炮轰数采中心关联交易：邵天兰的“行业公心”背后，是弃车保帅还是市值焦虑？

文源 | 源媒汇

作者 | 闻一

一个公认的事实是，智能网联汽车迈向高阶智界离不开数据采集与训练贡，具身智能同样如此，数据是具身智能落地的核心资产，数采中心本身不应成为被攻击的理由。

近期，几条朋友圈动态，把刚登陆港股的梅卡曼德创始人邵天兰，推到了具身智能行业舆论旋涡的中心。

9月1日，梅卡曼德顶着“具身智能眼脑手第一股”的光环登陆港交所，公开发售获3835倍超额认购。然而光环仅维持了一个开盘——首日即告破发，此后一路走低，不到一周最大回撤超过26%，市值蒸发超23亿港元。就在市场开始质疑其基本面之际，9月9日至10日，创始人邵天兰突然在朋友圈接连发声，将炮火对准行业内的“数采中心”模式，直指部分同行借此搞关联交易。

一方面，在新质生产力发展背景下，国家、地方、产业资本合力加码建设具身智能训练场，把真实物理交互数据当作赛道突围的核心基础设施；另一方面，行业上市公司创始人公开质疑这套基础设施的产业价值。

这就构成了一道耐人寻味的选择题：究竟是数采中心这套模式本身充满泡沫，还是发声者的判断本身掺杂了技术认知与商业博弈的双重变量？

市场存在两种解读方向：一种可能是，身处工业机器人赛道的梅卡曼德，没能读懂通用具身大模型对千万小时级真实交互数据的刚性需求；另一种可能，则是企业完成资本登陆之后，出于自身商业格局考量，试图压低赛道后来者的成长叙事。

当然，两种可能性并不完全互斥。但无论如何，具身智能是一场马拉松长跑，数据采集训练是绕不开的基础设施。

01.

全球都在抢具身智能，

中国正在补数字基础设施

时下全球AI的竞争，已经从文本大模型正式蔓延到物理世界。

OpenAI加速布局机器人业务，组建专门Robotics团队，山姆·奥特曼公开表态一定会推进人形机器人方向，投入百亿级别资源采购、生产具身交互数据，将千万小时级真实数据视作打通物理世界的关键钥匙。

大洋彼岸，Generalist AI、英伟达EgoScale项目的研究结论反复印证，具身模型性能提升和真实训练数据规模存在明确幂律关系，更多真实物理交互数据，可以直接转化为机器人任务完成率的提升。

物理世界的数据，没有互联网现成海量文本可以直接取用，每一条动作轨迹、力触觉反馈、失败样本，都需要硬件、人员、真实场景一点点生产出来。数采训练场就此成为全球科技巨头争相抢占的新型基础设施。

国内同样跟上这一轮建设浪潮。IDC发布的《中国人工智能基础数据服务市场研究报告，2025》显示，2025年中国AI基础数据服务市场规模为62.62亿元，同比增长27.8%，预计2026年增至78.34亿元。

工信部等八部门更是发文明确提出，推动建设人形机器人中试基地和训练场；多地配套专项政策，拿出场地、资金、产业资源，推进具身智能实景实训空间落地。今年8月28日，国家发展改革委政策研究室副主任李超也曾在例行新闻发布会上明确表示，“以具身智能实训场和应用中试基地为抓手，让机器人在真实场景中迭代技术、围绕真实需求形成应用闭环”。

而根据中国信通院《具身智能训练场研究报告（2026）》统计，截至2026年6月底，全国建成启用超过70家具身智能训练场，在建、规划项目46家，已经形成长三角、京津冀、珠三角三大产业集群，18个省份铺开相关项目建设，总规模还在快速扩张。

具体到企业身上，数采中心已成为多家头部人形机器人公司的重要收入来源。智元机器人2025年7月中标“珠海具身智能应用创新中心数采及展演机器人采购项目”，金额约1274万元，采购方为珠海智汇元启科技有限公司为智元与地方国资合资成立的企业。进一步梳理可见，智元直接或间接中标的国资背景项目已有十余个，其中多个金额在千万元以上。

