“數據荒”背后，具身智能行業還欠一筆工程賬

“本體告一段落，具身智能進入“數據時刻”？

6月13日，北京智源大會。

五位百億估值的具身智能公司CEO，坐在同一張桌子上。整場討論只有一個問題沒有分歧——數據。

不是融資節奏，不是本體成熟度，不是模型路線，是數據。

這個共識來得并不輕松。過去兩年，行業花了大量時間爭論“人形還是非人形”“VLA還是世界模型”，但當大家坐下來直面現實時，發現所有爭論的前提都被同一件事卡住了：沒有足夠多、足夠好的數據，以上一切都不成立。

但比“數量不夠”更隱蔽、也更拖效率的，是另一個問題——大量已經被采集到的數據，仍然無法直接用于訓練。原始視頻到訓練就緒之間，隔著漫長的工程鏈路：清洗、對齊、標注、質檢、格式轉換，每個環節都可能卡住。

行業不缺原始素材，缺的是把原始素材變成“訓練就緒”數據的工程能力。

高質量數據

已成具身智能的關鍵瓶頸

智源大會上，嘉賓們的判斷高度一致：算力和參數不是當前最缺的，模型架構固然重要，但在數據嚴重缺乏的情況下，架構意義有限。當前真正的瓶頸，是高質量、可擴展的核心態數據。

這個判斷首先建立在數量困境之上。

一組數字說明問題的嚴重性：全球高質量真實物理交互數據總量僅約50萬小時，而訓練通用具身智能模型需要千萬小時起步。50萬小時對千萬小時，差了一個數量級。

芯片可以多買，模型可以重訓，但物理世界的真實交互數據只能一分一秒地采集。沒有大規模、高質量的真實物理數據，通用具身智能就永遠停留在Demo階段。

為了理解這個困境的深層結構，需要拆開來看三個層面。

第一道墻：采集本身就很貴、很慢。

Ego-centric第一人稱視角數據，是具身智能最核心的訓練素材。它和機器人頭部感知高度一致，天然具備“第一人稱”的視覺分布。

但真機遙操作采集面臨三重限制：量產能力不足，造不出足夠多的機器人同時采數據；單臺設備昂貴，每采集一小時數據都要占用一臺高成本硬件；場景部署成本高，如果要做家庭場景數據，需要把笨重設備運到用戶家中。這些限制疊加在一起，導致高質量真機數據的產能極低。

行業已經在探索替代路徑——人手采集、觸覺手套、頭戴設備——但這些方案本身也處于早期，采集效率和數據質量仍在驗證中。每一種路徑都有其局限性，目前還沒有任何一種方案能夠單獨解決數據供給問題。

第二道墻：工具鏈高度碎片化。

傳統數據服務商的工具鏈各自為政。采集用一套工具，標注用一套，質檢用一套，格式轉換和訓練對接又是另一套。數據在不同環節之間流轉時，標準不統一、格式不兼容，大量時間被消耗在“把A工具的輸出變成B工具的輸入”這件事上。

而具身智能數據對時序對齊、因果關聯的要求，比傳統CV數據高得多。一段第一人稱操作視頻，手部動作和相機視角變化必須精確同步，語言指令和動作片段必須精準匹配。這意味著即便只是簡單的格式轉換，也可能因為時間戳錯位導致整段數據失效。

第三道墻：工程成本失控。

由于外部工具鏈不完整，模型訓練團隊被迫自行搭建數據管線。從原始視頻導入開始，到清洗、對齊、標注、質檢、格式轉換，最后導出為訓練框架能讀取的格式，整個流程高度依賴內部工程能力。這不是算法問題，是工程問題——而且是一個極度消耗人力和時間的工程問題。

有業內人士估算，這部分成本有時是數據采集本身的3到5倍。花1塊錢采數據，可能要再花3到5塊錢讓它變得“能用”。更隱蔽的代價是時間，算法團隊的大量精力被消耗在數據處理上，真正用于模型迭代的時間被嚴重壓縮。

數量不夠、工具鏈碎片化、工程成本失控——三重困境疊加在一起，形成了行業當前的尷尬局面：一方面大家都在喊“數據不夠”，另一方面大量已經采集的數據躺在硬盤里，離“能訓練”還有很長的路。

那怎么來解決這些問題呢？

數據“用不上”的難題

有了一條新解法

上面提到的三重困境——采集成本高、工具鏈碎片化、工程成本失控——行業并非無動于衷。

事實上，過去一年已經有不少公司在嘗試突破。

一批具身智能創業公司在探索數據采集的新路徑，有的試圖用低成本人手采集替代真機遙操作，給人發一雙手套或一個頭戴攝像頭，就能在家里采集操作數據；有的押注觸覺、力覺等多模態數據，希望為模型提供更豐富的物理信號；還有的選擇退回到更務實的路線，不追求通用數據，而是在某個垂直場景中打透，形成數據閉環。

但這些探索目前都還處于早期，采集效率和數據質量仍在驗證中。

就在這個節骨眼上，一條新的解法出現了——不是從采集端發力，而是從數據處理端入手。

6月22日，如祺出行旗下的“如祺數據”發布了一個具身智能數據平臺。它專注解決一件很具體的事：把Ego-centric第一人稱操作視頻，自動化地處理成模型可以直接使用的訓練數據。

如祺出行不是新玩家。這家出行服務公司早在2023年就開始布局全鏈路AI數據服務，此前在智能駕駛領域已完成能力驗證——客戶含小馬智行、理想、騰訊，2025年技術服務營收1.6億元，同比增長487%。

