具身机器人的“数据槛”，不止在短缺

如果说去年具身智能赛道的核心比拼还聚焦于模型架构与演示效果，进入2026年，行业的核心矛盾已清晰地落在了“数据”二字之上。

纵观当下市场，头部玩家无不加紧搭建数据闭环体系，晒数据集时长、扩真机采集规模成为行业常态，仿佛只要迈过亿小时的时长门槛，通用具身智能就会自然涌现。

然而随着产业落地向纵深推进，越来越多的一线从业者意识到，数据短缺只是行业最表层的痛点。

近日，在WAIC 2026多场同期论坛上，不少专家一致认为:在规模焦虑的表象之下，数据质量结构失衡、标准割裂形成数据孤岛、闭环迭代效率低下等深层问题，才是决定企业长期竞争力的核心卡点，也是真正的深水区挑战。

被误读的“卡脖子”:规模只是表层焦虑

如果要实现机器人的“ChatGPT时刻”，究竟需要多大规模的数据？

智元合伙人、高级副总裁、具身业务部总裁，觅蜂科技董事长兼CEO姚卯青给出的判断是亿小时级别。

在他看来，由于物理世界噪声更大、信息冗余度更高，要让机器人掌握对通用物理规律、开放式指令的理解与任务规划能力，实现开箱即用的落地效果，需要亿小时级的数据积累，才能让常见任务的基础成功率达到70%~80%。

但从行业现状来看，这一规模目标仍有巨大差距。姚卯青指出，头部大语言模型的预训练语料已达100万亿Token，对应约100亿小时的语音时长，而当前具身数据的整体规模与之相比，尚有一万倍以上的差距。

事实上，一万倍的规模差距，只是最容易被看见的“表层焦虑”。真正卡住具身机器人落地脚步的，是藏在数据供给背后的一系列深层错位。

第一重是供给与需求的结构性错配。

当前行业的数据瓶颈，本质上不是绝对体量不足，而是符合真实落地要求的高质量有效数据供给严重不足。

“实验室采集的数据大多是预设的理想场景，比如包裹都是标准形态，但真实仓储环境中，机器人会遇到带反光的包装、柔性软包、缠绕的胶带等大量非标场景，恰恰是这些长尾情况决定了机器人能力的边界。”京东物流仓储具身机器人负责人刘力格表示。

他用一线场景的经验做比:一个在仓库里工作1小时的打包员，和工作1年的打包员，效率可能差好几倍。这个效率提升，就是后者在真实操作中一步步迭代、一步步熟悉场景积累出来的。机器人的能力成长逻辑，同样如此。

北京通用人工智能研究院常务副院长董乐也持相同观点:数据不能只追求规模化，更要保障质量与多样性，充分反映真实世界的长尾任务特性。

“如果只是反复学习已经见过的场景，数据量再大也没有意义。”董乐指出。毕竟，采集数据的最终目的，是让模型获得智能成长能力，如果一直停留在熟悉的场景里反复打磨，模型的泛化能力便无从谈起。

第二重是跨主体协同的标准错位。

当前具身智能行业尚未形成统一的数据格式标准，不同本体厂商、不同模型团队的数据定义、标注规范、存储格式差异巨大，导致数据跨主体复用难度极高，行业重复建设、重复“造轮子”的现象十分普遍。

据星源智CEO刘东透露，早期星源智曾尝试将20多个品牌的20多万条数据放在一起混合训练，在未经标准化处理，直接将原始数据混训的情况下，结果“一塌糊涂”，根本没法放到一起用。

“后来，为统一这20多种本体数据，我们自建了数据采集和数据处理平台，把所有采集视角、机器人关节信息等统一成一种标准格式，再用这些数据训练是可行的。”因此，刘东建议，跨本体采集的时候，一定要设计一套系统，以兼容不同本体数据，而不是直接把本体厂商的素材拿过来。

更何况哪怕是同一款机器人、不同批次生产的，在当前制造业水平下，公差也非常大，更对真机数据混训提出了更高的要求。

第三重是产研迭代的闭环错位。

对具身智能产业而言，高效的数据闭环是实现模型持续进化、构建核心竞争壁垒，最终走向大规模商业化的核心路径。

但现实中，很多企业口中的“数据闭环”还停留在概念层面，甚至连中后台的数据治理与回流管线都未真正跑通。

“大家看自动驾驶的数据管线，有非常复杂的预标注、质检、后标注等环节，但在具身数据采集里，现在大家非常在乎前端的数采，中端和后端的数据清洗、打标、质检等环节是缺失的。”流形空间CEO武伟指出。

