人形机器人场内竞速 场外求解“数据之困”
“数据元年”已至
清晨七点半，北京亦庄，一场特殊的半程马拉松鸣枪起跑。赛道上的选手并非人类，而是来自各方的顶尖人形机器人。参赛规模较去年激增近五倍，天工Ultra、松延动力“小顽童”N2、宇树H1等明星机型同场竞技，堪称一场技术盛宴。这场赛事，其意义远超速度较量，它是对整个具身智能产业成熟度的一次公开检验。场内机器人竞逐的同时，场外的产业竞赛已进入更关键的深水区——数据争夺战。
多方信号表明，2026年已被业界公认为具身智能的“数据元年”。一个核心判断正在成为共识：算法与硬件的瓶颈正在被突破，而高质量、大规模的数据，正成为决定模型能否实用化、机器人能否量产的核心要素。数据，正构筑起厂商未来竞争中最坚固的护城河。
现状究竟如何？数据缺口巨大，尤其是来自真实物理世界的交互数据极度匮乏。为此，建设数据采集中心与仿真平台成为行业主流应对策略。不仅是机器人公司，云服务商、数据服务商乃至数据交易所都已纷纷进场，试图合力攻克这一难题。然而，这些路径能否真正破局，目前仍需打上一个问号。多数数据采集中心的实际效能尚未得到验证，仿真数据的局限性也依然明显。
“行业的驱动逻辑正在发生根本性转变。”有业内人士分析指出，此前重心多聚焦于算法与本体能力，但机器人要真正走向实用，必须依赖海量“经验值”来喂养模型。今年，无论国内还是海外，厂商对数据的渴求程度都达到了前所未有的峰值。
当然，“元年”仅是一个开端。它标志着现有方法论进入新阶段，但最终解决问题的钥匙，可能仍需数年打磨才能成型。眼下，一个明确的产业动向是：企业正投入重金，自建数据采集工厂。据统计，全国范围内已有至少15家此类数据采集与训练工厂投入建设或运营。
近期便有公司宣布，计划在多地建设超级数据采集工厂集群，目标是构建全球规模最大、模态最全的具身智能数据生产基地，规划年产能高达近百亿条高质量全模态数据。这并非孤例，头部企业选择自建工厂，既能满足自身对个性化、高保密性数据的需求，也能更好地适配其独有的硬件与算法体系。
这种趋势对行业意味着什么？从生态演进角度看，这标志着产业走向深化。头部企业聚焦核心场景构建数据壁垒，而专业数据服务商则提供通用数据、补充数据与技术解决方案，二者形成分工协作，共同完善数据生态。政府层面将其视为新型基础设施进行投入，最终形成的社会公共数据资产，有望惠及整个行业。
云厂商的入局提供了另一种范式。例如，通过联合多家具身智能企业发布“数据超市”，首创层级化、可扩展的数据标签体系，旨在降低数据获取与使用的门槛，加速规模化落地进程。
从数据服务商的视角观察，今年的客户需求变化显著：客户不再满足于零散的数据点，而是要求覆盖全场景、标准化的端到端解决方案；对数据标注精度和场景真实性的要求呈指数级提升；真实世界数据的采购需求呈爆发式增长，正逐步取代纯互联网数据；服务模式也从单一的数据供给，转向“采集、标注、合成、治理、应用”的一体化交付。
数据交易所也在其中扮演着关键枢纽角色，通过对接仿真数据厂商、数采工厂服务商，并依托可信数据空间等基础设施，试图为厂商提供高质量的实采与仿真数据。
当前行业的实践路径可归纳为几条：一是多元数据融合，利用真机数据、仿真数据和人类行为数据互补，覆盖模型训练全周期；二是建设标准化数据工厂，统一采集、标注规范与质量体系，提升数据量产效率；三是推动行业平台化共建，联合多方力量共建底层语料基座，分摊成本；四是利用AI辅助数据生产，通过大模型技术提升数据处理流程的自动化程度与整体效率。
