等大模型。语义标注环节使用原生 QwenVL 为动作片段生成语言指令，无需自建推理服务，即可低成本完成大规模批量多模态推理。

每个处理阶段独立落表，支持断点续跑；单个视频片段失败只记录、不阻塞全局；通过 OSS 挂载、镜像预热与 GPU 显存复用，保障长时间大批量任务稳定运行。最终输出符合 LeRobot 标准的数据集：data/ 存放逐帧 state（10 维）与 action（10 维）Parquet，videos/ 存放原子动作 MP4，meta/ 以 JSONL 记录语言指令，可被 LeRobotDataset 直接加载并对接 pi0、GR00T、OpenVLA 等主流 VLA 模型。

DataWorks 统一调度编排

DataWorks 提供企业级智能调度能力：精细化周期调度支持分/时/日/周/月/年及自定义日历，支持多任务复用同一日历；一键式补数据支持历史回溯与重算，可选择独立容器资源组、按并发分组快速回刷；多元化触发支持 API/Webhook/消息中间件事件驱动及人工手动触发；异常修复支持自动重试、AI 诊断与基线延迟预警，保障数据按时产出。

Hologres 支撑 episode 元数据服务

MaxCompute MaxFrame 离线产出标准数据集后，Hologres 作为实时数仓承接 episode 元数据，为样本检索、标注/审核、训练数据管理、任务统计等业务系统提供统一在线入口。这一层聚焦在线数据服务：既要支撑高并发、低延迟的条件检索，又要让离线产线持续写入的新数据实时可见。

Hologres 的行列共存存储与实时写入能力，天然适合"高并发点查 + 持续写入"的一体负载，无需另建 KV 或搜索引擎。写入侧批量同步 episode 并按样本维度增量更新训练元信息；读取侧支持精确点查与多条件组合检索，跨多张元数据表灵活关联。读写统一省去在线库与分析库之间的数据搬迁，保证一致性与实时性。

PAI 加速模型迭代

PAI 将模型开发、分布式训练、性能调优与仿真验证几个环节衔接起来。LeRobot 数据集产出后，研发人员在 PAI-DSW 中挂载数据与自定义镜像完成调试与小规模验证；配置稳定后迁移至 PAI-DLC 开展多卡分布式训练；最终通过 PAI-EAS 加载模型、数据与评测配置，针对数据标注、轨迹质量、动作稳定性和场景泛化等维度验证。

针对 LingBot-VLA 训练链路，性能 Profile 显示热点集中在 Attention 计算。PAI-TurboX 结合实际计算图评估优化空间：FlashAttention 路径评估计算路径、QKV 布局及上下游算子；FlexAttention 路径启用自动调优，按输入形状选择更优 Kernel；针对动态 Attention Mask 分析重复编译及编译等待影响；结合数据预处理、序列打包、CPU 与 DataLoader 调度持续定位端到端等待与空转。收益通过同条件 A/B 测试确认，排除 Warm-up 与首次编译后比较稳态吞吐、Step Time、GPU 利用率、显存占用及训练指标一致性。

评测结果反馈至数据筛选、训练参数和模型结构调整，形成"数据生产—模型训练—性能调优—部署评测—结果反馈"的持续迭代闭环。

成果与展望

合作落地后，穹彻智能在多个维度获得实质改变：

• 数据处理全程"自动驾驶"，吞吐提升 10 倍以上，全流程无人工干预 • 多模态标注实现大规模自动打标 • 弹性算力峰值扩展至 10 万+ CU，绕开本地 IDC 扩展瓶颈 • 模型训练效率提升约 50%

本次合作验证了具身智能"数据-模型"全链路可以自动化、规模化跑在云上。当数据不再是瓶颈，模型迭代持续提速，机器人的能力边界就有了新的想象空间。未来双方将继续深化在世界模型等前沿场景的联合创新，推动"具身智能，丰富现实世界"愿景落地。

关注阿里云Agent Native数据实战录，用数据实践驱动企业Agentic智能进化

了解本期方案详情（链接https://help.aliyun.com/zh/maxcompute/user-guide/maxframe-overview-1?spm=a2c4g.11186623.help-menu-27797.d_2_6_3_0.51e325fa9g29fc&scm=20140722.H_2592896._.OR_help-T_cn~zh-V_1）