具身智能数据战争:一场比自动驾驶更长、更贵、也更混沌的赌局

2026 年上半年，一个反直觉的现象正在中国投资圈发生：机器人还没大规模走进工厂和家庭，"帮机器人搞数据"的公司先融到了钱。

前两个月，具身智能领域融资突破 200 亿人民币，头部数据公司单笔融到 10 亿级。千寻智能一个月拿到 30 亿，其中 4 月的 10 亿由雷军、马云联合领投，钱的用途是"可穿戴数据采集设备第 5 代量产"。他们号称把数据采集成本降到传统方式的 1/10 ，可用性从 30%提升到 95%。

这个场面很像 2020 年的自动驾驶——所有人都在讲数据的故事，但很少有人能说清楚：这个数据到底谁来采、按什么标准采、卖给谁、卖多少钱。翻译一下，就是大家都相信数据是石油，但没人知道这个油田归谁开采、以什么规格提炼、按什么价格结算。

科技日报援引复旦大学张立华教授的数据：全球研发端对高质量数据的需求量约 120 万小时/月，而全行业每月产出仅 25 万到 30 万小时。缺口是供给的 4 到 5 倍。北京人形机器人创新中心的孔超干脆给这件事起了个名字：不可能三角——高质量、大规模、低成本，三者不可能同时兼得。

这就是这场战争的底色。

石油的隐喻是怎么来的

具身智能的数据故事，某种意义上是被 ChatGPT 逼出来的。

2022 年底大语言模型走红后， AI 圈很快形成了一个近乎宗教式的共识：只要数据够多、参数够大、算力够猛，智能就会"涌现"。这个共识在文本世界被反复验证——GPT 系列吞下几乎整个互联网的公开文本，然后把语言这件事解决了大半。于是当 2023 年人形机器人和 VLA （ Vision-Language-Action ）模型进入主流视野时，几乎所有从业者的第一反应都是：再来一次，只不过这次喂给它的是"动作"。

问题是，动作数据不在互联网上。

这是具身智能行业在起点上撞的第一堵墙。张立华把这个差别讲得很清楚：大语言模型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"——一个合格的抓取动作数据，不仅要有视觉信息，还要有实时的力反馈、触觉感知、电机扭矩的连续变化。互联网上几乎不存在能直接映射到机器人感知—控制链路的"多模态指令—动作"数据集。

也就是说，具身智能不像大语言模型那样只需要"清洗和整理"已有数据，而是要从零开始的原始积累。

这个判断，是理解整个数据基础设施赛道为什么会存在、为什么会这么贵、为什么会这么乱的第一把钥匙。

学术界的第一次严肃尝试来自 2023 年 10 月的 Google DeepMind 。他们联合 21 个机构、 34 个实验室发布了 Open X-Embodiment 数据集，把来自 22 种不同机器人本体的 100 多万条真实轨迹汇总到同一个格式里，做出了 RT-1-X 和 RT-2-X 两个跨本体模型。RT-2-X 在训练数据从来没见过的机器人上，成功率比只用单一本体数据的基线模型高了 50%。

这个数字后来被反复引用，成为整个赛道相信"数据规模化有意义"的原点。

但这件事的反面同样重要：为了把 22 种机器人的数据放到一起， DeepMind 团队花了大量精力做数据格式对齐、动作空间归一化、坐标系转换——这套工作量本身，就说明具身智能行业根本不存在自然的"通用数据格式"。

紧接着是 2024 年斯坦福、 UC Berkeley 等 13 家机构联合的 DROID 数据集， 7.6 万条轨迹、 350 小时、覆盖 564 个场景。 DROID 走的是另一条路——不追求跨本体，而是把同一款 Franka Panda 机械臂放到真实野外场景里去采，追求场景多样性。

这两个数据集之间的差别，其实就预告了后来整个行业的分裂：是走"本体统一、场景多样"，还是走"本体多样、场景可控"。这个岔路口至今没有收敛。

训练场：一个非常中国的答案

如果说 2023 年是学术圈铺路的一年， 2024 年 3 月成立的 Physical Intelligence （简称π）就是把这条路彻底商业化的第一家公司。

创始阵容极其豪华： Chelsea Finn （斯坦福教授， DROID 主要推动者）、 Sergey Levine （ UC Berkeley 教授，深度强化学习圈的核心人物）、 Karol Hausman （前 Google Brain 机器人负责人）。到 2025 年 11 月， Physical Intelligence 融资 6 亿美元，估值飙至 50 亿美元级别。

