相較於語言大模型，具身智能需要什麼樣的數據

2026年，被業界稱爲"具身智能元年"。據《中國具身智能產業發展報告(2026)》，中國具身智能市場規模預計在這一年達到約1.09萬億元，數據服務在其中佔比超過15%。但一個尷尬的事實是：當資本和創業者湧入這個賽道時，他們發現最基礎的"燃料"——數據——嚴重短缺。截至2026年初，全球高質量真實物理交互數據總量僅約50萬小時。而行業普遍認爲，訓練一個具備基礎泛化能力的通用具身模型，至少需要千萬小時級的數據。這中間隔着的，是超過99%的缺口。

具身智能正在經歷一場前所未有的"數據饑荒"。

爲什麼互聯網喂不飽機器人

大語言模型的成功，建立在互聯網海量文本的基礎之上。GPT-4的訓練數據量以萬億Token計，相當於把人類有記錄的知識積累全部"喫掉"。但機器人無法直接從互聯網上學習。大語言模型使用的文本和影音數據，本質上是"觀察者視角"的靜態數據，而具身智能需要的是"交互者視角"的數據。一個符合要求的抓取動作數據，不僅要包含視覺信息，還應包含實時的力反饋、觸覺感知以及電機扭矩的連續變化。

說得更直白一些：互聯網上有無數教人如何疊衣服的視頻，但沒有一條數據記錄了"手捏住衣角時的力度是多少牛頓""手臂抬起45度時肩關節的電機需要輸出多大扭矩"。這些信息從來沒有被系統性地記錄過，也沒有任何理由會被被動產生。每一條高質量的真機數據，都必須從零開始生產。

這正是具身智能數據困境的根源——它不是"數據不夠多"，而是"能用的數據幾乎不存在"。

具身智能需要什麼樣的數據，又該如何採集

那麼，具身智能到底需要什麼樣的數據？星海圖CEO高繼揚將其拆解爲四個維度：動作、對象、場景和本體。所謂"採數據"，本質上是要把這四個維度的不同類型數據全部採集到。

動作維度決定了機器人"怎麼做"——是抓取還是推拉，是旋轉還是敲擊；對象維度決定了機器人"對什麼做"——不同的物體材質、形狀、重量要求完全不同的操作策略；場景維度決定了機器人"在哪裏做"——廚房、工廠、醫院，環境差異巨大；本體維度則決定了機器人"用什麼做"——身高1.2米和1.8米的機器人，即便抓取同等高度的物體，機械臂的運動行程也完全不同。

這四個維度交叉組合，構成了一個極其龐大的數據空間。而目前行業採集的數據，大多隻覆蓋了其中極少的部分。

面對如此複雜的數據需求，行業摸索出了四條並行的採集路線。它們從底層到頂層，構成一個數據金字塔。

金字塔最底層是互聯網人類操作視頻。這類數據成本最低、覆蓋面最廣，但缺少精確的動作標註和力覺信息，只能用於預訓練階段幫助模型建立基礎的世界認知。

往上一層是仿真合成數據。在虛擬環境中批量生成機器人交互數據，成本低、可併發運行，但存在顯著的"仿真到現實"鴻溝。有工業機器人團隊曾嘗試用仿真數據訓練抓取模型，結果在真實場景中成功率下降了60%。斯坦福HAI《2026年AI指數報告》更給出了觸目驚心的量化數據：仿真環境中的任務完成率可達89.4%，但落地到真實家庭場景後驟降至12.4%，77個百分點的性能蒸發，暴露出虛擬數據無法直接複用的現實困境。

再往上是無本體採集——人直接完成示範動作，通過動捕服、數據手套、頭戴相機等設備採集數據，無需機器人蔘與。以人爲中心的數據採集成本約每小時50至100元，能夠以較低成本快速覆蓋大量場景。戴盟機器人與中國移動合作，在其營業廳掛牌"具身數據採集5S店"，普通顧客領一套設備經簡單培訓就能邊做家務邊採集數據。