优必选2025年公开的11笔千万元级大单中，7笔流向数采中心；2025年10至12月签下6笔数采中心订单，总额约8.29亿元，占全年近14亿元签约额六成。乐聚智能招股书显示，2025年其夸父系列人形机器人中，数据采集场景贡献的收入占比达44.94%，取代科研教育成为第一大收入来源，该公司2025年第一大客户为股东北京石景山产业发展有限公司。

理论上，训练场恰好提供低成本复现各类失败、边界工况的环境，完成“模型评测—失败分析—定向补采—再训练—再验证”闭环，降低整机企业落地试错成本。这意味着，这套基础设施，不是某一家企业的私人生意，它承担的是整个行业补齐物理交互数据缺口的公共使命。

而就在全行业合力补齐短板的时候，刚完成IPO的邵天兰站出来，将数采中心打上“攒局工具”的标签，指责部分企业依靠这套载体搞关联交易。

不可否认，任何新兴赛道快速扩张，难免滋生灰色操作空间，训练场模式同样会遇到场景同质化、数据产能虚高、交易机制不成熟的现实难题。一些业内人士也坦言，即使某些数采中心确实存在与利益相关方“互相抬轿子”的操作，“这种模式容易被异化为做大流水”，但个别企业的操作乱象，是否可以直接等同于整套基础设施模式的原罪，这是行业需要厘清的核心问题。地方政府牵头建设数采平台、企业销售设备并采购数据，在产业发展初期具有一定合理性，不应因此被全盘否定。

厘清了产业宏观背景，再把视线再下沉到技术层面，看看工业自动化出身的企业，和通用具身大模型，对数据的诉求究竟存在多大鸿沟。

02.

一家做工业机器人的企业，

真的理解具身大模型需要什么数据吗？

邵天兰带领梅卡曼德，深耕多年的赛道是工业3D视觉与工业机器人解决方案。工业场景任务边界高度收敛，流程标准化，机器人面对的物体、工位、动作循环固定，企业更多依靠工程调参、项目现场迭代，就可以完成项目交付，对千万小时级大规模多模态交互数据依赖程度有限。

但通用具身大模型面对的，是完全不一样的开放物理世界。机器人要走进家庭、商超、复杂工厂，面对物体摆放随机变化、环境光照扰动、突发干扰，需要学习叠衣服、物料分拣、故障处置等成千上万种差异化任务。它需要的数据，早已不局限于摄像头输出的视觉画面，还包含关节扭矩、力触觉反馈、末端执行器轨迹、任务失败样本、人机交互记录等整套多模态信息。

根据中国信通院报告模型测算，如果要抵达机器人“ChatGPT”的能力拐点，对标55B参数量级具身基础模型，训练大约需要1.1万亿token量级的物理交互数据。若全部由真机回流产出，则需要约21200台机器人连续工作一整年，产出千万小时级有效数据。而当下全球可用高质量真机数据，仅数十万至百万小时量级，供给缺口巨大。

虽然仿真数据可以低成本批量生成样本，但包括李飞飞在内的行业研究者已经形成共识，仿真与真实数据属于互补关系，仿真无法完全复刻真实世界物理约束，真实真机交互数据，是模型落地绕不开的一环。这也是为什么国内大量具身企业投身训练场建设——京东开源EgoLive数据集，智元搭建大规模数据采集工厂，本质都是在填补这份缺口。

工业机器人项目迭代逻辑，和通用具身大模型预训练逻辑，存在本质分野。工业场景可以项目制小样本打磨；通用具身基础模型，必须靠海量、多元、覆盖各类长尾工况的真实交互数据完成预训练。拿工业自动化项目的经验，去评判通用具身大模型的数据生产模式，很容易产生认知偏差——就像拿传统小模型的思路，无法理解大模型需要万亿token文本预训练。