π家的路线选择极具代表性：自己下场采数据。他们买了几十种不同的机器人本体，在办公室里跑遥操作，一条一条积累。这条路的隐含判断是——在这个阶段，数据的价值来源不是规模，而是"我采我训我调"的闭环反馈。别人的数据不好用，不如自己产。

几乎同时，另一家融资超过 3 亿美元的 Skild AI 走了完全相反的路——重度依赖仿真和人类视频，主张训练一个"omni-bodied"（全本体通用）的基础模型。Physical Intelligence 押"真机+闭环"， Skild AI 押"仿真+视频"，这两条路线的对撞，从 2024 年一直延续到今天。

但真正让这场战争打出中国特色的，是训练场。

2025 年 1 月 22 日，国地共建人形机器人创新中心在上海浦东张江启用"全国首个异构人形机器人训练场"。 5000 平方米的场地， 100 多台不同品牌、不同构型的人形机器人同时训练，一个"数据采集工厂"式的实体正式登场。几乎同一时间，智元机器人在浦东建了自己的数据采集工厂。北京的具身智能创新中心紧随其后，日产能 600 小时，到 2026 年已积累 4 万小时高质量数据。

训练场这个词其实很有中国特色。它把"数据采集"这件事从软件问题重新定义成了一个基建问题——你需要场地，需要机器人本体的规模化部署，需要遥操作员的班组化管理，需要一整套采集、清洗、脱敏、标注、质检的流水线。这套东西，与其说像互联网公司的数据标注中心，不如说像一个改造过的富士康车间。

这里藏着一个非常关键的分岔：美国这一波数据公司大多是"研究实验室+精英团队"，中国这一波是"训练场+产业园"。前者赌的是模型和算法的黑箱突破，后者赌的是工业化采集能力的先发优势。

上海的国地中心还搞了个"1+N+X"体系——"1"是上海市级通用训练场，"N"是上海各家人形机器人企业的数据训练分部，"X"是全国各省市的训练场分部。这套东西听上去很像早年半导体的"国家队"叙事，但也暗藏一个悖论。

按照中国信通院《具身智能发展报告（ 2025 ）》的原话："目前训练场产出的数据产品主要供建设方或联建方自用，用于机器人产品的训练"。

翻译一下，就是训练场作为"公共基础设施"的定位和"厂家私有数据源"的实际功能，从一开始就是拧巴的。

合成数据派：把成本打到两个数量级之外

2025 年真正的分裂，其实不是"训练场"和"研究实验室"的分裂，而是真机路线和合成数据路线的分裂。

代表人物是银河通用的创始人兼 CTO 王鹤。王鹤是北京大学助理教授，博士毕业于斯坦福大学 Leonidas Guibas 组。银河通用 2023 年 5 月成立，两年时间，估值突破百亿。

王鹤的核心判断特别激进：真机数据太贵、太慢、太不通用，别做了，用合成数据。 2025 年 1 月，银河通用发布 GraspVLA ，号称是全球首个"完全用合成数据完成基础模型预训练"的端到端具身抓取大模型。到 2025 年 7 月，银河通用的数据结构是：亿级真实场景数据 + 百亿级合成仿真数据，合成数据量级比真实数据高出两个数量级。

王鹤讲过一句话："我们需要的可能是上百亿的数据，机器人才能达到泛化的能力。"

用真机去凑一百亿条，那是根本不可能的事。真机遥操作一条数据的平均成本是几十块钱，一亿条就是几十亿人民币，一百亿条要几千亿——这个数字比整个具身智能行业至今为止的融资总额还高。

合成数据路线的支持者背后还有一个更大的推手：NVIDIA。 2025 年 3 月，黄仁勋在 GTC 上发布 Isaac GR00T N1 ，号称第一个开放的人形机器人基础模型； 5 月发布 GR00T-Dreams 蓝图，用 Cosmos 世界模型从一张图和一段 prompt 生成机器人训练轨迹。

NVIDIA 的算盘打得很响：卖 GPU 卖 Isaac Sim 卖 Cosmos ，如果整个行业都用合成数据训练，那 NVIDIA 就是这个生态的水电厂。中山大学-香港中文大学（深圳） AIRS 引用过一个对比数字——捕捉一小时自主车多模态机器人数据成本为 180 美元，模拟相同数据只需要 2.20 美元。成本比是 80 倍。

但合成数据不是没有代价。Sim2Real gap （仿真到现实的差距）依然存在。物理引擎很难 100%还原真实世界的物体形变、摩擦力、细微物理特性。用合成数据训练的模型，直接部署到真实机器人上时，往往"看起来会、做起来不稳"。银河通用自己也承认——他们的最终产品线其实用了合成数据打底 + 少量真机数据校准的混合策略。

