具身智能四肢已練熟，大腦還差千萬小時數據底座

當各大廠商的人形機器人穩穩行走、靈巧抓握的 Demo 鋪滿展會，行業卻迎來一道清晰分水嶺：運動控制這套 “小腦” 已經高度成熟，負責理解世界、自主規劃的機器人大腦，仍被海量場景數據牢牢困住。一條對標Scale AI、由 Alex Wang 開創的 “數據工廠” 商業路徑，正在具身賽道快速復刻，數據基礎設施將成為未來產業勝負手。

小腦下肢全線通關，高層大腦陷入數據荒漠

行業早已形成清晰分層架構：機器人小腦對應運動控制、關節執行、力反饋底層能力，大腦則是 VLA 視覺語言動作大模型、世界模型，承擔環境理解、長時序任務規劃、跨場景泛化認知。

近兩年來，雙足平衡、靈巧手精細操作、整機運動算法實現規模化突破：宇樹、優必選、智元等廠商的人形機器人能穩定上下樓梯、搬運物料、完成擰瓶蓋、疊衣物等標準化動作；史河特種機器人依托成熟運動底盤，在船舶除銹、外墻清洗等高危場景落地，整套肢體執行體系經過真機百萬次迭代，誤差、穩定性、響應速度全部達到商用標準。簡單來說，機器人 “手腳” 已經練得足夠靈活。

但高層認知大腦完全是另一番局面。和大模型能免費抓取全網文本不同，具身智能需要視覺、觸覺、關節軌跡、物體力學、環境時序對齊的多模態物理交互數據，無法線上爬取，必須在真實世界完成人類技能數字化采集。行業共識是，能實現通用自主能力的具身大模型，至少需要千萬小時級高質量真實交互數據；截至 2026 年初，全球合規、可用的真機 + 無本體有效數據僅 50 萬小時，缺口超 99%。

數據短板直接暴露大腦短板：機器人能精準完成單一預設動作，卻無法應對場景變量 —— 換一款包裝的雞蛋就容易捏碎、雜亂桌面無法自主規劃收納、居家與工廠場景能力完全無法互通。根源在于現有數據大多是實驗室單一場景產出，缺少海量、多元、真實世界樣本支撐世界模型建立物理常識。

拆解當前行業五大數據頑疾，全部指向大腦訓練供給不足：

1、采集成本居高不下：傳統真機遙操數據單價 500-1000 元 / 小時，搭建專屬場景、部署機器人、人工操控全鏈路重資產投入；

2、規模化采集無解：過去行業依賴實驗室小范圍試點，難以覆蓋家庭、商超、工業、倉儲數千類差異化場景；

3、多模態對齊難度高：視覺、觸覺、手部動作、環境音頻毫秒級同步技術門檻高，大量原始臟數據無法用于大腦訓練；

4、場景泛化樣本稀缺：現有數據集中標準化簡單任務，缺少雜亂、突發、長尾真實交互案例；

5、數據復用性差：項目制采集模式下，單批數據僅服務單次模型微調，無法沉淀為通用訓練資產。

具身賽道迎來數據工廠時代

這場數據供給困局，恰好復刻了大模型早期發展軌跡。Alex Wang 創立 Scale AI 的核心邏輯，就是跳出零散標注外包，打造標準化、全鏈路、可循環的 AI 數據工廠，成為 OpenAI、Meta、英偉達統一數據供給底座。

Scale AI 的核心商業模式可總結三層閉環：

1、標準化產線采集：搭建全球分布式數據采集網絡，統一設備、采集規范、質檢標準；

2、自動化精煉加工：AI預篩 + 人工復核完成清洗、原子化標注、多模態對齊，把原始素材轉化模型可直接讀取的訓練集；

3、模型回流迭代：根據大模型訓練短板反向定制補充數據集，形成“訓練-發現缺陷-補充數據-性能提升”數據飛輪，單份標準化數據可跨客戶、跨模型重復復用，攤薄邊際成本。