MiniMax中国区商业化负责人胡维琦也认为，现在整个具身智能产业要解决的核心问题就是提升效率，包括数据产生的效率、使用的效率，以及现实场景中出现失败案例之后，怎么把失败案例闭环回模型和本体，实现能力提升。

由此可见，一万倍的规模差距固然直观，但数据质量结构失衡、标准割裂形成孤岛、闭环链路效率不足这三重结构性短板，才是横亘在规模化落地面前更难逾越的门槛。

解法共识:数据不是堆出来的，是配出来的

既然具身数据的核心挑战远不止于规模，解题思路自然也不能局限于“堆时长”的粗放模式。

更具体一点，业界普遍认为，具身智能对不同类型数据的需求，呈现出典型的“金字塔”结构:从底层到顶层依次为互联网公开视频数据、无本体采集数据与真机实测数据。

处于金字塔最底层的互联网视频数据，具备量级大、获取成本低、场景覆盖广的特点，但数据质量参差不齐、动作到本体的迁移效率有限，因此主要用于通用预训练阶段，帮助模型建立对物理世界的基础认知。

中间层的无本体采集数据，包括通过UMI、第一人称视角采集等方案获取的数据，结构化程度高、场景灵活性强，是当前平衡成本与效果的最优解。不过，其短板在于复杂精细操作的精度不足，且存在一定的本体适配差距。

而金字塔顶层的真机遥操作数据，由于直接来自目标机器人本体，是几类数据中精度最高、场景适配性最好的一类，也是推动模型能力从“能用”向“好用”跨越的关键。

“大模型从数据中学到的不是单点的任务技能，而是对真实世界物理规律、任务逻辑、因果关系的底层理解。在这一点上，真机数据能够提供真正的验证与校准，从而有效提升模型的泛化能力。”董乐表示。

具脑磐石CEO朱森华甚至将真机遥操作数据集称为具身训练的“金标准”。

但即便价值最高，真机数据也有其无法回避的局限性:场景覆盖范围窄、扩量速度慢、采集成本居高不下，很难单纯依靠真机数据完成通用能力的预训练。

正是由于不同数据类型各有优劣，行业普遍采用多源搭配的训练策略。

刘东就透露，星源智训练具身交互世界模型时，无本体数据约占90%，用于基础预训练；真机数据约占10%，用于落地后训练对齐。

“虽然真机数据只占10%，但不可或缺——预训练基模完成后，要真正部署到机器人上落地，必须用目标本体采集对应数据做后训练，否则无法完成模型的迁移与映射。”

值得关注的是，除了上述几种数据获取方式，仿真合成凭借更低的成本、更灵活的场景拓展能力，也受到了广泛的关注。只不过，由于仿真数据始终存在与真实环境的虚实差距，在不同企业的技术路线中位置差异极大。

武伟明确表示，其团队已完全放弃纯仿真数据路线。

背后的思考逻辑是:仿真器本质是一个小模型，用小模型生成的数据去训练大模型，天然存在能力天花板。“纯仿真路线前期迭代速度很快，但后期一定会遇到明显的性能天花板，甚至很难定位问题根源来自哪部分数据。这也是我们放弃纯仿真数据的核心原因。”

但也有不少观点认为，仿真可以作为重要的数据增广与评测工具，发挥不可替代的作用。

朱森华就表示，仿真路线的核心价值恰恰在于数据扩增。“我们不主张过度依赖仿真数据，因为虚实之间的差距客观存在，但我们对仿真路线寄予厚望。如果能实现高物理真实、高视觉真实、高交互真实的仿真工具链突破，将极大缓解全行业的数据供给压力。”

谋先飞联合创始人孙家琦也指出，仿真最大的优势是数据增广与生成阶段无需人工介入，算力规模直接决定数据产量。“它可以针对任务的因果链条做控制变量实验，精准定位模型的能力短板，定向补充数据，这是真机采集很难做到的。”

在这几类数据外，还有一些长期被行业低估的“非典型高价值数据”，也正逐步成为行业关注的焦点。

第一类是失败与异常数据。

“我们在数据采集中发现，失败数据的价值被行业严重低估了。VLA时代采集数据，大家只保留成功案例，失败数据会直接剔除。但升级到世界模型范式后，失败数据同样价值巨大，它们能让模型学习到任务的边界在哪里，什么样的动作会导致失败，进而从失败中积累经验，保障最终执行的成功率。”刘东表示。

刘力格也认为，机器人的失败数据价值极高。”尤其在真实场景里，比如机器人掉了包裹、卡住了，这时候人无论是通过遥操作恢复，还是用其他方式纠正，这个恢复的数据对机器人来说价值都非常高，因为它正好填补了当前策略的缺陷。”

