在人工智能領域，具身智能的進步越來越依賴於可擴展的數據基礎設施。儘管視覺和語言領域已經通過互聯網語料庫實現了規模化，但物理交互的學習仍然受到缺乏大規模、多樣化且豐富標註的人類活動數據的限制。針對這一挑戰，研究團隊提出了 HumanNet——一個一百萬小時的人類中心視頻語料庫，旨在大規模捕捉人類與物理世界的交互方式。
HumanNet 覆蓋了第一人稱和第三人稱視角，包含細粒度活動、人類與物體交互、工具使用以及長期行為，這些記錄來自多樣化的真實世界環境。除了原始視頻，該數據集還提供了交互中心的標註，包括字幕、動作描述以及手部和身體相關信號，從而支持運動感知和交互感知的學習。
在規模之外，HumanNet 引入了用於具身學習的系統性數據策展範式，將人類中心過濾、時間結構、視角多樣性和標註豐富性作為一級設計原則。這種設計將非結構化互聯網視頻轉化為可擴展的基材，用於表示學習、活動理解、運動生成以及人類到機器人的遷移。
為了驗證該設計的價值，研究團隊通過受控的視覺-語言-動作消融實驗進行了初步驗證。在固定驗證數據集下，使用來自 HumanNet 的1000小時自我中心視頻對 Qwen VLM 模型進行持續訓練，其表現超過了使用 Magic Cobot 的100小時真實機器人數據進行持續訓練的結果。這表明，自我中心人類視頻可以作為機器人數據的可擴展且經濟高效的替代方案。
通過構建 HumanNet 項目，研究人員旨在探索利用人類中心視頻而非僅依賴機器人特定數據來擴展具身基礎模型的機會。這一工作為未來具身智能研究提供了一條新的規模化路徑。