當大模型還在數(shù)字世界"紙上談兵"，具身智能已悄然打響一場關(guān)于"物理數(shù)據(jù)"的靜默戰(zhàn)爭。這不是算法的較量，而是關(guān)乎百萬小時真實交互數(shù)據(jù)的軍備競賽——誰掌握了高質(zhì)量、多模態(tài)的物理世界數(shù)據(jù)，誰就握住了通往通用人工智能（AGI）的鑰匙。

2026年4月，上海浦東的智元機器人數(shù)據(jù)采集工廠里，上百臺人形機器人正在"冰球場"式的布局中同步訓(xùn)練。數(shù)據(jù)采集員操控機械臂完成抓取飲品杯、裝袋、打包吸管的動作，每天重復(fù)約200次，只為采集一條有效軌跡數(shù)據(jù)。這一幕，正是具身智能產(chǎn)業(yè)"數(shù)據(jù)饑渴"的縮影。

一、數(shù)據(jù)荒漠：具身智能的阿喀琉斯之踵

具身智能正站在歷史性拐點。2025年，ZG次將"具身智能"寫入政府工作報告；2026年4月，智元合作伙伴大會吸引30多個和地區(qū)的2500余名嘉賓參會，空中客車高J副總裁格雷格·翁巴赫驚嘆："ZG有超過150家企業(yè)在研發(fā)具身智能機器人"。

然而，繁榮表象下暗藏致命瓶頸。行業(yè)共識認為，實現(xiàn)具身智能的"涌現(xiàn)"能力至少需要百萬小時來自真實世界的物理交互數(shù)據(jù)，目前積累的數(shù)量尚不足5%（白皮書數(shù)據(jù)）。這種數(shù)據(jù)稀缺性，與當年大語言模型（LLM）訓(xùn)練時互聯(lián)網(wǎng)文本數(shù)據(jù)的豐沛形成鮮明對比。

更嚴峻的是數(shù)據(jù)獲取的"不可能三角"：精度、規(guī)模、成本三者難以兼得。真機遙操作數(shù)據(jù)精度Z高，但成本呈指數(shù)J上升——據(jù)科創(chuàng)板日報報道，光是"倒牛奶"這一個動作就可能需要采集近百條訓(xùn)練數(shù)據(jù)，而真實場景采集時，一小時僅能采集20條有效軌跡數(shù)據(jù)，且存在30%的行為偏差。相比之下，互聯(lián)網(wǎng)視頻數(shù)據(jù)規(guī)模龐大卻缺乏物理真實性，合成數(shù)據(jù)成本低卻面臨"仿真到現(xiàn)實"（Sim2Real）的遷移鴻溝。

帕西尼感知科技創(chuàng)始人許晉誠指出："當前具身智能所能使用的數(shù)據(jù)量僅為大語言模型的幾百分之一"。這種數(shù)量J的差距，構(gòu)成了具身智能發(fā)展的"數(shù)據(jù)鴻溝"。

二、三條數(shù)據(jù)路線的"金字塔"博弈

遙操作數(shù)據(jù)當前占據(jù)金字塔D端。2024年9月，智元機器人在上海張江啟用行業(yè)個數(shù)據(jù)采集工廠，占地4000平方米，分割為家居、餐飲、工業(yè)等不同主題場景，每日超100臺機器人同步訓(xùn)練，單機單日可產(chǎn)生上萬條高質(zhì)量軌跡數(shù)據(jù)。2025年，智元開源了百萬真機數(shù)據(jù)集AgiBot World，覆蓋80余種日常生活技能，長程數(shù)據(jù)規(guī)模較Google的Open X-Embodiment高出10倍，場景覆蓋面擴大100倍。

但真機遙操作的瓶頸同樣明顯。韓國企業(yè)Robotis為挑戰(zhàn)智元，選擇在烏茲別克斯坦建設(shè)11萬平方米的數(shù)據(jù)工廠，利用當?shù)爻杀緝?yōu)勢降低采集成本。這揭示了一個殘酷現(xiàn)實：純遙操作路徑在經(jīng)濟和工程上均不可持續(xù)。

