（来源：创业邦）
作者丨漫地
编辑丨子钺
图丨手亿科技创始人兼CEO许展玮
图源丨手亿科技
一次请师傅上门清洗空调时，手亿科技创始人兼CEO许展玮突然想到一个问题：机器人究竟该向谁学习与物理世界交互的能力？
一个熟练的空调清洗工人，拆装、清洗的动作看似顺手，背后却包含对工具、空间和不同机型的理解。相比让机器人在固定场地里反复搬动物体，许展玮更在意这些真实工作中积累的操作经验。
要把经验变成训练数据，首先得解决一个问题：采集设备不能妨碍人干活。许展玮为此借用了自动驾驶的思路——在正常行驶的汽车上增加传感器，前提是不能影响司机驾驶。
手亿科技选择轻量化腕带方案，结合多传感器和算法，在保留自然动作的同时，提高对手部位置和操作过程的记录精度。
数据生意不只是卖设备或堆小时数。在许展玮的设想里，需要把采集方案、数据清洗管道与模型验证能力连接起来，建设具身智能领域的基础设施。
许展玮毕业于清华大学自动化系，研究方向为模式识别与手部重建算法，长期聚焦手部姿态估计与人机公司也一样。采集有不同方式，技术有不同路径，不能只看到别人正在做什么，还要判断下一步应该往哪里走。把人才聚在一起，也需要围绕有价值的问题发挥作用。交互。2025年博士毕业后，他赴深圳创业，并于同年7月创立手亿科技，将公司定位为具身智能领域的数据与模型基础设施公司。公司最初研发面向AR眼镜的腕带式手势交互设备，随后将技术拓展至具身智能数据采集，致力于把人类真实操作经验转化为机器人可学习的训练数据。
目前，手亿科技已完成三轮融资，获英诺天使、千乘资本、深天使、阿童木创投等10余家机构支持。
2026（第二十届）DEMO CHINA期间，创业邦与手亿科技创始人兼CEO许展玮，进行了一次对话。以下为对话实录。
01先把手跟住机器人才能学会精细操作
创业邦：具身智能的数据采集方案很多，手亿为什么把重点放在手部？
许展玮：第一视角数据，也就是 Ego 数据，对场景和移动过程的理解有价值，但机器人真正进行操作，核心还是要用手。我们希望先解决操作数据采不到、采不准、采不好的问题，从末端操作切入。
手部跟踪是一个很重要的难点。单纯依赖头部视角，很难同时解决 tracking 和 ReID，也就是持续跟踪和重新识别、确认身份的问题。
这和人的日常行为有关。比如我们交谈时，眼睛看着对方；看屏幕时，视线又在屏幕上，手并不会一直位于第一视角画面的中心。人有本体感知能力，不用一直盯着手，但摄像头不能因此就准确记录手的全部运动。
创业邦：多放几个镜头，能不能解决这些问题？
许展玮：增加镜头后，可能又会看到很多人的手，需要判断哪一只才是要跟踪的。人在日常操作中会遮挡，手会离开画面，再回到画面时，怎么确定它还是原来那只手、保持身份一致，这件事很难。
它既是学术问题，也是需要不断优化的工程问题。我们的思路是：在手部增加一个腕带式设备，帮助保持跟踪稳定性，再结合不同视角和多模态数据，提高定位精度。
创业邦：这种精度对模型训练有什么具体意义？
许展玮：我们通过空间轨迹估计、传感器融合等方法，提高对手部位置的记录精度，目标是把误差做到毫米级。一个直接价值是接触判断。手到底有没有碰到物体，位置差一点，判断就可能不一样，这对训练很重要。
另一个价值是末端约束。很多操作最终关注的是手在什么位置、怎么完成动作。如果末端信息足够准确，结合合适的约束和算法，也能帮助还原其他关节，尤其是上半身的动作。但这不意味着只需要手部数据，我们仍然需要头部等位置提供空间参考，以及多个模态共同支撑。
创业邦：机器人下一阶段更需要突破抓取能力，还是理解任务的能力？
许展玮：这是两个不同层面的智能，都需要数据。
一层是灵巧操作。比如我已经知道要拿什么、怎么拿，接下来要准确抓起来，或者把手指放进剪刀的指环完成操作。这涉及操作模型和本体感知。
另一层是大脑层面的理解和决策。比如请一位阿姨打扫卫生，我们通常不会把每一步动作都告诉她，只会说明要做什么、希望最后是什么效果，剩下的路径规划和对场景的理解，由她自己完成。
