2025年8月6日，黎曼动力宣布与光轮智能、诺亦腾机器人达成战略合作，共同推进面向2026年的百万小时具身智能数据建设。这标志着黎曼动力从单一模型能力突破转向系统化基础设施布局。
百万小时数据目标的具体规模与行业对比：当前主流具身智能数据集规模多在数千小时级别，百万小时将使训练数据量级提升两个数量级，有望显著提升模型泛化能力。
百万小时数据涵盖了视觉、力觉、动作轨迹、交互状态等多模态信息，是构建通用机器人大脑的基础资源。
合作将围绕数据生产、模型训练、评测验证、真机部署反馈四大环节，形成从能力短板定义数据需求到数据回流优化模型的闭环。
相比于传统“数据堆叠”方式，黎曼动力的闭环路径更强调模型能力缺口驱动数据生产，而非盲目扩大规模。
大规模采集通用数据，后验筛选
局限性数据冗余度高，模型能力提升边际递减
模型评估结果反推数据缺口，针对性采集
优势每轮迭代直接面向真实能力短板，效率更高
机器人操作模型要对复杂、开放的真实环境，需要持续获得高质量、多样化并且能够验证的数据。
—— 李阳光，黎曼动力联合创始人
与光轮智能合作聚焦人类行为视频与多模态数据生产，与诺亦腾机器人合作聚焦动作捕捉、力觉反馈与高精度同步数据采集。
EgoSuite平台将围绕Riemann-1.0在移动操作、物体交互、家庭服务和长程任务中的表现，针对性组织数据生产。
诺亦腾机器人提供人体动作轨迹、关节运动状态、接触力觉反馈等数据，重点解决多模态数据时空同步精度问题。
黎曼动力同时推进Riemann-1.0具身世界动作模型与Matrix-Game 3.5交互式世界模型，后者面向长期记忆、持续交互与开放世界模拟。
Riemann-1.0在RoboCasa-365基准测试中以62.6%平均成功率取得第一，领先第二名8.4个百分点。RoboCasa-365是公认极难的家务大考，涵盖365种家庭任务。
面向长期记忆、持续交互与开放世界模拟，与Riemann-1.0形成互补，构建更全面的具身智能基础架构。
通过与光轮智能、诺亦腾机器人的合作，我们希望让模型能力需求更直接地参与数据体系建设，并通过真实部署反馈持续推动模型迭代。
—— 李阳光，黎曼动力联合创始人
百万小时具身数据建设将推动机器人从感知理解走向长期、稳定、可泛化的真实世界交互，为Physical AI落地提供基础设施支撑。
对比行业其他玩家：特斯拉基于真实车队采集数据，谷歌基于大规模机器人集群，黎曼动力则通过与生态伙伴协同，以更轻量方式构建数据闭环。
2026年底完成百万小时数据采集与训练，将构建覆盖数据、评测、模型迭代与真机部署的完整基础设施。届时Riemann系列模型预计将具备更强的泛化能力与真实任务表现。
此次合作体现了具身智能领域从“模型优先”向“数据-模型-验证闭环”的系统化演进趋势。黎曼动力选择与专业数据平台及动作捕捉公司合作，而非自建全部数据采集能力，是一种务实高效的策略。百万小时数据目标虽具挑战，但若执行到位，将大幅缩小实验室模型与真实应用之间的鸿沟。
核心结论黎曼动力通过构建有明确数据缺口驱动的闭环体系，并联合光轮智能与诺亦腾机器人，正在为通用具身智能打造一条可持续迭代的数据飞轮。若2026年百万小时目标达成，有望在真实世界操作任务上实现质的突破，成为Physical AI领域的重要基础设施供应商。