如今這套 “數據煉油廠” 邏輯，正在具身智能賽道完整復刻，國內玩家走出三條并行路線，全部瞄準規模化數據基建：

路線1：無本體穿戴式分布式采集（簡智、覓蜂）

摒棄重資產機器人真機，以輕量化可穿戴設備（數據手套、三目頭顯、全身傳感套件）為硬件核心，走進家庭、工廠、門店開展眾包采集。簡智 Gen DAS 設備實現毫米級動作捕捉、1mm 高密度觸覺感知，在超千個真實家庭落地，2 小時即可產出加工完畢的訓練數據；智元拆分覓蜂科技推出 MEgo 采集套件，開放門店、工廠共創模式，發動普通人兼職成為數采員，低成本擴充真實場景樣本池。

這種 UMI 無本體采集模式，成本僅真機遙操 1/3，可大規模鋪開，專門補齊大腦所需海量生活化、碎片化場景數據，解決實驗室數據脫離現實的痛點。

路線2：虛實融合數據工廠（光輪、無問智科）

對標 Scale 合成數據能力，構建 “真人采集 + 仿真生成” 雙生產線。光輪智能不到 4 個月完成三輪大額融資，兩周累計融資金額達 20 億元，依托仿真引擎批量生成長尾邊界場景數據，同時沉淀百萬小時人類操作視頻，標準化數據集復售率超 10 倍，一份數據適配多家機器人廠商的 VLA 模型訓練；無問智科搭建長三角虛實訓練場，日產上千小時融合數據，為通用世界模型持續供給素材。

路線3：大廠全域場景眾包（京東、百度）

互聯網巨頭開放自有業態做數據供給。京東計劃動員 60 萬內外人員佩戴采集設備，兩年沖擊千萬小時人類第一視角數據；百度上線具身數據超市，整合全行業采集資源打通數據流通渠道，降低中小模型廠商獲取訓練素材的門檻。

數據平臺才是產業底層的 “賣鏟子” 生意

資本市場已經提前下注賽道確定性：簡智成立 4 個月拿下 3 輪累計超 2 億元融資；光輪成為全球首個具身數據獨角獸，估值突破 20 億美元；覓蜂科技拆分即拿到數億元種子輪；弈人、景聯文等數據服務商實現營收破億、正向盈利，在整機、模型公司普遍虧損階段率先跑通商業化。

資本押注的底層邏輯十分清晰：

1、剛性需求長期存在：只要機器人大腦仍依賴多模態物理數據訓練，數據供給就不會過剩；和 LLM 文本數據不同，物理交互數據無法無限復制，真實場景樣本永遠稀缺；

2、規模效應持續放大：數據工廠建成標準化產線后，采集、標注、仿真的邊際成本持續下降，數據資產可反復售賣復用，形成越積累壁壘越高的飛輪；

3、跨行業通用性極強：同一套家居、工業交互數據集，可同時供給人形機器人、靈巧操作機械臂、特種作業設備廠商，不受單一硬件本體限制。

反觀行業現狀，多數廠商仍把重心放在機器人本體、端到端模型迭代，忽略數據基建投入，最終陷入 “Demo 好看、落地拉胯” 循環 —— 小腦運動算法再優秀，缺少多場景數據喂養的大腦，無法完成通用自主決策，只能在固定場景重復預設動作。

當前 99% 公開數據集缺失精細力感交互維度，機器人抓取、裝配類任務模型極易出現物理幻覺，而補齊觸覺、時序對齊數據后，VLA 模型物理交互能力出現質的飛躍。這恰恰說明，數據平臺提供的標準化多模態素材，是突破機器人大腦瓶頸的唯一解法。

具身競爭下半場，數據基建定勝負

大模型浪潮里，Scale AI 靠標準化數據工廠吃下行業紅利；放到具身智能賽道，歷史正在重演。

當下人形機器人的肢體運動、底層控制已進入同質化階段，真正拉開差距的，是能否搭建一套規模化、低成本、全鏈路的數據生產體系，持續為 “機器人大腦” 輸送千萬小時級真實世界訓練素材。

從實驗室真機小作坊，到分布式穿戴眾包、虛實融合數據工廠，再到跨行業數據流通平臺，具身數據基建的工業化進程才剛剛啟動。未來 3-5 年，掌握高質量多模態數據供給能力的玩家，會成為整條具身產業鏈不可或缺的底層基礎設施。

在機器人走進千家萬戶、工廠車間之前，先建成完整的數據煉油廠，才是產業最確定的長期主線。