数据越多≠决策越好：从无人机滑翔到多机器人通信，重新审视数据与信息的关系 | IROS 2026

决定智能上限的从来不是数据的绝对规模，而是数据的质量与信息密度。 作者丨岑峰 在生成式 AI 浪潮下，机器人社区正经历从传统控制向端到端学习的范式大迁徙。如同许多领域一样，这里也弥漫着一股对数据规模的迷信，深信“数据越多越智能”是通往通用具身智能的唯一坦途。 然而，在刚刚结束的 IEEE/RSJ 智能机器人与系统国际会议（IROS）上，昆士兰大学主力脚说 Jen Jen Chung 在主旨演讲中，结合自己十余载的研究案例，给出了一个发人深省的结论： 并非所有数据都是平等的，盲目堆砌数据甚至会导致系统崩溃与策略失能。 Chung 教授在演讲伊始便直击核心观点： 海量数据并不等同于高信息量 。坐拥海量数据却一无所获的例子比比皆是，因为许多数据根本无法帮我们真正理解问题的本质。在迈向通用自主系统的道路上， 决定智能上限的从来不是数据的绝对规模，而是数据的质量与信息密度 。 在她科研生涯的起点无人机自主滑翔课题中，Chung 教授就深刻体会到了“探索是有代价的”。若想让固定翼无人机像鸟类一样自主利用上升气流，必须消耗宝贵的能量去探寻未知的状态-动作空间。这迫使她思考：何时收集数据？如何收集数据？盲目、均匀地采样不仅浪费资源，甚至可能拖慢学习进程。 这一系列的早期研究让她意识到： 数据价值并非均质分布，按需采集的高价值信息远胜于海量无差别的冗余观测。 这种对数据价值非均质性的深刻洞察，在分布式多机器人系统中显得尤为关键。当研究对象从单体扩展到多机协作，面对受限、衰减且具有高延迟的真实通信信道，“随时随地向所有节点全量广播所有数据”不仅不切实际，甚至可能导致灾难性的网络拥堵。 在此场景下，Chung 教授提出了衡量数据共享价值的唯一金标准—— “掌握了这一项信息，能否引发行为决策的改变？” 基于此，她的团队引入了极具创造性的核心逻辑： 传输最关键的信息，而非全部的数据。 在演讲中，Chung 教授展示了一系列案例，完美诠释了如何在带宽开销与数据保真度之间实现精妙的杠杆平衡。 演讲最后，Chung 教授将矛头指向了当前机器人学最热的端到端策略学习范式，直面“房间里的大象”。在复杂的富接触装配任务中，即便为机械臂喂入了海量多模态数据（视觉、力觉、本体感觉），部署后的表现却极其平庸，甚至在空料盒场景下依然机械地复刻插入动作。 为此，Chung 教授团队提出了一种“策略修复”方案。实验证明，在相同的示教数据预算下，这种定向选取“修复性”样本的方法，比盲目扩增数据带来的策略泛化性能提升要显著得多。 这再次印证了本次演讲的主题： “数据质量决定上限”，盲目追求数据规模只能是一场徒劳的数字游戏。 以下是 Jen Jen Chung 的演讲分享，AI 科技评论根据其英文演讲内容进行了不改原意的编辑： ▎ 演讲标题：（Geometry Strikes Back: Scaling 3D R