動作捕捉數(shù)據(jù)正在崛起為"中間路線"。2024年斯坦福大學(xué)李飛飛團隊發(fā)布的DexCap系統(tǒng)，通過可穿戴的相機背心和手套上的SLAM相機，以低成本、抗遮擋方式采集高質(zhì)量3D手部運動數(shù)據(jù)。國內(nèi)諾亦騰推出的PN Studio系統(tǒng)，使用航天J傳感器標定方式，能在1000平方米范圍內(nèi)實現(xiàn)Z多5人全身和手指的動作捕捉。2025年，諾亦騰在深圳龍華區(qū)揭牌運營機器人跨本體數(shù)據(jù)工廠，推進"無本體數(shù)據(jù)采集"的規(guī)�；�——將傳感器直接穿戴在操作者身上，實現(xiàn)數(shù)據(jù)采集與機器人本體解耦。

更具顛覆性的是無本體數(shù)據(jù)采集。2024年斯坦福大學(xué)提出的UMI（Universal Manipulation Interface）框架，確立了"手持夾爪+GoPro手腕攝像頭"的核心范式，讓人類手部成為"通用的數(shù)據(jù)接口"。國內(nèi)初創(chuàng)公司鹿明機器人推出的FastUMI Pro，將單條數(shù)據(jù)采集時間從50秒縮短至10秒，綜合成本降至傳統(tǒng)方法的五分之一。

合成數(shù)據(jù)則是規(guī)模化預(yù)訓(xùn)練的"終極答案"。NVIDIA推出的MimicGen方案，僅需5次人類演示即可生成1000個雙手靈巧任務(wù)演示；銀河通用基于十億量J仿真數(shù)據(jù)，發(fā)布了個全仿真預(yù)訓(xùn)練具身大模型GraspVLA。然而，合成數(shù)據(jù)面臨物理保真度難題——軟體形變、復(fù)雜摩擦、細顆粒物學(xué)等現(xiàn)象，傳統(tǒng)剛體物理引擎難以準確模擬（白皮書第4章）。

三、Scaling Law初現(xiàn)：數(shù)據(jù)規(guī)模正在重塑競爭格局

2026年初，具身智能領(lǐng)域迎來"Scaling Law"的初步驗證。

Generalist AI發(fā)布的GEN-1模型，將數(shù)據(jù)規(guī)模推向50萬小時真實世界操作數(shù)據(jù)，模型性能和任務(wù)成功率從64%大幅提升至99%。這一躍遷印證了：與LLM類似，具身智能模型能力同樣隨數(shù)據(jù)規(guī)模增長而涌現(xiàn)。

更具標志性的是觸覺數(shù)據(jù)的突破。戴盟科技發(fā)布的Daimon-Infinity數(shù)據(jù)集，包含觸覺、視覺、動作軌跡及語音文本等多模態(tài)信息，其中1萬小時數(shù)據(jù)已面向行業(yè)開源。實測表明，觸覺數(shù)據(jù)的引入能顯著降低模型訓(xùn)練對數(shù)據(jù)規(guī)模的依賴——相比視覺信息，觸覺能直接感知接觸關(guān)系與物體特性，避免多視角采集帶來的冗余與遮擋。

北京石景山區(qū)投用的全國Z大人形機器人訓(xùn)練基地，更讓機器人掌握"頭發(fā)絲J"的觸覺感知——0.01牛的力度識別精度，相當于一根頭發(fā)絲輕輕落在手指上的壓力。

然而，數(shù)據(jù)規(guī)模的擴張并非簡單的"堆量"。智元機器人提出的ADC（對抗數(shù)據(jù)采集）模式，通過增加數(shù)據(jù)的信息密度和多樣性，以20%的數(shù)據(jù)量達到傳統(tǒng)方案2.7倍的效果。配合"HIL-SERL"強化學(xué)習(xí)系統(tǒng)，機器人能在真實世界中1-2.5小時內(nèi)學(xué)會多種高精度、靈巧操作任務(wù)，成功率接近100%。

