在“数据荒漠”上修路，具身智能有了“基建商” | 预见AI+

“机器人大脑跟不上？建具身智能数据基座

具身智能领域存在一个有趣现象：在视频与展会的“秀场”中，机器人表现“炸裂”，跳舞、格斗无所不能；但在实际应用中，可能连简单的端茶倒水都做不了。

其实，这是当前具身智能产业普遍存在的“大小脑”发展失衡问题：机器人本体与小脑运动控制技术日趋成熟，但“大脑”的迭代进化相对滞后。换句话说，四肢发达，头脑简单。

某种程度上，传统AI像“应试教育”，训练完就定型，而真正的具身持续学习则倡导“素质教育”，与时俱进。4月28日，乐聚机器人正式发布数据采集训练场2.0。在这里，既像是一个“学校”——学习各种技能，又像是一个培训实习的“工厂”，即机器人在各行业正式“上岗”前，从这里学习、练习各类技能。

从“教机器人干活”到“让机器人自己学会干活”，悄然间，乐聚也在从单纯的“造机器”加速向更深层次的“养数据”转身。

机器人大脑跟不上？

建具身智能数据基座

从春晚再到马拉松赛跑，人们也在持续追问，从“能动”到“能用、可用、好用”，到底还缺点什么？

问题的关键是数据。数据是具身智能的“燃料”，是算法、算力之外决定智能系统能力上限的关键变量。如果具身智能机器人“答非所问”，跑步时会因自身不稳而摔倒，这些都与缺乏高质量数据有关。

机器人对数据到底有“饥渴”？数据显示，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，不足大语言模型训练数据的两万分之一。

相比大语音模型是“数据越多、参数越大、能力越强”，具身智能的数据是物理世界的反馈——力矩、摩擦、形变——不能在仿真里完美生成，也不能在互联网上随便爬取。

比如说，摘草莓，人操作起来很容易的一件事，但对具身智能机器人来说，却繁琐无比：机器人需先识别果实位置，再调整机械臂角度完成抓取，最后将果实放入容器，仅摘取力度就要反复试验：力度过小果实无法脱落，过大则会造成损伤。这背后，需要大量数据和多模态的AI训练。

当“量”的边际收益递减时，行业自然转向“质”的基础设施建设。于是，具身智能的叙事规则正发生变化，从2025年“谁的模型更大、运动能力越强”，转变为2026年“谁的数据基础设施更强”；去年行业还在拼模型参数量和预训练数据规模，今年头部企业和地方政府则在加速建训练场。

继具身智能首次写入2025年政府工作报告后，“十五五”规划纲要也明确提出，统筹布局具身智能实训场，推进虚实融合协同训练。

地方层面也在同步落地：四川省“十五五”规划专项提出加快建设大模型训练场、具身智能机器人训练场。北京石景山40余家“政产学研用”单位成立具身智能数据要素产业联盟，这是从“各建各的”走向“协同作战”的信号。

就在4月底，广东省人民政府办公厅印发《广东省加快推进人工智能全域全时全行业高水平应用行动方案》。方案提出，重点布局人形机器人设计制造，推动人工智能与机器人“大脑”“小脑”及机身协同研发，突破多模态感知融合、自适应决策等关键技术。

其中还特别提及，支持广州、深圳等地建设具身智能训练场体系，为模型研发与验证提供数据训练和验证支撑。

在此之前，乐聚已搭建了国内最大的人形机器人数据训练中心，训练场聚焦工业智造、智慧家庭、康养服务及5G融合四大前沿场景，建立高质量的技能模型库。

在这里，人形机器人“夸父们”日复一日地“上学”，通过动作捕捉、VR遥操作、真机数据采集，掌握20余项原子技能，执行成功率超过95%。从“能走”到“会干”，从“听话”到“懂你”。

精度不够？

建高质量数据集

具身智能机器人的大脑要做的不是“能不能走”，而是“走到一个复杂环境里，能不能识别任务、理解场景、完成操作”。光照变了怎么办？物体从没见过的形状怎么办？力反馈超出预期怎么办？这些问题不是算法不够好，归根结底，还是训练数据不够多、不够广、不够高质量。

