HOMIE Gen2全新发布!解锁人类经验的Scaling Law

新加坡Physical AI公司Ropedia正式发布新一代多模态采集系统HOMIE Gen2,以4目全景360°、十余种模态同步采集与开箱即用的高精度训练级数据,将人类经验规模化为机器人可直接学习的训练数据,推动Physical AI的经验规模化落地。
机器人没有迎来 GPT 时刻,关键缺口不在模型,而在于可以规模化的经验。Ropedia 以 HOMIE Gen2 为入口,为世界解锁 Physical AI 的 Experience Scaling Law,让人类经验成为具身智能的核心生产力。

Ropedia 最新发布的 HOMIE Gen2
机器之心获悉,总部位于新加坡的Physical AI 公司 Ropedia 今日正式发布新一代多模态采集系统 HOMIE Gen2,并将在全球多地公开发售。这是该公司十二个月里的第四代采集硬件,也是继今年 3 月旗舰数据集 Xperience-10M 之后的又一次公开发布。
据了解,HOMIE Gen2 要做的,是把真实世界里的人类经验,规模化地变成机器人可以直接学习的训练数据。Ropedia 将这背后的判断,称之为Human Experience Scaling Law:机器人能力,将随着高质量人类经验的规模化增长而持续提升。
为什么是 “经验”,而不是普通的数据?Ropedia 联合创始人兼 CEO 陈昭熹有一个直观的比喻:“学做一道菜,只看别人做的视频,你可能知道最后成品长什么样;但真正亲手做过,才会知道什么时候下锅、该用多大力、食材发生了什么变化。” 对机器人来说也是一样:它真正需要学习的,不只是 “看见” 发生了什么,还要同步感知动作、环境与外界反馈的变化,并理解自己的每一个动作如何影响环境。如果说过去十余年 AI 的规模化进步建立在模型规模与数字数据规模之上,那么 Physical AI 下一阶段需要解决的,就是现实世界经验的规模化 —— 这也正是 Ropedia 一直在做的事情。
「读了万卷书,却没走过一里路」:机器人缺的不是模型,而是经验
现在的 AI 有一种奇怪的分裂。感知模型可以准确理解场景,讲出一套流畅的冲咖啡教程;生成式模型可以合成一段以假乱真的冲咖啡视频;可一旦进入物理世界,同样的智能却常常连一次可靠的抓取都完成不了。能听懂指令,也能想象画面,为什么就是做不好?
Ropedia 联合创始人兼首席科学家,南洋理工大学副教授刘子纬在近期一场公开演讲中给出了他的解释:“AI 读过一切,却几乎没有经历过任何事情。它从未真正冲过一杯咖啡,自然也不知道该怎么做。”
这也是 Ropedia 对 Experience Scaling Law 的核心判断:缺的不是更大的模型,而是可供学习的完整经验。

刘子纬教授在新加坡演讲的现场照片
「采的不是画面,而是经验」:Ropedia 的一个核心判断
在 Ropedia 看来,学习来源定义了智能的上限,而经验不是视频,也不是 RGB、动作捕捉或深度中的任何单一模态,甚至不是把它们简单地叠在一起;只有当动作、意图、环境、时序上下文与多模态信息同时在场、互相对齐,一段记录才称得上真正的人类经验。
放到模型的视角,这条定义会更直观:语言模型学习的是人类写下的内容,而 Physical AI 要学习的,是人类做了什么、世界如何回应,以及接下来发生了什么。竞争的焦点,也随之从「采得够不够多」转向「采得够不够完整」。
就在不久前,Generalist AI 发布了具身基础模型 GEN-1.5:把几秒钟的人类演示放进上下文,机器人不经重新训练就能上手新任务,这被称为 physical prompting,演示即提示。它证明经验片段可以像提示词一样直接驱动模型,而提示有多准确、包含了多少信息,决定了模型能学到多少。把普通视频当作提示,模型无法将动作与现象建立联系,物理技能淹没在像素中,全景全模态的经验则相当于把物理世界的 “思维链” 写出来,模型理解物理因果就容易得多。所以在 Ropedia 看来,谁能够持续、高质量地获取、组织并交付人类经验,谁就拥有下一阶段 Physical AI 的核心竞争力。HOMIE Gen2 正是为此而来。
「一台为采集经验而生的设备」:HOMIE Gen2 的三个关键词
HOMIE Gen2 佩戴示意图
三个关键词,概括来看:
- 沉浸式人类经验:4 目全景 360° + 4 路空间音频全覆盖,采下的不只是画面,还有人与任务、环境之间的完整关系;
- 丰富的多模态理解:十余种模态在同一时间轴、同一坐标系,共同还原一次完整的人类行为;
- 开箱即用的训练级数据:空间定位相对误差约千分之二,深度误差 <2.5%,手部动捕误差 4.68 mm,动作语义准确率 96%,拿到即可进入训练,无需二次处理。