四、自動駕駛的鏡鑒：從"高精地圖"到"數(shù)據(jù)飛輪"

具身智能的數(shù)據(jù)困境，與自動駕駛的發(fā)展歷程驚人相似。

自動駕駛早期依賴高精地圖——將"實時理解環(huán)境"簡化為"在已知地圖定位"，雖加速技術(shù)落地，卻帶來路徑依賴：制作成本高、鮮度維護難、泛化能力受限（白皮書第3章）。Z終，行業(yè)轉(zhuǎn)向"影子模式"——利用量產(chǎn)車在日常行駛中實時回傳數(shù)據(jù)，經(jīng)云端融合處理，實現(xiàn)動態(tài)更新。

這一轉(zhuǎn)變對具身智能的啟示深刻：真正的智能體現(xiàn)在對未知環(huán)境的適應(yīng)，而非對預(yù)采數(shù)據(jù)的記憶。然而，具身智能面臨更嚴峻的"冷啟動"困境——自動駕駛可與汽車銷售同步啟動數(shù)據(jù)采集，而機器人尚未大規(guī)模進入真實場景，數(shù)據(jù)飛輪在啟動前是斷裂的。

破解之道在于"仿真優(yōu)先，真機驗證"的混合范式。自動駕駛的工程化實踐表明，云端并行仿真可在數(shù)小時內(nèi)完成相當于數(shù)百萬公里路測的場景覆蓋，實現(xiàn)算法版本的快速迭代。NVIDIA Cosmos平臺提供預(yù)訓(xùn)練的生成式世界基礎(chǔ)模型，開發(fā)者可直接生成合成數(shù)據(jù)或微調(diào)使用，加速物理AI系統(tǒng)開發(fā)。

國內(nèi)流形空間（Manifold AI）d創(chuàng)的WMA（World Model Action）路線，以世界模型作為機器人的基礎(chǔ)模型，自研通用空間世界模型WorldScape，具備"推理想象-行動"三位一體能力，已在無人機領(lǐng)域?qū)崿F(xiàn)落地突破。

五、商業(yè)化前夜：數(shù)據(jù)驅(qū)動的漸進式演進

具身智能的"GPT-3.5時刻"尚未到來，但商業(yè)化路徑已日漸清晰。

D一階段：少量數(shù)據(jù)構(gòu)建原型能力。當前多數(shù)企業(yè)處于此階段，利用數(shù)十至數(shù)百條高質(zhì)量演示數(shù)據(jù)，訓(xùn)練機器人掌握特定結(jié)構(gòu)化任務(wù)。然而，a16z的深度洞察指出：實驗室里95%成功率的策略，一旦進入真實倉庫，光照、背景、視角、物體材質(zhì)發(fā)生變化，成功率可能迅速跌至60%（白皮書第5章）。

第二階段：聚焦場景，大量數(shù)據(jù)驅(qū)動迭代。國內(nèi)已建成或計劃在建的具身智能訓(xùn)練場達20余家，其中10家公開披露的訓(xùn)練場總面積超過4萬平方米。上海張江"麒麟"訓(xùn)練場、北京石景山觸覺感知數(shù)訓(xùn)中心、天津帕西尼超J數(shù)據(jù)工廠（年產(chǎn)近2億條數(shù)據(jù)），正形成覆蓋制造業(yè)、物流、家居等垂直場景的數(shù)據(jù)基礎(chǔ)設(shè)施。

第三階段：海量數(shù)據(jù)實現(xiàn)高階功能閉環(huán)。未來"云-邊-端"協(xié)同架構(gòu)下，云端將利用大規(guī)模算力進行持續(xù)技能訓(xùn)練，邊緣側(cè)承擔(dān)實時協(xié)同與隱私計算，機器人本體成為標準化通用移動計算平臺。商業(yè)模式也將從一次性硬件銷售，轉(zhuǎn)向"智能即服務(wù)"的訂閱模式——用戶像在應(yīng)用商店購買軟件一樣，按需訂閱機器人技能（白皮書第5章）。