正因为如此，在采集数据的时候，很多团队会让采集员故意做一些失败的动作。

第二类是场景原生的业务属性数据。

“很多人忽略了，真实业务场景本身就自带大量现成的标签数据。”刘力格举例道，仓储场景中，包裹的重量、尺寸、软硬材质、品类属性等信息，在WMS仓储管理系统中都有完整记录。将这些业务属性数据与视觉、动作数据联合训练，能够显著提升模型对物体特性的理解精度。

这意味着，如今具身数据领域的竞争，正悄然从“采得多”的数量比拼，转向“采得精、配得好”的体系化能力较量。

四类玩家入局，谁将掌握数据主导权？

随着数据在具身智能产业中的战略地位持续提升，不同背景的玩家正纷纷入局，围绕数据采集、治理与闭环搭建各自的能力体系。整体来看，当前赛道主要有四类核心玩家。

第一类是手握本体硬件与落地场景的全栈整机厂商，以智元、星海图等为代表。这类玩家的核心优势在于，能够从硬件底层定义数据标准，在端侧算力、控制频率的真实约束下，探索最优的采集与迭代方案，实现软硬件的协同优化。

第二类是走轻资产路线的纯具身模型厂商，代表企业包括机器科学、流形空间等。这类公司主要聚焦具身基础模型研发，不涉足硬件本体，核心优势是对模型训练需求有着更深刻的理解，某种程度上是行业数据标准的天然定义者。

“算法范式直接决定了数据格式与标注需求，只有真正理解算法底层逻辑、懂模型训练痛点的团队，才能定义出科学高效的数据采集规范与标准。”朱森华就认为。

第三类是手握真实业务场景的产业方，代表企业包括京东、中国移动等。这类玩家天然拥有常态化的真实业务场景，能够实现“非脱产数据采集”——一线工人在正常作业过程中即可同步完成数据采集，直接消解了数采环节成本最高的人力部分。

武伟就判断，数据运营的终局大概率会落到这类拥有大规模线下人力的场景方手中，因为他们天然的成本优势是纯技术公司难以追赶的。

第四类则是第三方数据服务商，以觅蜂科技为代表。这类企业定位于全行业的“水电煤”基础设施，既不研发模型也不生产本体，专注提供从采集硬件、标注治理工具、标准化数据集到评测体系的全链路数据服务。

由于这四类玩家禀赋各异、优势互补，业内围绕数据主导权的归属，正在形成不同的判断。

刘东认为，未来数据训练场与数据工厂的建设会分两步走:模型公司先自建中等规模工厂，跑通数据采集范式后，再通过行业协作完成大规模数据生产。

“纯第三方服务商不了解模型的底层架构与数据范式，生产出的数据很难直接匹配训练需求，而模型公司也很难把全部细节同步给第三方。因此模型公司必须先自建中等规模的数采工厂，自行打磨数据采集、清洗、标注的完整范式与生产工艺流程，甚至用模型方法辅助数据处理。”刘东表示。

在形成标准化的SOP生产流程后，再将标准抽象输出，与外部合作方协同。“比如和京东这类拥有大规模人力、可开展真机采集的合作方对接，明确基础数据的采集规范，再将原始数据拿回自有数据工厂做精加工，最终用于模型训练。”

朱森华也持相同观点:数据工厂的建设、标准与SOP的制定，必然由模型公司主导。

武伟则从成本维度出发，认为具身数据产业的终局主导权，大概率会掌握在大规模人力运营商手中，比如美团、京东这类企业。

“他们的成本优势太过明显，外卖骑手、物流工人日常本就在作业，相当于非脱产的数据采集员，直接消解了数据采集里最高的人力成本。”相对应地，他并不看好纯模型公司搭建过重的数据运营管线、大规模扩招人力做采集。

“但模型公司必须牢牢把控数据标准的定义权，包括传感器选型、数据精度要求这些核心规则，必须掌握在自己手里。”武伟表示。

从这个角度看，未来具身数据产业大概率很难形成单一玩家通吃的局面，而是会走向分层协同的产业生态，各方在各自的优势赛道不断深耕，共同推动数据体系的成熟与完善。

结语

从“拼时长”到“拼质量”，从“各自为战”到“分工协作”，具身智能的数据竞赛正在悄然完成升级。

两年前，行业还在争论具身智能要不要走大数据路线；一年前，大家还在比拼谁的公开数据集体量更大；而到今天，从业者已经开始深入探讨标准统一、结构配比、闭环效率与产业分工等更体系化的命题。

这种关注点的迁移，某种程度上是赛道走向成熟的信号。毕竟，数据的终极价值从来不是简单的数字堆砌，而是让机器人真正在真实世界中稳定创造价值。当所有关于数据的探索，最终都指向落地与产业价值时，这场竞赛才真正进入了有意义的深水区。