金字塔顶尤为单薄
若将具身智能所需的数据比作一座金字塔，那么底层是海量的互联网数据，向上依次是人类行为数据、合成数据，而塔尖则是真实世界数据。目前，这座金字塔的顶部显得异常单薄。
最稀缺的数据类型有哪些？首当其冲是复杂动态场景数据，例如在家庭、商超、工厂等非结构化环境中，机器人与物体、人类的实时交互数据。其次是精细操作数据，如抓取、装配等需要毫米级精度的视觉与力控多模态数据。最后是极端容错数据，即面对突发障碍、非常规物体或环境突变时，机器人应急处理的数据。
数据缺口究竟有多大？有技术负责人坦言，相比大语言模型动用了整个互联网的语料，具身智能的数据规模还差3到5个数量级。而且要求更为严苛，不仅需要视觉数据，还需要物理世界中的接触力、摩擦力等高维物理信息。另有行业创始人透露，去年整个行业沉淀下来的高价值有效数据，可能不超过3万小时。
这个缺口如何量化？其实很难一概而论。因为目标不同，缺口的意义也不同。如果目标是打造一个满足所有客户需求的通用机器人，那缺口无疑是天文数字。但如果目标是完成某个细分、原子化的明确任务，数据缺口可能并不大，真正的难点在于应对与人类动态博弈的复杂场景——这类数据恰恰存在巨大缺口。
除了数量，数据的“质量”维度同样关键。触觉、视觉、关节角度、动作轨迹、语音……完整的多模态数据拼合起来，才构成高质量的“教科书”。数据集编纂得越好，模型“学习”效率就越高。目前，从数据到模型的工具链也还不够成熟完善。
与自动驾驶领域对比，差距更为直观。自动驾驶已经形成了百万公里级的成熟标准化数据集，而具身智能的真实场景数据量可能不足其十分之一，其中标准化、标注完善的高质量数据占比更低，这直接导致了模型泛化能力弱、产品落地周期长。
一位机器人创始人点出了关键差异：“自动驾驶也是一种具身智能，但它可以依靠成千上万辆车在路上持续行驶，源源不断地采集数据。相比之下，机器人的数据获取要困难得多。” 因此，即便是机器人本体厂商，也必须直面数据稀缺的挑战，不能仅仅依赖购买别家的训练结果，况且数据还普遍缺乏跨场景的通用性。
成本是另一座必须翻越的大山。在制造业等具体场景中，每条生产线的数据都可能不同，且必须在真实产线中采集，导致难度大、成本高、效率低。数据采集，已然是一项重资产、高投入的系统工程。
破题关键在哪里？
面对重重挑战，破局的关键方向已逐渐清晰：必须形成“数据飞轮”，构建从数据到模型再到产品的商业闭环。多位从业者都强调了这一核心逻辑。
数据必须源于真实场景，只有真实场景的数据才能形成有效的价值闭环。有公司分享了他们的实践：其清扫机器人产品在取得市场领先地位后，销量增长带来了更大量的真实场景数据，这些数据反哺模型持续优化，产品体验随之提升，进而推动销量进一步增长，飞轮就此转动。
他们遵循的是“数据三重门”演进逻辑：先让机器人进入园区，再进入单元楼，最终目标是进入家庭入户门。通过将上千台机器人投入真实的园区场景，虽然并非完整的家庭环境，但已能覆盖生活场景的百分之五六十，获取最贴近用户的数据。关键在于，这种规模化投放本身能通过商业服务实现盈利，数据反而成了高价值的“副产品”。
一个生动的案例是：在重庆，扫地机器人曾不小心清扫了居民晾晒在地面的辣椒，遭到投诉。但通过数据学习，第二天机器人就已能识别出“晒在门口的辣椒是资产，不是垃圾”。这正是真实数据驱动下的快速进化。