六、投資啟示：在數(shù)據(jù)洪流中錨定價值

從數(shù)據(jù)視角審視，具身智能產(chǎn)業(yè)呈現(xiàn)五大投資機會：

1. 感知技術(shù)創(chuàng)新：觸覺傳感器、靈巧手等多模態(tài)感知設(shè)備，正從"被動采集"走向"感算一體"。帕西尼DexH13靈巧手集成近2000顆自研高精度觸覺傳感器，實現(xiàn)15種多維觸覺感知。

2. 數(shù)據(jù)采集與治理：覆蓋采集、清洗、標注、存儲的全生命周期管理體系，是推動行業(yè)標準化的底層基建。簡智機器人實現(xiàn)"采集完成后2小時內(nèi)新鮮數(shù)據(jù)送達模型"的目標，需要系統(tǒng)性工程能力支撐。

3. 垂直場景解決方案：工業(yè)精密裝配、倉儲柔性物流等領(lǐng)域，已展現(xiàn)清晰商業(yè)化前景。德馬科技與智元合作搭建的物流數(shù)據(jù)采集工廠，正構(gòu)建可持續(xù)迭代的"數(shù)據(jù)-模型-場景"技術(shù)閉環(huán)。

4. 真機失敗數(shù)據(jù)的價值：被忽視的負面樣本對模型能力提升至關(guān)重要。智元ADC模式證明，對抗性數(shù)據(jù)能以更少樣本實現(xiàn)更強效果。

5. 世界模型的長期潛力：螞蟻靈波發(fā)布的LingBot-VA模型，創(chuàng)"邊推演、邊行動"框架，在LIBERO基準測試中任務(wù)成功率達98.5%。盡管仍需耐心，世界模型被視為通往具身"GPT-3.5時刻"的潛在路徑。

七、數(shù)據(jù)即權(quán)力，物理即未來

站在2026年的門檻回望，具身智能正在重演大語言模型的"數(shù)據(jù)故事"——從稀缺到豐沛，從昂貴到普惠，從封閉到開源。但這一次，戰(zhàn)場從數(shù)字比特轉(zhuǎn)向物理原子，數(shù)據(jù)從文本 token 變?yōu)槎嗄�態(tài)的"狀態(tài)-動作-反饋"軌跡。

這不是一場短跑，而是一場以五年、十年為尺度的馬拉松。正如國際先進技術(shù)應(yīng)用推進中心（深圳）發(fā)布的白皮書所言："發(fā)展具身智能是多領(lǐng)域融合的系統(tǒng)性工程，數(shù)據(jù)是跨領(lǐng)域的真實樞紐，貫穿全部鏈條"。

當智元的數(shù)據(jù)采集工廠每天產(chǎn)出上萬條數(shù)據(jù)，當帕西尼的天津超J工廠年產(chǎn)近2億條多模態(tài)數(shù)據(jù)，當Generalist AI驗證50萬小時數(shù)據(jù)的Scaling Law——我們看到的不僅是技術(shù)的進步，更是一個關(guān)于"如何教會機器理解物理世界"的宏大敘事正在展開。

數(shù)據(jù)即權(quán)力，物理即未來。在這場靜默的數(shù)據(jù)戰(zhàn)爭中，Z終的贏家不屬于技術(shù)Z先進者，而屬于那些能深刻理解產(chǎn)業(yè)節(jié)奏、準確定位數(shù)據(jù)生態(tài)位，并構(gòu)建起持續(xù)迭代能力的企業(yè)。

附件：具身智能數(shù)據(jù)行業(yè)研究白皮書2026-數(shù)據(jù)規(guī)模正在重塑競爭格局,商業(yè)化路徑已日漸清晰,多模態(tài)的"狀態(tài)-動作-反饋"軌跡