编者按

在具身智能加速落地的当下，“模型”与“算力”之外，数据正悄然成为决定技术迭代速度与能力边界的真正变量。多模态、高复杂度的数据挑战面前，拼装而成的传统方案已显乏力。

本文从 OceanBase AI 湖库的实践视角切入，系统拆解具身智能数据管理的四重困境，并展示如何以统一底座重构数据管理逻辑，打通从采集入库、处理加工、检索快照到训练供给的完整闭环，为行业构建高效、智能的数据基础设施提供可落地的参考路径。

本文作者为 OceanBase 互联网与 AI 科技行业解决方案负责人半涯，全文共 2587 字，阅读约需 5 分钟。

过去两年，具身智能行业讨论最多的词是“模型”和“算力”。VLA、世界模型、扩散策略，一轮接一轮的技术叙事让整个行业兴奋不已。但真正跑过具身模型训练的人都知道，最让人头疼的往往不是模型结构本身，而是数据。

数据，是具身智能走向真实世界的关键底座，也是决定模型迭代效率与能力边界的底层变量。

一台机器人在真实场景里跑一小时，产生的是多路摄像头视频、深度点云、关节角度、力触觉信号、IMU、语言指令，以及一连串带有时间戳的动作轨迹。这些数据格式各异、时间轴需要对齐、标注成本极高。

而当每个企业同时运行几十台甚至上百台机器人，同时还在进行遥操作采集、EGO 采集和仿真生成的时候，数据量会以令人生畏的速度膨胀。

大部分具身团队起步时，数据底座是拼出来的：对象存储放原始文件，关系库管元数据，向量库存 embedding，标注平台单独建设，训练脚本直接从文件系统遍历、筛选、读数据。

这套方案在数据量小的时候能用，但当数据量跨过某个阈值，四个断层会同时出现：

第一，多模态数据被割裂在不同系统里。 视频在对象存储，点云在另一个桶，关节状态和轨迹在 HDF5/Parquet，标签和元数据在关系库。一次“找出所有抓取失败且涉及透明物体的任务片段”的查询，需要跨三四个系统手工拼接。

第二，元数据和内容脱节。 你知道有一个视频文件，但你不一定知道它对应哪个任务、哪台机器人、哪个场景、成功还是失败。元数据散落在标注工具的输出、采集日志和某个工程师的 JSON 文件里，无法形成可检索的数据资产。

第三，训练读取成为 GPU 瓶颈。 具身数据大、读取模式复杂，如果底层存储没有为训练场景做优化，GPU 会在数据加载上大量空转。算力越贵，空转越致命。

第四，采集和训练之间没有闭环。 模型在哪些场景失败、需要补什么数据、上一轮采的数据到底用上了没有，这些信息无法系统性地反馈给采集端。结果是重复采集、盲目标注、迭代靠直觉。

这些问题叠加在一起，就是行业里说的“端到端数据与模型衔接断裂”。

随着具身智能行业数据拐点的来临，原始的组合方案已经无法满足海量具身智能数据的存储和检索需求。

行业需要的，是一个能在同一套引擎里统一管理结构化与多模态数据、支持跨模态混合检索、并且能按训练需求高效供给数据的底座。

OceanBase AI 湖库正是为此而生。结合多模态数据处理与开发平台，旨在装下一切形态的数据。

核心创新“AI 多模表”，可在单张表中存储标签、元数据以及视频、音频、图片等大文件，并内置向量化嵌入存储能力，无需额外组件即可实现多模态数据的统一存储与语义化管理。

OceanBase 以“半全栈式”开放理念承接这一底座：训练之前的所有数据环节（采集入库、处理加工、检索快照、训练供给）在一套底座内完整包下。同时以一体化交付，技术生态、算子业务、部署模式全面开放，确保用户易用顺滑、可升级、不被绑定。

数据采集与入库

OceanBase AI 湖库以三层架构实现统一存储：

底层存算分离，数据存对象存储、计算独立伸缩，应对突发负载；

中层的 AI 多模表统一结构化、半结构化、非结构化及多模态数据，单表可存标签、元数据、视频/音频/图片等大文件，并内置向量嵌入能力，为语义检索打基础；

上层开放计算，统一支持 SQL（OLTP/OLAP/AI 搜索）、Spark ETL、Daft on Ray AI 加工，多引擎共享同一份数据，实现湖库一体。

对具身数据而言，这意味着一段遥操作采集的视频、对应的关节角度序列、语言指令，以及该片段的场景标签和成功/失败标注，可以全部放入同一行数据中统一管理，无需再跨系统做 ID 映射和时间对齐。

数据处理与加工

OceanBase AI 湖库算子平台为具身行业提供数据规整与质量治理能力。

数据入库后，平台通过 AI 湖库引擎完成元数据提取、规整、标注与质检，并将处理结果回写至多模态表，形成数据治理闭环。

平台既提供视频元数据提取、图片元数据提取、图片格式转换、图片文本向量化嵌入等开箱即用的通用算子，也提供面向具身智能的 MCAP/视频 meta 数据提取、VLM 自动打标、人工达标、自动数据质检、具身任务分片达标、长视频子任务截取、多传感器时序关联等行业特定算子，同时支持用户托管自有算法算子，与标准算子联动编排，底层基于 AntRAY 引擎提升任务容错性与资源调度效率，从而降低多模态数据处理的落地成本。

数据检索与快照

OceanBase 统一混合检索与 Datastudio 能力，为具身行业提供训练数据精准筛选与实验可复现助力。

具身团队最消耗人力的环节之一，是从海量数据中筛选出适合当前训练目标的那一小部分。

OceanBase 支持向量、全文、标量、GIS 的统一混合搜索：先用结构化条件（机器人型号、任务类型、成功/失败）过滤，再用向量相似度召回视觉或轨迹相似的片段。

比如“找出所有在厨房场景中、涉及透明容器的抓取失败片段，且视觉特征与这组已知困难样本相似”——这类查询在拼装架构里几乎不可能实时完成，在统一底座上是一条 SQL。

同时，通过 Datastudio 组件，可利用多模态查询接口（标签或自然语言）灵活检索特定场景数据；并支持数据快照功能，锁定特定时间点的数据集以保障训练一致性。

训练供给

OceanBase ACache 训练加速与高吞吐读取能力，为具身行业提供 GPU 不空转助力。

筛选后的数据通过ACache 加速供给 GPU 进行预训练或后训练，实现从采集到训练的完整数据闭环：

ACache 训练加速：针对模型训练中高昂的 GPU 成本，消除存储    IO 瓶颈，确保 GPU 资源在 7×24 小时内保持高利用率，可灵活部署于各类训练环境，服务于本体公司、大脑模型公司及数据公司；

高吞吐并行读取：具身数据读取模式复杂，OceanBase 的存算分离架构和列式存储能力，使大规模训练数据集的随机读取和顺序扫描可高效并行——对于长周期训练任务，数据供给的稳定性直接决定了 GPU 的利用率。