另一条路径是构建“硬件-数据-模型”的深度闭环。有公司从核心感知传感器切入，通过自建数据采集工厂和云端数据商城，系统性布局数据领域。其底层逻辑是：用数据推动软硬件协同优化，优化后的软硬件能采集更高质量、更丰富的数据，进而反哺模型能力，形成正向增强循环。他们尤为关注全模态数据的缺失问题，并联合云厂商打造了数据云商城，提供融合视觉、触觉、语言、动作的全模态闭环数据解决方案。
主流解法仍面临争议
尽管各方都在积极探索，但当前主流的解决方案——尤其是仿真合成数据——仍面临不小的争议与挑战。
仿真数据在规模化扩增方面作用显著，但产业实践表明，它无法独立解决数据难题。真机数据的规模化采集和标准化建设，建立“场景驱动、数据反哺、模型迭代”的闭环，才是当前阶段突破瓶颈的核心抓手。
以行业标杆方案为例，它虽然能基于少量示范生成海量合成轨迹，结合真机数据后性能提升显著，但其核心瓶颈——“仿真到现实的鸿沟”——依然存在。在触觉力反馈、长程复杂任务链、极端案例等维度，仿真数据的泛化能力仍然有限。
“具身智能必须有实体，单纯依赖仿真是不行的。” 有观点明确指出，它无法像纯软件那样仅在虚拟世界批量生成数据，缺乏真实物理交互的训练，可能导致关节尺寸偏差、力矩效率降低乃至机械磨损等一系列现实问题。
因此，市场研判认为，遥操作、仿真、生产伴随、视频学习等多种方案必将长期并存，本质是在成本、精度和规模三者间寻找动态平衡。科学的数据配比策略，正是当前行业探索的关键课题。
数据采集中心本身也存在局限。有思考指出，数采中心仍是人为构建的受控场景，其数据分布在多样性上可能不足，本质上也是一种“高级仿真”，难以覆盖真实世界无穷无尽的“长尾情况”。
成本压力始终悬在头顶。由于存储价格上涨，数据采集工厂的运营成本也随之增加。当然，也有公司通过核心技术自研，将关键传感器成本大幅降低，声称已将单条有效数据采集成本压缩至行业平均水平的十分之一。
一个不容忽视的现状是：目前大部分数据采集中心的实际投入使用效果和产出效率尚不明朗，能否实现规模化、高质量的数据交付，也缺乏明确的成功案例。这背后，是大规模数采中心的重资产属性与数据本身珍稀性之间的矛盾。如果数采中心规模有限，或仅服务于个别厂商，就难以形成规模效应，也难以产出具有广泛复用价值的高质量数据集。
数据是核心壁垒
一个明确的结论是：数据已成为具身智能企业最核心的竞争壁垒，其重要性在未来可能超越算法和硬件，直接决定企业的长期竞争力。这场机器人竞赛，在某种程度上已演变为“数据获取方法论”的竞赛。
如何衡量数据壁垒？关键看两个维度：数据量的规模，以及数据分布的广度。二者的乘积，大致等同于一家厂商的数据资产价值。此外，由于大部分基础数据来源于互联网和人类行为，具身智能数据的真正差异化竞争力，在于是否具备“全模态”能力——即能否有效融合视觉、触觉、力觉、听觉等多维度信息。
回顾去年，具身智能赛道融资呈现“两头热、中间冷”的态势，资金明显向具备量产、交付和商业化能力的头部企业集中。数据获取需要巨额成本投入，这一趋势很可能进一步拉大头部厂商与后续梯队之间的差距。
头部厂商凭借资金、量产能力和客户资源，更能承担高成本的真实数据采集，从而优先占据核心场景的稀缺数据。这种数据优势会直接转化为模型精度、产品落地速度和商业化能力的优势，最终形成“数据-算法-产品-市场”的强力正向循环。数据，正在成为划分行业未来格局的那道分水岭。