乐聚进一步丰富了产品矩阵，形成了多本体具身数据，首发LET三级具身数据矩阵，精准适配轮臂、灵巧手与全尺寸人形三大硬件平台。问题来了，真的需要这么多平台？

其实，没有哪一条是完美的路线，目前呈现出多条技术路线齐头并进，包括真机遥操作、便携采集、仿真合成等维度破解数据难题。

比如，遥操作真机采集是行业公认质量最高的方案。但成本仍是这条路线绕不开的问题——单小时有效数据成本价格不菲，而且操作员上手门槛极高。

便携采集是目前规模化速度最快的方向，但抓取物体该用多大力道？如何避开障碍？门把手旋转多少度才能开门？这些都需要机器人通过海量视觉、触觉与运动数据反复学习。

为了教机器人干活，训练场2.0把数据采集分成了三个不同的维度：

轮臂操作，轮臂机器人通过VR+全身增量遥操覆盖抓、拿、放等高频标准动作，满足规模化流水线作业；

灵巧手操作，搭载触觉灵巧手与腕部六维力传感器，聚焦捏、扣、握等五指精细交互，突破复杂手眼协同瓶颈；

全尺寸人形操作，整合搬、蹲、走等大范围拟人作业，实现多关节协同与全向移动控制。

触觉、数采和双臂协同被组合成可部署的操作栈，推动具身智能从“部件参数”转向“整机能否连续干活”。把每一次执行都变成下一轮训练数据，意味着未来高质量操作数据的供给速度，可能会比硬件参数更早拉开差距。

数据采集之路绝非一帆风顺。乐聚还打造端到端的一站式数据管理工具链，实现从采集到交付的工业化闭环，比如，在数据采集环节，保证全信号同步误差小于10ms，杜绝视觉、力觉与关节数据时序错位。

这什么意思？如果存在延迟过长，机器人关节会出现抖动，数控机床加工精度下降，灵巧手刚接触到草莓还没来得及停止就往前戳破了……

试想一下，当乐聚率先建成覆盖全场景的大规模真机实采数据集训练场，未来一台机器人能稳稳接住你递来的玻璃杯，那种精度背后，可能正是来自这片训练场默默积累的成果。

需求断层？

为大脑进化建“高速”

当机器人在虚拟世界中完成“通识教育”，再通过真机实训完成“专业深造”，大幅提升训练效率与泛化能力，就可以进一步走到真实场景中来。

训练场1:1还原了包裹分拣、钣金上料、日化翻瓶、商超货架拿取等核心作业流，“学徒”们也在努力学习分拣快递、料箱拆垛、端咖啡等等。

这意味着人形机器人从实验室走向真实世界的门槛正在消融，有望批量进厂“打工”，形成新的“通用劳动力”。

乐聚并没有独享这套底层基础设施，而是联合产业上下游，共建开放、透明、可持续的具身智能数据生态。这样的一条数据“高速公路”，其核心逻辑并非提供几间实验室那么简单，而是通过建设一个集中式、标准化的基础设施，将原本分散、昂贵的机器人数据采集与训练过程，转变为集约、经济的公共服务，吸引产业链核心企业在此集聚。

当前，中国发展具身智能的优势在于丰富的场景应用，可以通过训练场的产业带动，将上中下游企业紧密联结在一起，补齐灵巧手、电机、软件等产业链环节短板，让具身智能机器人产业从“单点突破”迈向“集群成势”。从制造车间到家庭空间，从物流作业到医疗康复，训练场将成为具身智能技术迭代的“孵化器”，推动人形机器人加速赋能千行百业。

面对行业的“数据墙”，乐聚修路架桥，并开放“数据工厂”，要成为机器人产业的数据与平台赋能者。或许，修筑道路、保障供给的“基建商”，工作不那么炫目，却实实在在地决定着行业能走多快、走多远。