机器人既要会操作，也要理解任务、规划过程，这两类能力都需要相应的数据支撑。
02采集不能耽误干活，腕带要留下真实的专家动作
创业邦：手亿的采集方案，最重要的设计原则是什么？
许展玮：在创业前，我们就认定，采集这件事应该尽可能无感。这个判断来自自动驾驶的经验。
自动驾驶采集真实数据，一个重要方式是在正常行驶的汽车上增加传感器，司机照常开车，把路况和操作记录下来。它能够成立的前提，是传感器不能影响正常驾驶。
具身智能也是一样。如果采集设备影响了人的操作，导致工作效率下降，一方面很难让人持续使用，另一方面采到的也不再是原本自然、熟练的动作。
创业邦：为什么你们选择腕带，而不是手套等方案？
许展玮：我们希望保留真实操作时的动作和处理方式。有些穿戴方案会限制动作，让某些事情做不了。所以我们选择类似手表的轻量化腕带，尽量减少对操作的影响。
前段时间搬家，我请师傅来清洗空调。看着他的操作，我想到，这只是一个型号，里面已经包含很多需要学习的动作。机器人应该学习这些熟练的、专家级的操作经验，而不只是让人在固定场地里把一个东西搬来搬去。
越是这样的专家，时间越宝贵。如果因为戴上设备，工作效率下降，这个采集方式就很难成立。
图：手亿科技的头戴与腕带，图源手亿科技
图：手部姿态实时重建演示，图源手亿科技
创业邦：腕带具体怎样记录这些动作？
许展玮：每个设备上有多颗镜头，以及运动等多种传感器。采集多个模态的数据后，通过标定、高精度算法和相关框架，把空间位置等信息对应起来。
我们关注的是整个采集方式与后续重构的配合。精细操作既需要整体视角，也需要局部视角。人可以通过转头、转腰调整观察位置，但机器人硬件的颈部、腰部自由度和响应方式不同，所以怎样配置视角、怎样减少信息损失，都需要考虑。
创业邦：操作者还需要额外完成标注、整理等工作吗？
许展玮：我们的思路是，让人戴着设备正常做事，后续的数据切片、标注等交给后台处理，而不是把这些额外工作交给操作者。
这要求后台有比较好的识别模型和处理能力。团队过去在相关算法和学术研究上的积累，可以用于这些环节。采集不是只有前端硬件，还需要后台把数据处理成能够使用的形式。
03真实工厂里的熟练动作，可能超出模型团队的想象
创业邦：数据业务推进过程中，最大的困难是什么？
许展玮：一个很大的困难是，有时客户自己也不完全清楚需要什么样的数据。
我们早期和头部客户交流，对方给出过一百多个场景、一千多个任务的需求。我们一方面按照需求采集，另一方面也去和真实流水线上的工作人员合作，接触包装、质检、缠线圈等实际工种。
把这些数据交给算法团队后，他们会发现，有些场景和操作是自己之前没想到、但确实很需要的。我们现在也在推动和制造业企业合作，把真实的操作经验沉淀成数据资产。
创业邦：人类操作数据是不是主要用于预训练，真机数据主要用于后训练？
许展玮：不能这样简单、机械地区分。模型架构和训练方法还在变化，预训练、中训练、后训练用什么数据，更多要看数据质量以及匹配效果。
我们会对数据分层、做质检。大量数据可以用于预训练，因为这个阶段需要场景和任务足够丰富。但真实商用场景下的第一视角数据，也可以用于中训练，甚至后训练。
比如一个工种是给不同包装缠绕线圈，包装型号不同，操作位置也不固定，不能简单用一套固定动作完成。工人长期做同一个工种，每天遇到的局部任务又有所不同，这类数据就很适合用来训练更具体的操作能力。
图：产线工人佩戴采集，图源手亿科技
创业邦：您怎么看合成数据能否补上目前的数据缺口？
许展玮：从我们交流和观察的情况看，短期内有两个难点：成本和质量。
大家容易低估合成数据的成本。如果依赖复杂架构和大量算力，生成长时间操作数据的成本，未必比采集真实第一视角数据更低。传统物理渲染原本有游戏等应用背景，画质提升也不等于一定满足机器人训练的要求。
