文 | 山自

当人形机器人稳健行走、具身灵巧抓握的智能肢已演示视频席卷各大展会，行业却悄然划出一道清晰的练熟分水岭：运动控制这一“小脑”已高度成熟，而负责理解世界与自主规划的大脑底座“大脑”，仍被海量场景数据的还差匮乏死死困住。

一条对标 Scale AI、千万由 Alex Wang 开创的数据“数据工厂”商业范式，正在具身智能赛道快速复刻。具身可以预见，智能肢已数据基础设施将成为决定未来产业格局的练熟胜负手。

小脑下肢全线通关，大脑底座高层大脑陷入“数据荒漠”

行业架构已形成清晰分层：
* 机器人“小脑”：对应运动控制、还差关节执行、千万力反馈等底层能力。数据
* 机器人“大脑”：对应 VLA（视觉-语言-动作）大模型、具身世界模型，承担环境理解、长时序任务规划及跨场景泛化认知。

1. 肢体执行体系：规模化突破

近两年来，双足平衡、灵巧手精细操作及整机运动算法实现跨越式发展：
* 头部厂商：宇树、优必选、智元等的人形机器人已能稳定完成上下楼梯、搬运物料、拧瓶盖、叠衣物等标准化动作。
* 特种应用：史河特种机器人依托成熟底盘，在船舶除锈、外墙清洗等高危场景落地。

整套肢体执行体系经过真机百万次迭代，误差率、稳定性及响应速度均达到商用标准。简言之，机器人的“手脚”已练得足够灵活。

2. 认知大脑困境：数据缺口超 99%

与 LLM 可免费抓取全网文本不同，具身智能需要视觉、触觉、关节轨迹、物体力学、环境时序对齐的多模态物理交互数据。这些数据无法线上爬取，必须在真实世界中完成人类技能的数字化采集。

• 行业共识：实现通用自主能力的具身大模型，至少需要千万小时级高质量真实交互数据。
• 现状：截至 2026 年初，全球合规、可用的真机 + 无本体有效数据仅 50 万小时，缺口超过 99%。

3. 数据短板暴露“大脑”短板

由于缺乏海量、多元、真实的场景样本支撑，世界模型难以建立物理常识，导致机器人：
* 能精准完成单一预设动作，却无法应对场景变量（如换包装鸡蛋易捏碎）；
* 无法在杂乱桌面自主规划收纳；
* 居家与工厂场景能力完全无法互通。

4. 当前行业五大“数据顽疾”

所有痛点均指向大脑训练供给不足：

1. 采集成本高昂：传统真机遥操数据单价高达 500-1000 元/小时，涉及专属场景搭建、设备部署及人工操控，属重资产投入。
2. 规模化采集无解：过去依赖实验室小范围试点，难以覆盖家庭、商超、工业、仓储等数千类差异化场景。
3. 多模态对齐难：视觉、触觉、手部动作、环境音频的毫秒级同步技术门槛极高，大量原始“脏数据”无法直接用于训练。
4. 泛化样本稀缺：现有数据集多为标准化简单任务，缺乏杂乱、突发、长尾的真实交互案例。
5. 数据复用性差：项目制采集模式下，单批数据仅服务于单次模型微调，无法沉淀为通用训练资产。

具身赛道迎来“数据工厂”时代

这场数据供给困局，完美复刻了大模型早期的发展轨迹。Alex Wang 创立 Scale AI 的核心逻辑，即跳出零散标注外包，打造标准化、全链路、可循环的 AI 数据工厂，成为 OpenAI、Meta、英伟达的统一数据供给底座。

Scale AI 的三层商业闭环

1. 标准化产线采集：搭建全球分布式采集网络，统一设备、规范及质检标准。
2. 自动化精炼加工：通过“AI 预筛 + 人工复核”完成清洗、原子化标注及多模态对齐，将原始素材转化为模型可直接读取的训练集。
3. 模型回流迭代：根据大模型训练短板反向定制数据集，形成“训练-发现缺陷-补充数据-性能提升”的数据飞轮，实现单份数据的跨客户、跨模型复用，摊薄边际成本。