金字塔最頂層是真機遙操作數據。人類操控真實機器人執行任務，同步採集視覺、力覺、關節位置、電機控制量等多維傳感器信號。這類數據質量最高、最貼近真實部署需求，但成本也最爲高昂——以機器人爲中心的數據採集成本約每小時250元。一套完整的遙操作設備投入超過20萬元，疊加人力成本後，單小時數據採集成本可能突破萬元。據國家地方共建人形機器人創新中心數據負責人估算，特斯拉的人形機器人Optimus至少需要數百萬小時的數據才能在工廠工作，而這期間可能需要至少5億美元的數據採集成本。

四條路線各有優劣，目前沒有任何一種能夠獨自滿足機器人的訓練需求。行業正在嘗試將它們組合使用：互聯網視頻用於預訓練，仿真數據用於低成本試錯，無本體採集用於規模化擴充，真機數據用於最終微調和部署。

比"不夠多"更棘手的問題

如果說數據總量不足是"看得見的瓶頸"，那麼數據質量、多樣性和流通性問題則是"看不見的暗礁"。

先看質量。目前行業中普遍存在模態質量差、樣本重複度高的問題，嚴重削弱了模型訓練效果。很多數據集只收錄"成功示範"，但機器人真正需要學習的恰恰是失敗後的糾錯和恢復。均普智能今年開源了全球首個記錄機器人執行中成功、失敗與恢復全過程的數據集，正是爲了解決機器人"只會模仿、不會自救"的痛點。

再看多樣性。不同訓練場基於不同機器人本體採集數據，形成了明顯的數據孤島。由於機器人構型差異，數據難以在不同機型之間複用。更關鍵的是，現有數據大多是實驗室單一場景產出——機器人在受控環境下能精準完成動作，一旦換一款包裝的雞蛋就容易捏碎，在雜亂桌面上無法自主規劃收納。數據多樣性不足，直接導致智能無法湧現。

最後是流通性。當前行業深陷"數據孤島"，企業重複投入採集相似數據，卻因存儲格式、元數據形態、標註顆粒度差異導致流通困難。數據與大模型、本體存在強耦合關係——所謂"數據跟着本體走"。缺乏統一的標準和共享機制，使得本就稀缺的數據資源無法發揮最大效用。

從"數據荒漠"到"數據綠洲"

儘管挑戰重重，行業並非束手無策。2026年6月，國家數據局正式印發《關於推進行業高質量數據集建設行動的實施方案》(國數科基〔2026〕25號)，將具身智能納入創新領域重點支持方向。北京亦莊每年發放1億元"數據券"支持企業採購數據產品。此前，上海已發佈《上海市具身智能產業發展實施方案》。

企業層面也在積極探索。千尋智能在全國100多個城市部署了超過30萬個採集點位，專職數據採集人員超過千人。星海圖設定了2026年完成100萬小時、三年內達成1000萬小時的目標。

數據平臺的建設也在加速。均普智能發佈了工業具身智能數據平臺Primus Forge，構建了從採集、質檢、標註、訓練到部署的全鏈路能力。其AI自動化標註工作站利用VLM大模型替代人工完成80%以上的標註工作。多模態格式轉換支持不同硬件平臺與算法框架間的數據互轉，試圖抹平數據格式的鴻溝。

行業共識正在形成：具身智能的突破，不能靠任何一家企業單打獨鬥，必須建立開放的數據生態。從數據採集的標準化，到數據交易的機制化，再到數據共享的常態化，這是一條漫長的路。但就像大語言模型在突破某個數據閾值後迎來了智能湧現一樣，具身智能或許也在等待屬於自己的那個"臨界點"——當高質量數據積累到千萬小時量級，真正的"物理智能"纔有可能被喚醒。

而在此之前，整個行業需要做的，就是像拓荒者一樣，一鏟一鏟地在這片數據荒漠上挖掘。畢竟，沒有數據的具身智能，終究只是"四肢發達、頭腦簡單"的空殼。