HOMIE Gen2 的三个关键词
① 沉浸式人类经验
HOMIE Gen2 通过 4 目全景实现 360° 全视角覆盖,并以 4 路空间音频补充声场信息,形成与第一视角行为同步的环境记录。这里的「沉浸式」,重点不在画面更宽,而在于尽可能保留一次真实行动发生时的上下文。
硬件本身也为 “随时随地采经验” 做好了准备:整机约 380g,支持约 13 小时连续采集,多传感器之间的同步精度达到 50µs,不需要任何外部布置,可以在家庭、工厂、商场等开放环境里全天候、自然地工作。
据 Ropedia 介绍,相比上一代方案,它的部署速度提升约 10 倍,采集成本约为过去的 1/12.5;多台 HOMIE Gen2 还可以同步作业,从不同的人、不同的视角记录同一个环境,把一个场景一次性采全。

Ropedia HOMIE GEN2 Demo
② 丰富的多模态理解
机器人理解世界,从来不靠单一传感器。以 HOMIE Gen2 为入口,Xperience 体系提供了一份完整的多模态清单:校正后的 pinhole 双目视频、深度图、相机位姿、手部 21 关键点、全身 52 关键点、Main task / Sub task / Current action 三层文本标注、3D 高斯、场景 Mesh、2D 物体检测、3D 检测感知与 4D 物体跟踪。
关键不只是模态数量,而是这些信息被统一到同一时间轴和同一坐标系中:不同传感器看到的是同一次动作、同一处环境、同一个时刻,模型才能把 “看见什么、做了什么、环境如何变化” 对应起来。
③ 开箱即用的高精度训练级数据
客户最终拿到的不是原始数据,而是经过采集、同步、重建、标注与质量控制、可以直接进入模型训练的数据。
据 Ropedia 基于 HOMIE Gen2 Gold Standard Sample Dataset(金标准样本集)的精度测试:空间定位平均绝对误差仅为千分之二,深度范围误差低于 2.5%,手部 21 关键点动捕平均误差 4.68 mm,动作语义标注准确率 96.0%。
在 Ropedia 的定位里,产品的价值在于帮客户建立稳定、持续的数据生产能力,而不是做一次性的采集工具。
「几十亿人,就是最大的采集网络」:无本体采集如何改写数据的成本结构
经验要从哪里来?传统的答案是遥操作:一个人配一台机器人,逐条示范动作。这条路线的问题出在成本结构上:机器人本体价格高昂,数据产能又被锁死在机器人保有量上,场景多样性也随之受限。机器人数据之所以长期稀缺且昂贵,其根源就在于此。
无本体采集改写的,正是这个成本结构:遥操作的数据产能,绑定在机器人保有量上;而 HOMIE 的数据产能,绑定在人类数量上。
这意味着数据产能不再直接受机器人保有量约束。公开研究已经表明,即便只用单摄像头采集的第一视角视频,从两万小时扩展到百万小时,数据规模扩大仍能持续带来收益。但这只是 “经验” 的最低配:既然最低配已经显示出规模效应,上限就取决于谁能把经验采得更完整。
其实最庞大的采集队伍早就存在,就是每天都在与物理世界打交道的几十亿人。用刘子纬教授的话说:“人类不是要被过滤掉的噪声,而是最能理解丰富的物理世界的老师。”
「十二个月,四代硬件」:从 3D 打印的 “竹蜻蜓”,到 Human Experience Engine®
为什么一家数据公司要从硬件做起?Ropedia 的回答是:采集那一刻丢掉的信息,后续任何算法都补不回来,硬件决定了整套体系的数据上限。过去十二个月,他们据此把采集设备迭代了四代。
2025 年 6 月,团队用 3D 打印结构件搭出第一台第一视角采集原型机,称之为 “竹蜻蜓”;同年 10 月,R-Ego 改进相机布局与头戴结构,完成第一笔硬件销售;2026 年 1 月,HOMIE Gen1 走向产品化,支撑了今年 3 月 Xperience-10M 的发布;而今天发布的 HOMIE Gen2,不仅仅是一台更好的采集设备 —— 它让人类经验的大规模工业化生产成为可能。
据 Ropedia 介绍,凭借这条路线,他们成为业界首家推出专用第一人称空间数据采集设备的公司。在他们的定义里,这系列产品不属于相机,也不属于常规意义上的穿戴设备,而是一个新的品类:Human Experience Engine®。它位于物理世界与基础模型之间:向下感知真实世界,中间把原始信号加工成完整经验,向上以可训练的形式交付并验证。