包括，信通院等机构也指出了训练场现存诸多短板：大量综合类人形机器人训练场出现场景同质化，扎堆叠衣服、桌面整理等简单任务，复杂长流程任务覆盖不足；原始采集数据不等于可直接训练数据，采集之后清洗、对齐、标注、质检整套工程链路，会吃掉大量产能；跨机构、跨本体之间，数据互通共享还存在现实阻碍。

这些都是行业正在努力攻克的工程问题，属于发展中的问题。但工程层面的缺陷，不等于整套基础设施完全没有价值。如果没有读懂通用具身模型的数据底层逻辑，就很容易把训练场全盘当成炒作工具。

技术认知偏差只是其中一种可能性。舆论争议爆发的时间节点，同样值得仔细推敲。我们需要把视线拉回到资本市场的博弈场上。

03.

刚上岸就撤梯子，

背后究竟有没有商业利益？

回过头来看本次舆论冲突爆发的时间点，其实充满戏剧性。

梅卡曼德9月1日正式登陆港交所，拿到约23.53亿港元募资，成为资本市场为数不多已经上市的机器人标的。然而顶着“具身智能眼脑手第一股”光环、获3835倍超额认购的梅卡曼德，首日即告破发，此后一路走低，不到一周最大回撤超过26%，市值蒸发超23亿港元。

要知道，二级市场的评价、估值逻辑，直接决定公司后续资本空间。也就是在上市短短数天之后，邵天兰便公开发声，激烈抨击数采中心这套支撑一众具身创业公司的基础设施模式。

资本市场对具身智能赛道的热度，很大一部分建立在“数据驱动”的叙事之上。一大批还在冲击上市的具身企业，业务叙事中，训练场、大规模数据资产，是证明技术壁垒的重要一环。

一旦数采训练场模式被全盘贴上“攒局、关联交易、做收入”的标签，整个赛道的估值叙事都会受到牵连。

已经完成IPO上岸的企业，和还在冲刺资本市场的同行，处境完全不同——这也是外界"刚上岸就撤梯子"说法的由来。

更值得玩味的是，邵天兰炮轰同行“靠关联交易做虚假收入”的同时，梅卡曼德自身的招股书里，也藏着一些值得审视的细节。

其一是客户与供应商的高度重叠。招股书显示，梅卡曼德前五大客户中，客户B、C、D、E、F同时也是公司的供应商，公司向这些客户销售视觉相机产品的同时，又向它们采购“推广服务”“零部件及机器视觉”等。虽然公司强调采购金额很小，但“我买你的产品、你买我的服务”这种双向交易结构，在系统集成商渠道占比超80%的模式下，很难不让人质疑收入的定价公允性。

其二是增收不增利。2026年一季度，梅卡曼德收入同比增长73.1%至1.069亿元，但经营亏损反而从4000万元扩大至4550万元。收入增长越快，亏得越多，说明规模效应远未到来。

一家自身收入结构存在类似疑问的公司，在股价承压的节点高调炮轰同行的收入质量，这究竟是出于行业公心的揭黑，还是通过抬高“收入干净”阵营的稀缺性来缓解自身估值压力，市场自然会有自己的判断。

当然，也不能因为这个说法而否认邵天兰提出的风险具备现实警示意义。重资产的训练场建设成本动辄数千万甚至上亿元，按理想化测算，一座投入5000万的训练场，假设全部产出数据均可成功对外出售，回本周期也要3年以上。现实中受产能利用率、数据销路影响，实际回本周期往往会更长。如果企业把训练场异化为美化报表的工具，只追求账面营收，产出低质量无效数据，确实会伤害投资者与地方国资利益。

但可以确定的是，具身智能的长跑不会因为几条朋友圈动态停下脚步。数据训练场作为补齐物理交互数据缺口的基础设施，其产业价值已经被全球科技巨头和国家政策层面反复确认。而判断一家企业是在揭黑还是在博弈，或许最好的方式，是看它是否先把自己的财报交代清楚。

注：文章素材来源于官方报道和公开资料，观点仅供参考｜部分图片来源于网络，如有侵权请告知删除。