它的核心能力，除了憑借每年數億單打車需求積累的大量高價值、多模態真實出行場景數據外，還有“長期處理真實物理數據的工程方法論和基礎設施”。這套能力在智能駕駛領域已經跑通，現在被延展到了具身智能場景，目標是通過將數據處理過程標準化、自動化、可追溯，降低Ego-centric數據處理的邊際成本。

具體來看，這套數據平臺的核心，是一條覆蓋從導入到導出的全鏈路自動化流水線。

導入環節，平臺支持兩種模式：直接上傳已有預處理結果，或僅上傳原始MP4由后臺自動處理。上傳與算法執行解耦，團隊無需在本地維護復雜依賴環境。

AI預處理環節是整條流水線的技術核心。原始視頻依次經過三個階段：手部檢測——從單目圖像中恢復3D關鍵點與手部形狀；相機位姿估計——輸出連續準確的6DoF運動軌跡；手部3D姿態優化——將手部運動從相機坐標系映射到世界坐標系，最終輸出結構化的手部運動軌跡。

這三個階段解決的核心問題是：把晃動、遮擋、視角受限的原始視頻，變成在三維空間中可量化、可編輯的手部運動數據——這是從“原始素材”到“結構化數據”的關鍵一跳。

動作標注環節，平臺面向的是具身模型特有的需求：帶自然語言指令的連續動作序列，而非靜態目標框選。標注工作臺將當前幀及未來20幀的腕部軌跡投影到圖像上，幫助標注員提前感知手腕運動趨勢，精準判斷動作邊界。

審核質檢環節，系統自動生成五維質檢報告：切片完整性、手部檢測質量、相機軌跡質量、語義一致性、樣本分布均衡性。異常區域被自動高亮，審核員不再需要逐幀檢查。實測表明，單條視頻審核時間壓縮50%。

導出環節，平臺支持多種輸出格式——訓練框架原生格式（LeRobot、HDF5）、通用交換格式（JSON）、機器人中間件格式（ROS 2 MCap）。從標注完成到開始訓練，中間不需要再做任何格式適配工作。

這條流水線的價值在于：過去需要多支團隊、多套工具、數周時間才能走完的流程，被壓縮成了一條可追溯、可質檢、可規模化的管道。

簡而言之，如祺出行這套新解法，就聚焦在從采集到訓練就緒之間的關鍵數據工程環節。這也是顯示，面對具身智能數據困境，行業已逐步從“死磕采集”開始轉向思考如何從采集、處理、審核、標準化、輸出等全鏈條提升已有數據的“可用性”。

數據基礎設施

正在成為隱形戰場

從智源大會的討論來看，行業正在發生一個明確的轉向。

這個轉向背后的邏輯是，當硬件能力逐漸趨同，決定智能水平上限的是“具身大腦”的質量，而大腦的進化只能靠數據喂養。

頭部公司已經開始行動，10萬小時、100萬小時、千萬小時甚至上億小時的數據目標被相繼提出。這個節奏部分來自自動駕駛行業的路徑驗證——自動駕駛中，10萬小時可以訓練出可用模型，百萬小時接近較成熟狀態，千萬小時則用于突破長尾場景。具身智能的任務復雜度遠高于自動駕駛，對數據的需求只會有過之而無不及。

與此同時，數據形態和采集方式正在多樣化。核心邏輯正在從“越多越好”轉向“有效數據+場景匹配”，不是籠統地追求數據總量，而是在具體可落地的場景中持續積累高質量數據。

但無論走哪條路徑，都指向同一個結論：“萬臺落地”需要數據基礎設施先行。

6月9日，工信部與國資委聯合啟動專項行動，目標是年底推動“萬臺級規模落地”。萬臺機器人同時運行，意味著每一臺都需要模型驅動，而模型迭代需要源源不斷的訓練數據。這不是一次性的數據采集能解決的，而是需要持續運轉的數據生產管線，需要標準化的處理流程、自動化的質量控制和規模化的交付能力。

對于已沉淀出面向真實世界復雜數據的工程經驗，具備構建全鏈路AI數據服務能力的數據服務商而言，這無疑提供了一個巨大的機會，讓類似如祺出行這樣的公司可以加快將其物理AI數據能力，從智能駕駛等領域外溢至高增長的具身智能賽道。據接近如祺出行的人士透露，公司已在具身智能領域獲得商業化訂單。

寫在最后

回到智源大會那個圓桌。

五位CEO的共識是：數據是最大瓶頸。但如果我們把目光拉長，會發現這個判斷背后藏著一個更底層的邏輯。

每一次技術范式的轉移，都會經歷一個從“模型崇拜”到“數據覺醒”的過程。

互聯網時代，人們相信算法推薦可以解決信息過載，后來才發現用戶行為數據才是推薦系統的真正護城河。自動駕駛早期，行業沉迷于規則引擎和感知算法，直到Waymo和特斯拉用數十億英里的真實路測數據碾碎了所有“聰明算法”的優越感。大語言模型的爆發，本質上是Scaling Law的勝利，是海量文本數據堆積出來的涌現智能。

每一次，都是數據笑到最后。

具身智能正在進入這個拐點。本體已經階段性成熟，接下來是數據工程的漫長戰爭。日復一日的數據采集、清洗、標注、對齊，這些看似不性感的“臟活”，最終構成了具身智能行業必不可少的基礎設施。

歷史反復驗證了一件事：所有偉大的進步，最終都取決于那些最不起眼的基礎設施。電網、公路、通信基站、云計算，沒有這些“無聊”的東西，再聰明的算法也只是空中樓閣。

數據基礎設施，就是具身智能時代的電網。

當一萬臺機器人在真實場景中穩定作業時，人們不會記得是誰鋪設了第一條數據管道。但那個提前把管道鋪好的人，早已拿到了下一階段的門票。