具身智能“真机数据”困局求解：行业竞争从卷模型转向卷数据

事件概述

2026年具身智能消费端与资本端热度高涨，中国估值超百亿的具身智能公司已超20家。但高质量真机操作数据仅百万小时规模，而全球文本数据已达万亿token级别，数据供给成为决定行业发展上限的关键瓶颈。国家发改委已明确将加快具身智能训练基础设施建设，支撑数据采集和模型训练。

核心信息

现有数据采集模式的局限

业内主流四类数据采集方式各有缺陷：

• 仿真数据：存在“虚实鸿沟”，难以还原现实物理细节，导致机器人无法适应真实环境。
• 人类行为/示教数据：存在“构型鸿沟”，人类动作难以直接映射到机器人，实用性和规模化效率低。
• 真机遥操数据：数据质量高、多模态、可泛化，但采集成本高——单任务每次数据成本约3-5元，尚未包含设备、场地、人员开销。

上述方案均无法突破“高质、高效、高性价比”的不可能三角。且传统流程中数据采集、清洗、标注、训练各环节易脱节，低质量数据反而成为训练“负资产”。

竞争重心转移

具身智能正从Demo走向规模化落地，行业竞争从“卷模型”转向“卷数据”。该演进轨迹与自动驾驶高度相似：特斯拉的核心壁垒不仅在于算法，更在于庞大车辆部署带来的海量真实路况数据。未来机器人必须进入餐厅、仓库、医院、工厂等真实场景持续交互，每次抓取、移动、失败与修正都会成为模型迭代的养分。真正的产业核心将从“制造机器人”转向搭建持续连接物理世界的数据网络。率先建成数据基础设施的玩家将获得入口优势。