【艺恩观察】从数据集到数据引擎：具身数据的下一步在哪

2026年9月，京东科技集团高管的一句公开表态，点出了这个市场的结构：

京东同时是数据的采购方、采集方和场景方。（界面新闻，2026-09-01）

同一时期，智元自2025年底启动「一分为四」战略，将灵巧手、数据、租赁、四足机器人四项业务拆分独立，数据板块独立为觅蜂科技。京东则提出依托供应链优势建成「全球规模最大、场景最全」的具身智能数据采集中心，两年内积累超1000万小时数据，并推出自研采集终端、具身大模型与数据交易平台。

头部企业正在把自身用量最大的那部分数据供给，握在自己手里。这一趋势已经很清楚。

但它没有回答的是：哪些部分仍然值得外采。

为什么是引擎，而不是仓库

静态数据集会老化。模型能力在变，本体在变，哪些任务是短板也跟着变。

引擎知道自己有什么、缺什么、下一步该采什么、哪些素材值得做昂贵的加工、哪些已经冗余。

它是一个闭环，不是一个对象存储。

图｜ 经验来源→物理解析→状态图→加工→本体迁移→验证与反馈，最后回到采集 。

这一点上，国内的产业共识已经相当清晰。上海交通大学杨理欣的表述是：行业缺的不只是更多高质量数据，而是一个能够将现场错误持续转化为训练素材的「回环」——机器人在现场出错后由人接管，纠正过程被记录并送回训练，再把更新后的模型重新部署（澎湃科技，2026-09-02）。

工信部《2026年度人形机器人与具身智能实景实训专项行动通知》也提出，聚焦工业、服务、特种三大领域重点场景，加速构建「实景实训—数据沉淀—产品迭代—规模部署」闭环。

产业侧已有公开的闭环实践，也已经有了可量化的结果。在上海创智学院与智元机器人联合发布的成果中，通过实时回流机器人在真实环境中的任务执行数据更新模型，长程任务的平均子步骤得分较传统监督微调（SFT）方法提升近50%（经界面新闻2026-09-20报道）。

图｜ 上海创智学院与智元机器人的联合成果：以真实执行数据回流更新模型，长程任务平均子步骤得分较SFT提升近50%（企业口径）。

另有供应商披露其回流数据飞轮每轮可推动任务成功率提升5%至10%（企业自述，未经独立验证）。这类数字应当被当作闭环存在的证据，而不是闭环效果的定量结论。

世界模型（World Model）的转向在这里还有一个运营层面的后果：随着学出来的世界模型越来越多地充当强化学习与后训练的环境，数据层就不再只喂策略，而是开始喂策略所处的环境。语料里的一个缺口，会变成仿真世界里的一个缺口。

「三位一体」引出的第二个问题

当一家企业同时是采购方、采集方和场景方，它的数据服务能卖给谁？

一个本体厂商的数据子公司，天然会被它母公司的竞争对手排除在供应商名单之外；一个拥有全国零售场景的平台，它的采集网络对同业而言既是资源也是风险。

这不是国内特有的现象，海外市场已经演过一遍：2025年6月，Meta以143亿美元取得Scale AI 49%股权并延揽其创始人。随后路透社援引知情人士称，Scale AI最大客户Google计划终止合作，微软与xAI也在重新评估；OpenAI确认逐步结束与Scale AI的合作，但表示此前半年到一年已在收缩。

中立性不是一种姿态，它是一种可交易的资产——而且它的价格会随着行业集中度上升而上升。

垂直整合吃不掉的三类供给

-在被扩张的那套采集配置下物理上不可观测的信息——例如遮挡背后的几何真值和真实的力；

-需要重新组织物理场景才能获得的数据——例如严格配对的人-机器人采集；

-并非自己一手采集的素材所需的权利链。

在规模上与垂直整合的买方正面竞争的数据生意，很难有胜算；能提供规模本身换不来的东西的数据生意，才有自己的位置。

集中化会来，但它压缩的是哪一层

行业内的判断是会走向「寡头分布」，理由是数据采集重投入、强调系统化工程与运营能力、也很看重资金能力；同时在数据标准尚未统一的阶段，客户正在从「每家都采一点、试一试」转向集中选择一两家供应商（澎湃科技、华尔街见闻，2026-09）。

这个判断大概率对，但需要补一句：寡头化压缩的是「通用小时数」这一层，不是全部。

同一篇报道里也提到，一家模型公司同时用几家供应商的第一视角（Egocentric）数据，混合训练效果很难保证——这恰恰说明集中化的驱动力是接口不统一，而不是能力不可替代。一旦相关行业标准落地（数据集质量要求将于11月1日实施），接口统一带来的集中压力会下降，而按能力分工的空间会重新打开。

艺 恩 判 断

物理数据引擎有三个阶段，叠加而非替换，顺序不能跳。近期是能被理解的产品：第一视角采集、重建、动捕、定制采集——这一层拼执行与良率。中期是对齐语料、面向本体的转换、带基准测试的数据包——这一层拼对齐能力和它背后的证据基础。长期是常设基础设施：输入一个能力目标或一个失败簇，输出下一步最值得训练的物理经验。近期的良率立不住，对齐类产品没人愿意听；中期的证据拿不出来，基础设施的说法就只能停留在PPT上。

三个问题，现在就能自查

01· 模型失败时，你的数据系统会自动做出调整吗？如果从失败簇到采集简报靠的是一次会议，而不是一条管线，闭环就没有闭上 。

02· 有哪些数据是你自己采不了的？每个认真的项目都该把这份清单写下来。遮挡真值、实测力和严格配对采集，出现在大多数清单上 。

03· 你的数据预算是一条实验支出，还是一条基础设施支出？答案决定了合同形态、规划周期，以及有没有人对这份语料作为一项资产负责 。

如果这三个问题里有一个你答不上来

回复关键字【具身数据】，预约30分钟具身数据技术对话；我们会按你的本体与任务，把这篇里的口径跑成一份可核验的清单。

-全文完 · 数据来源见文中标注-

ENDATA

BUSINESS

cs@endata.com.cn

+86-010-85899985