相较于语言大模型，具身智能需要什么样的数据

2026年，被业界称为"具身智能元年"。据《中国具身智能产业发展报告(2026)》，中国具身智能市场规模预计在这一年达到约1.09万亿元，数据服务在其中占比超过15%。但一个尴尬的事实是：当资本和创业者涌入这个赛道时，他们发现最基础的"燃料"——数据——严重短缺。截至2026年初，全球高质量真实物理交互数据总量仅约50万小时。而行业普遍认为，训练一个具备基础泛化能力的通用具身模型，至少需要千万小时级的数据。这中间隔着的，是超过99%的缺口。

具身智能正在经历一场前所未有的"数据饥荒"。

为什么互联网喂不饱机器人

大语言模型的成功，建立在互联网海量文本的基础之上。GPT-4的训练数据量以万亿Token计，相当于把人类有记录的知识积累全部"吃掉"。但机器人无法直接从互联网上学习。大语言模型使用的文本和影音数据，本质上是"观察者视角"的静态数据，而具身智能需要的是"交互者视角"的数据。一个符合要求的抓取动作数据，不仅要包含视觉信息，还应包含实时的力反馈、触觉感知以及电机扭矩的连续变化。

说得更直白一些：互联网上有无数教人如何叠衣服的视频，但没有一条数据记录了"手捏住衣角时的力度是多少牛顿""手臂抬起45度时肩关节的电机需要输出多大扭矩"。这些信息从来没有被系统性地记录过，也没有任何理由会被被动产生。每一条高质量的真机数据，都必须从零开始生产。

这正是具身智能数据困境的根源——它不是"数据不够多"，而是"能用的数据几乎不存在"。

具身智能需要什么样的数据，又该如何采集

那么，具身智能到底需要什么样的数据？星海图CEO高继扬将其拆解为四个维度：动作、对象、场景和本体。所谓"采数据"，本质上是要把这四个维度的不同类型数据全部采集到。

动作维度决定了机器人"怎么做"——是抓取还是推拉，是旋转还是敲击；对象维度决定了机器人"对什么做"——不同的物体材质、形状、重量要求完全不同的操作策略；场景维度决定了机器人"在哪里做"——厨房、工厂、医院，环境差异巨大；本体维度则决定了机器人"用什么做"——身高1.2米和1.8米的机器人，即便抓取同等高度的物体，机械臂的运动行程也完全不同。

这四个维度交叉组合，构成了一个极其庞大的数据空间。而目前行业采集的数据，大多只覆盖了其中极少的部分。

面对如此复杂的数据需求，行业摸索出了四条并行的采集路线。它们从底层到顶层，构成一个数据金字塔。

金字塔最底层是互联网人类操作视频。这类数据成本最低、覆盖面最广，但缺少精确的动作标注和力觉信息，只能用于预训练阶段帮助模型建立基础的世界认知。

往上一层是仿真合成数据。在虚拟环境中批量生成机器人交互数据，成本低、可并发运行，但存在显著的"仿真到现实"鸿沟。有工业机器人团队曾尝试用仿真数据训练抓取模型，结果在真实场景中成功率下降了60%。斯坦福HAI《2026年AI指数报告》更给出了触目惊心的量化数据：仿真环境中的任务完成率可达89.4%，但落地到真实家庭场景后骤降至12.4%，77个百分点的性能蒸发，暴露出虚拟数据无法直接复用的现实困境。

再往上是无本体采集——人直接完成示范动作，通过动捕服、数据手套、头戴相机等设备采集数据，无需机器人参与。以人为中心的数据采集成本约每小时50至100元，能够以较低成本快速覆盖大量场景。戴盟机器人与中国移动合作，在其营业厅挂牌"具身数据采集5S店"，普通顾客领一套设备经简单培训就能边做家务边采集数据。

金字塔最顶层是真机遥操作数据。人类操控真实机器人执行任务，同步采集视觉、力觉、关节位置、电机控制量等多维传感器信号。这类数据质量最高、最贴近真实部署需求，但成本也最为高昂——以机器人为中心的数据采集成本约每小时250元。一套完整的遥操作设备投入超过20万元，叠加人力成本后，单小时数据采集成本可能突破万元。据国家地方共建人形机器人创新中心数据负责人估算，特斯拉的人形机器人Optimus至少需要数百万小时的数据才能在工厂工作，而这期间可能需要至少5亿美元的数据采集成本。

四条路线各有优劣，目前没有任何一种能够独自满足机器人的训练需求。行业正在尝试将它们组合使用：互联网视频用于预训练，仿真数据用于低成本试错，无本体采集用于规模化扩充，真机数据用于最终微调和部署。

比"不够多"更棘手的问题

如果说数据总量不足是"看得见的瓶颈"，那么数据质量、多样性和流通性问题则是"看不见的暗礁"。

先看质量。目前行业中普遍存在模态质量差、样本重复度高的问题，严重削弱了模型训练效果。很多数据集只收录"成功示范"，但机器人真正需要学习的恰恰是失败后的纠错和恢复。均普智能今年开源了全球首个记录机器人执行中成功、失败与恢复全过程的数据集，正是为了解决机器人"只会模仿、不会自救"的痛点。

再看多样性。不同训练场基于不同机器人本体采集数据，形成了明显的数据孤岛。由于机器人构型差异，数据难以在不同机型之间复用。更关键的是，现有数据大多是实验室单一场景产出——机器人在受控环境下能精准完成动作，一旦换一款包装的鸡蛋就容易捏碎，在杂乱桌面上无法自主规划收纳。数据多样性不足，直接导致智能无法涌现。

最后是流通性。当前行业深陷"数据孤岛"，企业重复投入采集相似数据，却因存储格式、元数据形态、标注颗粒度差异导致流通困难。数据与大模型、本体存在强耦合关系——所谓"数据跟着本体走"。缺乏统一的标准和共享机制，使得本就稀缺的数据资源无法发挥最大效用。

从"数据荒漠"到"数据绿洲"

尽管挑战重重，行业并非束手无策。2026年6月，国家数据局正式印发《关于推进行业高质量数据集建设行动的实施方案》(国数科基〔2026〕25号)，将具身智能纳入创新领域重点支持方向。北京亦庄每年发放1亿元"数据券"支持企业采购数据产品。此前，上海已发布《上海市具身智能产业发展实施方案》。

企业层面也在积极探索。千寻智能在全国100多个城市部署了超过30万个采集点位，专职数据采集人员超过千人。星海图设定了2026年完成100万小时、三年内达成1000万小时的目标。

数据平台的建设也在加速。均普智能发布了工业具身智能数据平台Primus Forge，构建了从采集、质检、标注、训练到部署的全链路能力。其AI自动化标注工作站利用VLM大模型替代人工完成80%以上的标注工作。多模态格式转换支持不同硬件平台与算法框架间的数据互转，试图抹平数据格式的鸿沟。

行业共识正在形成：具身智能的突破，不能靠任何一家企业单打独斗，必须建立开放的数据生态。从数据采集的标准化，到数据交易的机制化，再到数据共享的常态化，这是一条漫长的路。但就像大语言模型在突破某个数据阈值后迎来了智能涌现一样，具身智能或许也在等待属于自己的那个"临界点"——当高质量数据积累到千万小时量级，真正的"物理智能"才有可能被唤醒。

而在此之前，整个行业需要做的，就是像拓荒者一样，一铲一铲地在这片数据荒漠上挖掘。毕竟，没有数据的具身智能，终究只是"四肢发达、头脑简单"的空壳。