硬件迭代时间线图(“竹蜻蜓” 原型 → R-Ego → HOMIE Gen1 → HOMIE Gen2)
「不做数据商,要做基建方」:Ropedia 的经验飞轮要通向哪里
真实世界的经验,没办法像网页一样被爬取:大多数物理经验从未被记录,传感器与环境高度异构,采集需要硬件、人员和现场运营。刘子纬教授对此的判断很干脆:“如果经验是稀缺资源,那么就必须有人把它工业化。”
正因如此,在 Ropedia 的产品体系中,HOMIE 只是入口。据陈昭熹介绍,Ropedia 在构建的,是一套会自我演进的基础设施,自下而上分为三层:硬件采集经验,数据基础设施加工经验,模型理解经验并反哺整个系统,最终以 Xperience Dataset 的形式向客户交付。

Ropedia 自研的自我演进基础设施
在这三层里,硬件是入口;数据基础设施用智能体驱动的流水线,把处理从手工调参推进到自动化;模型层则在自有数据上训练统一多模态模型,既自动标注新流入的经验,也部署回硬件,为下游策略模型提供能力。
这套体系已经有了可检验的产出。此前发布的旗舰数据集Xperience-10M,包含约 1,000 万个真实世界交互片段、1 万小时带音频的第一视角视频、28.8 亿个 RGB 帧、5.76 亿个动作捕捉帧和 35 万个物体,总规模接近 1PB。
这些环节最终合上,成为一个闭环:采集、结构化、模型、行动、学习,模型的能力缺口,反过来决定下一轮采集什么。“数据集可以被复制,但经验飞轮会不断复利。” 刘子纬这样解释。
这个越转越快的飞轮,最终把 Ropedia 带向哪里?CEO 陈昭熹对公司的定位很清晰:“Ropedia 绝不只是一家数据采集公司,数据采集只是第一步。” 在他看来,人类行动数据会先于机器人的大规模部署到来,正是点燃行业新时代的 “点火阶段”;三到五年后,他希望 Ropedia 成为一家机器人学习基础设施公司,涵盖数据、硬件、基础设施与模型。
刘子纬教授对行业的判断与此呼应:“不要只是构建更大的大脑,而要构建更好的经验闭环。”如果说互联网数据解锁了大语言模型的智能,那么规模化的人类经验,将解锁 Physical AI 的智能。而 HOMIE Gen2,会是一个重要的里程碑。
机器人的经验百科全书,从 Ropedia 开始书写。
文章来自于微信公众号 “机器之心”,作者 “机器之心”
Related topics
After reading
Join the AINRK community
Read how to join the community and connect with people working in AI.




