比「算力荒」更致命，「数据荒」正在带来灾难？

作者：郑施婧

原创：深眸财经（chutou0325）

当下，AI行业最常被提及的焦虑，非算力短缺莫属。英伟达GPU一卡难求的新闻屡见不鲜，价格也随之高涨。以H100为例，市场价一度被炒至4万美元以上，是其官方定价两倍以上，同时交货周期拉长至数月。这种供需错配推高了AI企业的训练成本，也让市场弥漫着焦虑的情绪。

然而，当我们把视线从大模型移至具身智能，就会发现，算力荒在这里更像“成长的烦恼”。更令从业者夜不能寐的，是另一个早已降临的深层瓶颈“数据荒”。

据行业测算，要训练出具备通用泛化能力的具身模型，需要千万，甚至亿小时级别的真实操作数据；而截至2026年初，全球可用的高质量物理交互数据总量仅约50万小时，缺口超过99%。这意味着，具身智能当前的数据基础，距离真正意义上的通用泛化能力还差两个数量级以上的距离。这不是渐进式的差距，而是根本性的断档。

具身智能已经撞上了一堵比算力短缺更难翻越的“数据荒漠”。

01

“算力荒”是工程问题

“数据荒”是维度灾难

过去，摩尔定律让单芯片晶体管数量每18个月就能翻一番。算力成本持续下降，英伟达H100的FP8算力接近2petaFLOPS，相较五年前的V100，单位算力成本大幅下降；台积电CoWoS封装产能也在有序扩产，月产能从2023年的约1.4万片晶圆，在2025年提升至约7万片，预计2026年底增加到13万片。

如此来看，算力瓶颈是产能问题，有明确的扩产周期。但具身智能面对的是物理世界的无限复杂性，这更像是一场维度灾难。

首先就是数据无法被“爬取”。大语言模型可以吞噬互联网上人类千年积累的文本资料，例如GPT-3就有约45TB数据。但机器人要理解物理世界，却没有现成的“教科书”。

单论“拧瓶盖”这个人类凭直觉完成的日常动作，背后是物理世界的无数隐藏变量，机器人需要理解瓶盖的材质、螺纹摩擦力等多变量。而这些变量恰恰是互联网这个“大模型粮仓”从未储存过的。

所以当大模型用“文字”丈量世界时，具身智能需要用“动作”来感知物理现实。这种性质上的差异，让数据荒漠远比算力竞赛更为棘手。

另外，具身智能对数据“质量”的要求也远比大模型严苛。在大模型训练中，错别字或语法瑕疵尚能处理。比如说，GPT-3的训练数据里可能混入了像“偶今天真滴好开森”这种口语化、带错词甚至缺标点的句子，但大模型依然可以从大量规范文本中提炼出主谓宾的规律，学会正常的表达方式。

而具身智能的数据规律就远不如文字清晰，噪声的类型、严重程度、对模型的影响都难以定义。例如，采集时摄像头帧率抖动、关节编码器延迟、力控传感器漂移等，这些噪声不像文本错别字那样可以检索替换。

鹿明机器人联席CTO丁琰就曾指出，市面上大量UMI数据采集设备因硬件能力不足，画面与动作无法严格对齐，导致产出的数据根本“不具备进入训练管线的条件”。这意味着，具身智能的数据采集从一开始就面临“质量门槛”，低质数据不仅无法助力训练，反而会污染模型。后者是“费力”，前者则可能是“无用”。

除此之外，具身智能的数据还无法像算力一样迁移复用。例如，英伟达的GPU架构从A100到H100，能针对不同任务的计算效率持续提升，模型训练可以无缝升级。但具身智能具有极强的硬件依赖性，一台1.6米高的机器人与1.8米高的机器人，在执行同样的“弯腰捡拾”动作时，关节角度、重心偏移、抓握角度等可能完全不同。所以前者采集的数据，对后者而言可能无效。这也导致具身智能数据之间有天然的隔离，形成了一个个独立的“数据孤岛”。