另外，仿真擅长常见操作，不擅长罕见操作。仿真可以生成"抓杯子"的一亿种变体，但很难生成"抓一只挣扎中的活鱼"这种极端物理交互。而具身智能在真实世界中恰恰要处理大量罕见操作。

注意，我们没有说合成数据路线一定跑不通，只是陈述一个技术上客观存在的边界。

五种玩家和四条路线

到 2026 年，具身智能数据基础设施的玩家大致可以分成五个阵营。

阵营一是独立数据公司，代表是形芯智能、京东数据基地、数据堂这类。他们的定位是做本体厂商的"数据 OEM"，卖 dataset 或 DaaS 订阅。京东在江苏宿迁的数据采集中心，让快递分拣员、超市理货员戴着第一视角设备工作，把这些工作过程视频转成机器人训练数据，计划两年内积累 1000 万小时。这个模式的巧妙之处在于——数据采集成本是"负的"，因为工人本身就是在做有产出的工作。

但独立数据公司普遍面临一个尴尬。虎嗅那篇报道里，形芯智能副总裁朱军直言：这个行业现在的甲方，都很想自己下场做。客户觉得他们的数据"通用性不够"，因为通用意味着不针对特定本体优化；但如果针对某一家本体优化，规模又做不起来。这就是独立数据公司做不成 Scale AI 的核心原因——Scale AI 能吃到大语言模型时代的红利，是因为文本数据的格式是统一的，一份高质量标注可以卖给所有大模型公司。但具身智能里，一份为智元 A2 采的数据，卖给宇树 H1 的价值可能就骤降 80%。

阵营二是本体厂商自建数据工厂，代表是智元、千寻智能、星海图、自变量。智元在浦东建了自己的数据采集工厂，部署近百台专机做规模化遥操采集，核心逻辑是数据飞轮——自家本体采集的数据，只用于训练自家本体的模型，形成"本体—数据—模型—产品"的闭环。这个阵营的核心优势是闭环性；核心短板是规模天花板极低——一家本体厂商的采集能力，无论如何都追不上一个开放平台。

阵营三是训练场/国家队，代表是国地中心、北京人形创新中心。前面已经讲过它的结构性拧巴。这里补充一个更冷冰冰的事实：当前市面上被广泛引用的开源具身智能大模型（π0 、 GR00T 、 RDT 、 GraspVLA ），几乎没有一个是主要基于中国训练场数据训练出来的。国地中心 2025 年 6 月发布的"白虎"百万规模异构数据集，是训练场路线的重要成果，但其在国际学界的影响力，还没形成 Open X-Embodiment 那样的地位。

阵营四是仿真+合成数据派，代表是银河通用、 NVIDIA 、 Skild AI 。前面讲过。

阵营五是视频蒸馏派，代表是京东、 Skild AI 、 EgoDex 相关研究者。核心思路是——互联网上有海量的人类第一视角视频，能不能把这些视频"蒸馏"成机器人可用的训练数据？ 2026 年上半年一项引发广泛讨论的研究显示：在数据稀缺场景下，仅用 34 条真机示教任务成功率只有 10%，但加入 419 条任务匹配的人类视频后，成功率提升到 40%。也就是说，人类视频不能替代真机数据，但它能显著"放大"真机数据的效率。

四条技术路线的对比，如果拉一张表：

这张表能解释一个反直觉的现象——为什么合成数据派估值高、真机派估值也高，但独立数据公司估值反而普遍不高。因为前两个阵营各占据了一个极端优势，而独立数据公司卡在中间，什么都做但什么都不极致。

为什么它比自动驾驶更长、更贵

三年前，很多人以为具身智能数据会像自动驾驶那样很快形成"数据平台+车厂"的分工结构——Mobileye 、 Waymo 卖感知栈， OEM 买单。但到 2026 年大家发现，具身智能的格局跟自动驾驶差别很大。

第一，具身智能的本体多样性远高于自动驾驶。所有的车都是四个轮子加一个方向盘，感知模态高度收敛。但机器人有轮式、双足、单臂、双臂、灵巧手（从两指到五指）……这种多样性让数据无法自然复用。

第二，具身智能的场景多样性也远高于自动驾驶。自动驾驶的场景就是道路，尽管有城市、高速、雨雪雾等变量，但底层还是一个约束场景。机器人的场景是工厂+仓库+家庭+医院+户外，场景之间的物理逻辑都不一样。

第三，具身智能的评价体系不清晰。自动驾驶有 disengagement rate （脱管率）这类相对量化的指标；机器人没有——什么叫"叠好一件衣服"？什么叫"成功抓起来一个杯子"？连成功的定义都在争。

