99%的数据缺口里 谁在给具身智能“卖铲子”

2026年，整个具身智能的重心正在从“把机器人做出来”转向“给机器人喂够数据”。各类企业发布会、行业论坛上，数据已经成为最高频议题。

“物理AI最大的瓶颈、挑战还没有到算力算法这些阶段，相比大模型还在更早期的时候，里面凸显出数据问题。”觅蜂科技董事长兼CEO姚卯青表示。

“智元系”觅蜂MEgo两万套设备下线、百万小时无本体数据正式产出，千寻智能搭建分布式大规模数采网络、在全国有40多万个真实的采集点，京东提出要打造全球最大数采体系，一股围绕物理AI数据的基础设施建设浪潮全面铺开。

据IT桔子统计，2026年上半年，有25家中国具身智能数据创业公司合计拿到超过170亿元的融资。

当百万小时数据开始涌入市场，行业面临的真正问题从“有没有”变成了“能不能用”。数据标准、质量评估、隐私合规等，这些“隐性变量”正在成为新的分水岭。

千万小时缺口，催生一个产业

如果我们将大语言模型比作一个博览群书的学者，那么具身智能模型则更像一个需要从零开始学习如何与世界互动的婴儿。前者可以通过阅读人类写下的所有文字来学习，而后者必须亲自触碰火焰才知道灼热，亲手拿起杯子才理解“抓取”的力学含义。

这种根本性的差异，造就了具身智能今天面临的数据断层。

中国信通院发布的《具身智能训练场研究报告（2026年）》显示，当前全球可用的高质量真实数据仅为数十万至百万小时级，而具身基础模型要迎来“ChatGPT”时刻至少需要数千万小时数据，缺口超过99%，远未达到支撑能力涌现的临界点。

数据统计，2025年，数据采集需求占人形机器人千万级别订单的31%，2026年这一比例预计突破50%，成为人形机器人第一大需求来源。

本体与模型厂商是其中一大玩家，它们依托自有机器人与核心传感硬件搭建数采体系，在满足自用后对外销售标准化数据集。

例如，智元机器人孵化的觅蜂科技成立仅半年便完成三轮融资，自研的MEgo系列无本体采集设备已量产交付超2万套；千寻智能自主研发了可穿戴式数据采集设备，在全国100多个城市有40多万个真实的采集点。

另一边，一批独立“卖铲子”的专业数据公司正在快速崛起，成为本轮行情里最确定的受益群体。光轮智能、简智机器人、诺亦腾机器人等组成了国内数据基建第一梯队。

独立服务商的崛起意味着产业分工出现质变。在2024年之前，几乎所有数据工作由机器人公司内部自研完成；到2026年，越来越多中小本体厂商选择外购数据集与采集服务，不再自建昂贵的数据团队。产业链从“以硬件本体为核心”向“以数据基础设施为驱动”迁移，数据本身正在变成可交易、可交付的标准化商品。

多路径并行

面对巨大的数据缺口，整个行业分化出四条主流技术路线。

第一条路线是真机遥操作数采，操作员通过主手设备远程操控实体机器人本体完成任务，直接记录机器人自身全部传感器数据。

这条路线的优点是数据和目标本体完全对齐，后训练、真机落地无可替代。缺点是成本极高、扩张速度慢，想要产出几万小时高质量真机数据，需要上千台机器人持续采集半年以上。

第二条路线是无本体数采，是过去一年热度最高的方向。设备形态以头戴相机、腕部传感、触觉手套为主，不需要实体人形机器人本体。觅蜂的MEgo系列就属于这一路线。

它最大优势是可以众包扩散，可以进入各式各样真实场景。以觅蜂为例，其累计生产超过100万小时高质量无本体数据，全部来自开放环境中的真实采集，数采设备已陆续进入家庭、办公、零售、生产、餐饮等真实场景。