如此来看，算力是可复用的标准化资源，随着工艺进步和产能扩张，其成本与获取难度必然趋近于下降；而数据却是与特定硬件、特定场景深度绑定的“非标品”，每一款机器人、每一次部署都可能需要重新积累。从本质差异上来看，算力荒是暂时的、可解的，而数据荒是长期的、结构性的核心瓶颈。

02

真机、UMI、仿真三路并进

数据采集路线尚在突围

面对“数据荒”的困境，目前业界主要探索出三条技术路线，即真机遥操作、无本体UMI采集、仿真合成数据。它们分别代表了精度、规模与成本的权衡，但尚未有一条能完美兼顾三者。

先来看真机遥操作。这是最早的方案，通过VR设备、动捕服等遥操作真实机器人，逐条记录动作数据。优点是数据真实度高、可直接用于同款机器人训练。例如，宇树科技的基于轮式人形机器人G1-D的数采训练全栈解决方案，其采集数据可直接用于同款G1-D机器人的模型训练。

但代价同样惊人。北京人形机器人创新中心投资建设了近5000平方米的数采场地，投入了120台机器人用于数据采集，仅场地和设备投入就达数千万元。智元机器人建有大规模数采中心，部署约200台机器人，数百名数据采集员的轮班运营。场地、设备折旧加上人力薪酬，构成了长期且高昂的固定支出。

（图源：智元机器人）

目前来看，真机遥操作好比手工精雕，精度虽高，但速度慢、花费大。这种模式或许更适合在高附加值场景，如医疗手术、特种作业中担任主力数据源。如果要靠它撑起亿级数据的底座，以目前机器人厂商的资金储备来看，或许难以承担。

UMI方案则将采集设备与机器人本体解耦，用人手持轻量化的夹爪和摄像头，在真实场景中操作采集。大衍科技就曾通过与无人超市、前置仓合作，让工作人员佩戴采集设备正常上班，在日常生活中就把数据采集了。如此，UMI更像用上了半自动工具，虽然仍需人力，但采集速度快了不少，花费也大幅下降。

然而，上海交大卢策吾团队却指出，具身模型规模化卡在数据采集的“真实性与质量平衡”难题。具体而言，UMI采用手持设备，难以保证每次采集时摄像头角度、夹爪姿态的一致性，导致数据格式不统一；大规模采集后，海量低质量数据需要大量人工后处理进行筛选和对齐，反而可能使综合成本不降反升。如此来看，UMI虽然降低了采集门槛，却把数据质量的“雷”埋在了更隐蔽处。

而仿真合成这条路则彻底抛弃真机，直接在仿真引擎中生成海量训练数据。例如，跨维智能开源的工具链EmbodiChain，100%使用合成数据训练VLA模型，且能直接部署于真实机器人，实现了虚实迁移；诺基亚联合英伟达，基于Isaac仿真平台构建“AI数据飞轮”，将智能体训练速度提升近10倍。

但问题在于仿真毕竟是“仿”的。仿真环境再精细，也无法完全复现现实生活。斯坦福大学《2026 AI Index Report》显示，仿真环境下任务完成率可达89.4%，但在真实家庭场景中骤降至约12.4%。这揭示了一个残酷的现实，仿真训练出的模型在实验室里是“优等生”，可一旦踏入真实世界的“考场”，成绩便大打折扣。虚实鸿沟仍是仿真路线上绕不开的硬门槛。

（图源：斯坦福大学《2026 AI Index Report》）

三条路线各有优劣，短期内将在不同场景中并行探索，真机遥操作守住精度上限，UMI主攻规模化采集，仿真合成负责覆盖极端场景。长期看，UMI兼顾真实性与可低成本扩充规模，或许是突破数据荒的主力。

03

陷入“囚徒困境”的数据采集

与不明朗的行业最优解

无论哪条路线，似乎都卡在同一个死结上，数据无法同时满足“规模、质量、成本”三角。每家公司都在投入，却都走不远。面对如此困境，从全行业理性角度出发，或许最优解是将数据开源，即共享数据、摊薄成本、避免重复采集。