这三个差别决定了具身智能数据赛道不会像自动驾驶那样出现明显的"数据平台"垄断者，反而会长期处于"多路线共存、多玩家博弈"的混沌状态。

还有一个更学术化的观察：每一家公司选择的技术路线，几乎都是被创始人的学术背景决定的。

Chelsea Finn 和 Sergey Levine 是 imitation learning 和 offline RL 的旗手，所以 Physical Intelligence 选了"真机+模仿学习"的路。王鹤是 Leonidas Guibas 组出来的，做 3D 视觉和仿真出身，所以银河通用选了"合成数据+GraspVLA"的路。 Skild AI 的创始人 Deepak Pathak （ CMU 教授）主打 self-supervised learning 和 curiosity-driven exploration ，所以 Skild 选了"仿真+视频+全本体通用"的路。

这不是巧合。在一个技术路线尚未收敛的行业，公司选择的路线本质上是创始人技术信仰的外化。这也意味着——这场战争的胜负，某种程度上取决于哪一派学术思想最终胜出，而不是哪家公司执行力更强。这是它比自动驾驶更学术化、更长战线的原因。

三个剧本和最要命的那个

我给这个赛道未来 2-3 年画三个剧本。

最可能的剧本，概率约 55%：混沌延续，独立数据公司死一半，头部两三家跑出来。 未来 18 个月，独立数据公司里，只有最贴近头部本体厂商生态、或者最强的第一视角视频数据（京东这类）能活下来。训练场依然存在，但会被重新定位——从"公共数据平台"退化为"人形机器人产业园的配套设施"，靠地方政府补贴维持。真正实现商业化闭环的，可能是那些同时做本体+做数据+做模型的公司——不是因为他们做得多好，而是因为在数据无法标准化的世界里，唯一能变现的形态就是"整机交付"。这个剧本下，卖数据这个生意会输给卖机器人。

最危险的剧本，概率约 25%： sim2real 迅速突破，真机数据全面贬值，训练场资产打水漂。 如果未来 12-24 个月里，世界模型（ Cosmos 、 Sora 类的技术）的物理保真度突破关键阈值，让合成数据的可用性接近真机，那整个真机采集赛道会一夜之间被结构性冲击。国内几十亿的训练场投资、上百亿的融资款、成千上万的采集员岗位，会变成沉没成本。银河通用和 NVIDIA 会成为最大赢家。这个剧本的触发点很清晰——只要有一家公司公开发布"纯合成数据训练、真实场景稳定部署"的通用操作模型，市场情绪就会立即翻转。

最乐观的剧本，概率约 20%：多路线共存下的数据金字塔成为行业共识，形成开放生态。 如果 LeRobot 这类开源数据格式在未来 2 年被主流玩家广泛接受，如果国地中心、白虎数据集等公共数据源真的能建立起流通机制，那具身智能行业可能会走到一个类似 Linux+Android 的开放生态——没有单一赢家，但有一个健康的、可持续的行业基座。

真正让我睡不好觉的是最危险的那个剧本——不是因为它不可能，而是因为它一旦发生，速度会非常快。世界模型技术当前的进步曲线，比大部分从业者以为的要陡峭。

尾声

如果把这个问题放到更长的时间尺度里看，具身智能数据基础设施的困境其实是一个古典问题的现代重演——当一种新的生产要素出现时，谁来定义它、生产它、分配它、交易它？

工业革命时期，煤炭和铁矿石是新的生产要素，最后是国家和大公司通过铁路和港口把它们变成了标准化商品。信息革命时期，数据是新的生产要素，最后是互联网巨头通过 API 和云平台把它们变成了可交易的数字商品。到了具身智能时代，"动作数据"是新的生产要素，但目前还没有出现能够"把它变成标准化商品"的基础设施。

问题在于，具身智能的动作数据，可能天然就不适合完全标准化。因为动作是绑定在身体上的，而身体的形态是无限多样的。文本可以拆成 token ，图像可以拆成 patch ，视频可以拆成帧，但动作没有一个自然的最小单位。

也就是说，具身智能数据基础设施的困境，可能不是"我们还没找到标准"，而是"标准本身就不该存在于本体层"。真正的标准可能存在于更高的抽象层——比如"任务表示"，或者"物理规律的参数化描述"。这需要基础研究上的突破，不是工程或商业能解决的。

在这个突破到来之前，行业会持续处于混沌状态。融资会继续，训练场会继续建，独立数据公司会继续死，本体厂商会继续内卷。这不是一个 2-3 年能收敛的赛道，而是一个 5-10 年的战争。

而对绝大多数玩家来说，问题不是"能不能赢"，而是能不能活过泡沫破裂的那一天。