不过，姚卯青也承认，无本体不能替代真机。无本体数据适合预训练阶段学习通用表征，真机数据适合后训练。具体到某一个任务上做落地，绕不开对应本体的真机数据。

第三条路线是仿真合成数据。仿真可以无限生成极端、长尾场景，边际成本低，便于做大规模扩充。但 Sim‑to‑Real（仿真到现实）鸿沟始终挥之不去，目前仿真数据在训练环节占比很小，更多用在评测。

而很多从业者也观察到，在国内，部分场景下高质量真实世界数据的单小时成本已经低于仿真。仿真过程需购置数字资产，而资产构建涉及手绘、建模等环节，并依赖GPU算力进行渲染，整体成本较高；无本体数采可大规模摊薄真实数据成本。

第四条路线是互联网视频蒸馏，从现有视频中提取动作知识。但姚卯青将其定位为“现阶段的拐杖”，在第一人称视角数据不够的时候只能用它获取知识和表征，无本体数据到千万小时以上规模之后，这根“拐杖”就可以逐渐被扔掉。

目前四条路线并行，在量子位不完全统计的70家数采公司中，有30家同时走多条采集路线，占43%。背后的原因是没有任何一种数据采集方式能够独自满足机器人的训练需求。

无本体Ego第一人称数据解决预训练规模问题；真机数据守住真实本体落地的底线；仿真在极端、高危长尾场景做补充。行业判断，短期不会出现一条通吃全部场景的完美技术路线。

行业集中度将大幅提升

热闹的表象之下，洗牌已经悄然开启。一线从业者判断，这个赛道最终会走向寡头格局，很难维持分散的充分竞争状态。

姚卯青向记者表示，具身数据行业天然会走向头部集中，“这个生意同时吃工程能力、运营能力和资金实力。”

数采是重资产游戏，几万套硬件投入是数亿元级别，存储PB‑EB级别的数据，建设数据中心又是巨额开销，同时还需要极强工程能力、大规模众包运营能力，多重门槛叠加，中小团队生存空间会持续被挤压。

而客户对于数据的要求也变得越来越高。行业早期，资本市场很容易用“累计多少小时数据”作为核心评判指标。但经过一轮实践，市场认知快速迭代。

一方面是数据质量。姚卯青向记者表示，年初大家在迭代、试错、收敛，拿手机、运动相机采一采也能卖。到下半年，60FPS、1080P、双目视觉这些指标逐渐成为共识，需求主要由头部客户定义出来。

另一方面是数据多样性。“盲目采集一百万小时其实并不难，重复做少数几类任务就可以实现，但这样的数据几乎没有价值。”姚卯青表示。

市场认识到，任务场景单一，数据同质化，继续扩充的边际效益急速递减。再好的模型架构，没有物理世界的海量、多样、高质量交互数据，就无法形成物理认知。

姚卯青提出评判一家数采企业实力的三个指标：第一，数据集的场景、物体多样性；第二，是否可以提供详尽可验证的数据质量报告；第三，有多少数据集完成客户验收，形成确认收入，这是市场竞争力的客观佐证。

与此同时，行业的标准化进程也在加速。

今年8月，工信部批准发布《人工智能关键基础技术具身智能数据集质量要求及评价方法》，该标准将于2026年11月1日起正式实施。标准涵盖完整性、一致性、多样性、真实性、易用性、实用性、可扩展性和安全性八个维度。

标准发布标志着具身智能数据集建设从“规模导向”向“质量导向”转变。对于头部玩家来说，标准既是门槛，也是护城河。

“具身数据的竞争门槛已经从能不能采转到能不能稳定交付，行业会向少数几家公司收敛。”姚卯青向记者表示。

但距离真正的“ChatGPT时刻”，还有很长的路要走。按测算，具身基础模型要迎来质变，至少需要千万小时级的真实数据。这个过程还面临很多挑战。

“在整个运营模式上需要做很大的升级，通过现有的模式线性复制是非常难的事情，一定要找到一个方式‘降维打击’。”姚卯青向记者表示。

他认为，线性扩张成本太高，还是要依靠众包模式发动各行各业掌握真实技能的普通人参与数据生产；同时要攻克硬件一致性、多模态对齐、数据质量自动化校验、隐私合规等一系列工程难题。