市场上已经有了先行者。乐聚牵头联合宇树、阿里云等共建国内首个国家级具身智能开源数据社区OpenLET，已开源超6万分钟真机数据集，供业界使用；均普智能于2026年6月开源了面向真实机器人强化学习的大规模数据集RW-RL-Dataset。这些尝试为行业提供了宝贵参照，也在证明数据共享在技术层面并非不可行。

然而，开源仍是少数派的理想主义，更多企业选择了商业变现之路。京东将数据采集作为独立生意，计划发动最多60万人参与，两年内积累1000万小时视频数据，并已上线具身智能数据交易平台，首批定向开放2000小时高精标注“数据集”；箸境智能在江苏省数据交易所完成全国首笔具身智能数据集交易，包含约2.5万条结构化数据，覆盖办公、商超、餐饮、家政四大场景；鹿明机器人则打造了“数据超市”，供客户在线采购标准化操作数据。星海图CEO高继扬就曾明确指出，当前行业对于数据具有强烈的“私有化属性”。由此看来，数据在当下更被视为企业的核心资产和可交易的商品，而非开源的公共资源。

（图源：LUMOS鹿明）

数据共享虽然能让全行业受益，但商业逻辑下，谁先开源，谁就可能被对手低成本复制成果。于是这家不愿为别人作嫁衣，那家担心对手反超。个体都保护自身利益，最终导致全行业重复采集、效率低下。这正是经典的“囚徒困境”。共享是乌托邦式的理想，现实却正滑向“各自为战”。目前来看，除非出现强有力的行业标准与利益分配机制，否则行业“最优解”可能将长期停留在愿景中。

04

从“数据喂养”到“自我迭代”

数据“奇点”何时到来？

如果行业注定要各自突围，那最有可能的方向是什么？或许我们可以从大模型的进化中寻找启示，比如让机器从“被投喂”走向“自主觅食”。

大模型的发展已验证这条路径。英伟达研究团队开发的Eureka系统，让AI能生成多个解决方案并自我筛选，像程序员一样进行“自我批评”和改进。Eureka在83%的任务中超越人类专家，使机器人性能平均提升52%；Kimi K2则通过构建工具模拟器让智能体在“沙盒”中练习，在与模拟环境的持续交互中积累经验并自我迭代。

这两个案例的共同逻辑是，智能体不再被动等待人类投喂数据，而是通过与环境互动自主生成训练信号。或许可以借鉴这一逻辑，通过某种机制实现具身智能的自我迭代。

具身智能的“数据奇点”，可能不在于数据量的堆砌，而在于形成一个“采集→训练→落地→再采集”的闭环。

上海创智学院与智元具身研究中心联合提出的LWD系统，正是这一理念的实践。它让机器人在真实任务中持续积累交互经验，包括成功轨迹、试错后的自我恢复，以及人为引导的失败案例，全部回传，持续微调优化模型。通过这一机制，LWD训练的单一通用策略在长程复杂任务中的平均成功率达到0.95，远超传统行为克隆的0.76和离线强化学习基线的0.86。

这一结果表明，闭环迭代并非纸上谈兵，而是已被验证的有效路径。循此思路，可以设想一个场景：机器人学会“扭瓶盖”后，应用时遇到一个滑丝瓶盖，经微调扭矩后成功拧开。这个“意外经验”被记录下来并回传，模型更新后再部署给所有机器人。此后，所有机器人都学会了处理滑丝瓶盖。扩展后，每个机器人遇到的特殊状况，都可以变成整个机器人群的共同经验。当跑通这个闭环，或许机器人将不再依赖人类的持续投喂，而是在真实世界的场景中自主进化。

总而言之，对于具身智能来说，算力可以购买，但物理世界的经验必须亲身积累。谁能率先让机器人在真实世界中跑通“自我迭代”的飞轮，谁就将更可能定义下一阶段的行业格局。这场漫长的马拉松，或许比的不是谁拥有更多GPU，而是谁能让机器人更好地“理解”这个物理世界。