质量方面，即使先不考虑成本，现在的视频生成也很难自动生成连续一小时、甚至更长时间，并且符合物理世界操作规律的完整数据。长视频通常仍然需要拆解，并由人参与大量构建工作。
所以，我对它短期内填补大规模操作数据缺口比较谨慎。用于构建仿真环境、做测评，可能有它的价值，但和训练所需要的常规数据、长尾情形，不能完全等同。
04数据不按小时打包卖，而要让客户找到需要的那一段
创业邦：目前和哪些类型的客户在推进合作？
许展玮：目前接触和推进的有大型产业生态公司，它们有自己的业务和场景，把具身智能看作新的增长方向，需要数据；也有具身模型相关公司，以及机器人本体公司。
本体公司在具体场景落地时，会有更明确的数据要求，对精度也可能要求更严格。我们也在与制造业企业、大型数据集团推进合作，涉及数据基础设施、平台和交易等方面的建设。
创业邦：合作是以卖设备为主，还是直接交付数据？
许展玮：合作方式很多。有的客户需要设备及后续相关能力；有的希望得到交钥匙方案，从设备、采集到平台、模型验证，都希望一起解决。
还有的客户标准很明确，比如需要某个场景的一千小时数据。如果我们已有这些数据，或者合作伙伴能够提供，就可以直接交付。不同客户会有不同的合作方式。
创业邦：积累的数据越来越多之后，怎样提高交付效率？
许展玮：很重要的一件事，是数据资产的分层和检索。
假设有十万小时数据，对模型公司来说，传输、存储和使用都不是小投入。客户未必希望把全部数据打包拿走，更希望先把数据分好层、能够检索，传输时也可以按需要分块。
比如物流相关客户，可能只需要物流场景，那就找到并购买相应的数据。另一些客户希望模型的泛化能力更强，就可能需要更多场景，每类场景的数据量不一定特别大，但要能快速组合起来。
关键是交付方式不能只有整体打包。
创业邦：数据分层的依据是什么？
许展玮：我们自己有模型，可以从模型侧评估数据，也能从系统侧看精度，再结合具体场景匹配客户需求。这样效率会更高。
可以把它类比为一个平台：客户根据需求搜索，找到适合自己的东西。不同客户可能找到重叠的数据，也可能需要完全不同的组合。
创业邦：同一批数据如果对其他客户也有价值，能否重复使用？
许展玮：这需要具体协商。比如客户希望数据暂时不要公开，过两三年再公开，也可以谈。不同合作有不同的约定，不能简单用一种方式处理。
图：Dexwise_Hub数据平台，图源手亿科技
05数据质量影响模型天花板，比订单更重要的是持续做对判断
创业邦：外界容易把手亿科技理解成一家采集设备或数据公司，你们怎样定义长期位置？
许展玮：我们一直把自己定位为具身智能领域的基础设施公司。基础设施不只是硬件，而是相关的整套基础能力。
先从采集和数据切入，是因为创业需要面对真实、规模足够大的需求。先解决数据有没有，再解决质量高不高。当数据积累到一定体量，再继续推进后续的评估、处理和场景应用。
所以，我们想做的是类似供应链的基础设施，而不是只停留在某一款采集硬件。
创业邦：越来越多公司进入这个赛道，您最看重的竞争力是什么？
许展玮：需求大，会吸引更多玩家，但每家公司仍然要有自己的不同。
大家可能低估了数据业务的技术和研发难度。我最看重的，不只是交付量和订单量，还有人才建设，以及对技术发展方向的判断。技术不断迭代，需要有人持续做研发，持续理解模型和数据之间的关系。
数据不是终点，最终要服务模型。如果便宜一些的数据质量较低，影响模型性能的上限，模型公司未必愿意为了节省一点成本去接受。对他们来说，模型性能下降几个点，可能就是很大的问题。
创业邦：这种技术判断具体体现在哪里？
许展玮：它和做学术研究有相似之处。读博士时，要选择一个好的课题，判断它有没有价值、能不能继续发展。做的过程中，可能这一篇还没完成，就已经想到下一篇该研究什么。
公司也一样。采集有不同方式，技术有不同路径，不能只看到别人正在做什么，还要判断下一步应该往哪里走。把人才聚在一起，也需要围绕有价值的问题发挥作用。