如今，这套“数据炼油厂”逻辑正在具身智能赛道完整复刻，国内玩家走出三条并行路线：

路线一：无本体穿戴式分布式采集（简智、觅蜂）

• 核心逻辑：摒弃重资产机器人真机，以轻量化可穿戴设备（数据手套、三目头显、全身传感套件）为核心，深入家庭、工厂、门店开展众包采集。
• 代表案例：
• 简智 Gen DAS：实现毫米级动作捕捉与 1mm 高密度触觉感知，已在超千个真实家庭落地，2 小时即可产出加工完毕的训练数据。
• 觅蜂科技（智元拆分）：推出 MEgo 采集套件，开放门店、工厂共创模式，发动普通人兼职成为“数采员”，低成本扩充真实场景样本池。
• 优势：UMI 无本体采集模式成本仅为真机遥操的 1/3，可大规模铺开，专门补齐大脑所需的海量生活化、碎片化场景数据，解决实验室数据脱离现实的痛点。

路线二：虚实融合数据工厂（光轮、无问智科）

• 核心逻辑：对标 Scale 的合成数据能力，构建“真人采集 + 仿真生成”双生产线。
• 代表案例：
• 光轮智能：不到 4 个月完成三轮大额融资，两周累计融资达 20 亿元。依托仿真引擎批量生成长尾边界场景数据，同时沉淀百万小时人类操作视频，标准化数据集复售率超 10 倍，一份数据适配多家厂商的 VLA 模型训练。
• 无问智科：搭建长三角虚实训练场，日产上千小时融合数据，为通用世界模型持续供给素材。

路线三：大厂全域场景众包（京东、百度）

• 核心逻辑：互联网巨头开放自有业态作为数据供给源。
• 代表案例：
• 京东：计划动员 60 万内外人员佩戴采集设备，两年内冲击千万小时人类第一视角数据。
• 百度：上线具身数据超市，整合全行业采集资源，打通数据流通渠道，降低中小模型厂商获取训练素材的门槛。

数据平台：产业底层的“卖铲子”生意

资本市场已提前下注赛道的确定性：
* 简智：成立 4 个月拿下 3 轮累计超 2 亿元融资。
* 光轮：成为全球首个具身数据独角兽，估值突破 20 亿美元。
* 觅蜂科技：拆分即拿到数亿元种子轮。
* 弈人、景联文：数据服务商实现营收破亿、正向盈利，在整机及模型公司普遍亏损阶段率先跑通商业化。

资本押注的底层逻辑

1. 刚性需求长期存在：只要机器人大脑仍依赖多模态物理数据训练，数据供给就不会过剩。与 LLM 文本数据不同，物理交互数据无法无限复制，真实场景样本永远稀缺。
2. 规模效应持续放大：数据工厂建成标准化产线后，采集、标注、仿真的边际成本持续下降，数据资产可反复售卖复用，形成越积累壁垒越高的飞轮。
3. 跨行业通用性极强：同一套家居、工业交互数据集，可同时供给人形机器人、灵巧操作机械臂、特种作业设备厂商，不受单一硬件本体限制。

行业反思

多数厂商仍将重心放在机器人本体及端到端模型迭代，忽略数据基建投入，最终陷入“Demo 好看、落地拉胯”的循环。小脑运动算法再优秀，缺少多场景数据喂养的大脑，无法完成通用自主决策，只能在固定场景重复预设动作。

当前 99% 的公开数据集缺失精细力感交互维度，导致机器人在抓取、装配类任务中极易出现“物理幻觉”。而补齐触觉、时序对齐数据后，VLA 模型的物理交互能力出现质的飞跃。这证明：数据平台提供的标准化多模态素材，是突破机器人大脑瓶颈的唯一解法。

具身竞争下半场：数据基建定胜负

在大模型浪潮中，Scale AI 靠标准化数据工厂吃下行业红利；在具身智能赛道，历史正在重演。

当下，人形机器人的肢体运动与底层控制已进入同质化阶段。真正拉开差距的，是能否搭建一套规模化、低成本、全链路的数据生产体系，持续为“机器人大脑”输送千万小时级真实世界训练素材。

从实验室真机小作坊，到分布式穿戴众包、虚实融合数据工厂，再到跨行业数据流通平台，具身数据基建的工业化进程才刚刚启动。未来 3-5 年，掌握高质量多模态数据供给能力的玩家，将成为整条具身产业链不可或缺的底层基础设施。

在机器人走进千家万户、工厂车间之前，先建成完整的数据炼油厂，才是产业最确定的长期主线。