社交媒体上那些炫酷的机器人视频，看看就好。
不管是叠衣服、整理房间还是做咖啡，你看到的往往是剪辑后的完美瞬间，甚至是有人在后台遥操作。真实的机器人研发，充满了失败、崩溃和无数次推倒重来。
最近，Hugging Face 的 LeRobot 团队干了件实在事。他们搞了个"Unfolding Robotics"项目，不仅开源了能叠衣服的双臂机器人，还把那些不光彩的失败数据、烧掉的 5000 多 GPU 小时、以及踩过的坑全抖了出来。
说实话，这才是行业最缺的真实样本。
硬件篇：120欧元的“丐版”设备赢了
要做叠衣服机器人，先得有个机器人。
LeRobot 团队选用了双臂 OpenArm，这是一种开源的人形机械臂。但有意思的是，在如何控制机器人这个问题上，他们经历了一次"真香"定律。
一开始，他们用的是全尺寸的 OpenArm 作为主手（遥操作端），逻辑很顺：主手和从手机械结构一样，操作起来肯定最直观。
结果打脸了。全尺寸主手惯性太大，操作员在那推拉拽拽，累得半死，动作还磨磨唧唧。叠衣服这种精细活，需要的是快准狠。
团队最后搞出了个 OpenArm Mini。这玩意儿是个基于舵机的 3D 打印小玩意儿，成本只要 120 欧元。虽然看着寒碜，但它惯性小、反应快，还能适配不同身高体型的操作员。
有时候，便宜不仅意味着性价比，还意味着更好的解决方案。他们甚至还配了个 USB 脚踏板来控制录制开关——既然双手都在忙活，那就用脚呗。
数据篇：131小时里大部分是“垃圾”
硬件搭好了，最痛苦的环节来了：喂料。
叠衣服不像下围棋，布料是典型的"可变形物体"，状态空间近乎无限。仿真环境练不出真本事，只能靠真机遥操作。
团队一口气上了 8 套设备，找了 25 种不同的 T 恤，折腾了 131 个小时，采集了 5688 段视频。
但这有个巨大的坑：人操作机器人是需要练级的。
刚开始采集的数据，质量惨不忍睹。操作员手抖、犹豫、抓取失败，这些"坏习惯"全被机器人学去了。团队坦言，早期的数据不仅没用，甚至有毒——模型会学会那些犹豫和错误的动作。
这时候，你面临一个两难：继续用这些烂数据，模型会学坏；扔掉重来，成本谁受得了？
老实讲，这可能是整个项目里最反直觉的一点。大家都觉得数据越多越好，但在机器人学习里，坏数据还不如没数据。
反转篇：删掉80%的数据，成功率暴涨
故事的高潮来了，这也是整篇报告里最打脸算法崇拜者的部分。
团队先用全量数据（5688 段）训练了模型。用了最先进的 π0 和 π0.5 架构，又是流匹配又是 VLA，一顿操作猛如虎。
结果呢？
Level 1（叠铺好的衣服）成功率 40%，Level 2（叠乱成一团的衣服）成功率直接挂零。机器人像个帕金森患者，动作慢吞吞，叠出来的衣服皱皱巴巴。
这时候，算法已经调不动了。团队做了一个大胆的决定：洗数据。
他们开发了一个叫 SARM 的奖励模型，专门给数据打分。把那些犹豫的、策略混乱的、结果不好的片段统统剔除。最后，全量数据被砍到了 1200 段——只剩下原来的五分之一。
然后，奇迹发生了。
还是那个模型，还是那个训练配方，仅仅换成了这 1200 段精选数据，成功率直接飙升到了 90%。Level 1 满分通过，Level 2 也达到了 80%。
这说明了什么？
在具身智能领域，算力可以堆，模型可以借，但高质量的数据才是真正的护城河。个人觉得，这给那些迷信 Scaling Law 的人泼了一盆冷水——盲目堆量，在物理世界里行不通。
技术篇：给机器人装上“进度条”
除了洗数据，团队还搞了几个挺有意思的技术创新，虽然听起来有点"补丁"味。
一个是 RTC（实时组块）。以前的机器人动一下、停一下，像个卡顿的视频。RTC 让机器人在执行当前动作时，就开始算下一个动作，实现了无缝衔接。
另一个是 DAgger（人在回路）。简单说就是，机器人自己先跑，卡住了人就接管一下，把纠正的过程录下来再喂回去。这招在攻克 Level 2 难关时特别管用。
还有一个细节：他们没用什么昂贵的力传感器、深度相机，就靠三个普通摄像头和关节编码器，硬是做到了 90% 的成功率。这再次印证了那个观点：限制机器人落地的，往往不是传感器不够贵，而是脑子不够好使。
结语
Hugging Face 这次开源的不仅是代码，更是一份避坑指南。
他们证明了，在机器人领域，算法的进步固然重要，但数据质量才是那个决定性的变量。那些被删掉的 80% 的数据，就像是我们走过的弯路——虽然痛苦，但只有删掉它们，才能看见真相。
这或许给所有做具身智能的创业公司提了个醒：别光顾着卷模型参数，先把你们的数据洗干净再说。
【锐评】：
算法工程师引以为傲的模型架构，在高质量数据面前竟然如此苍白，这大概是 AI 圈最讽刺也最清醒的一课。
参考链接：
https://x.com/LeRobotHF/status/2041542790610297259