In-the-wild 指在非受控的真实环境中采集或评估数据，与实验室环境（in-the-lab）或仿真环境（in-simulation）相对。
在机器人领域，in-the-wild 数据采集意味着操作员可以在任意真实场景中（厨房、办公室、工厂等）进行示教，无需专门搭建的实验台或受控光照条件。这种方式的核心优势是数据多样性和采集规模：不受实验室场地和机器人本体的限制，可以由非专业人员在日常环境中大量采集。
典型代表是 UMI（Universal Manipulation Interface），通过手持工具在真实环境中示教操作，数据直接用于训练 Diffusion Policy 等操作策略。
与相关概念的区别
| 概念 | 环境 | 特点 |
|---|---|---|
| In-the-wild | 真实世界，非受控 | 高多样性，噪声大，泛化能力强 |
| In-the-lab | 实验室，受控条件 | 精度高，可重复，但泛化受限 |
| In-simulation | 仿真器 | 无限数据，零成本，但存在 sim-to-real gap |
应用场景
- 机器人操作学习：UMI、DROID 等项目通过 in-the-wild 采集大规模操作数据
- 计算机视觉：人脸识别、姿态估计等任务中，in-the-wild 数据集（如 LFW、COCO）用于评估真实场景下的模型鲁棒性
- 自然语言处理：in-the-wild 用户对话数据用于训练和评估对话系统