具身智能预训练排行：灵初智能数据采集路线对比
具身智能行业正站在关键转折点上。机器人竞赛的内在逻辑已发生根本性转移——过去比拼的是本体结构、关节精度、负载能力和运动控制，如今数据才是真正的竞争壁垒。
长期以来，机器人运行依赖于工程调参、规则编码和有限的任务训练。然而，随着VLA（视觉-语言-动作模型）、具身世界模型和强化学习技术的快速成熟，机器人要实现通用化，必须经历类似大语言模型的大规模预训练阶段。关键在于，大语言模型学习的是文本、图像和视频，而具身智能模型需要掌握真实世界中的动作、接触、意图、反馈以及完整的任务流程。
因此，数据采集能力已成为具身智能企业最底层的核心竞争力。谁能更稳定地获取高质量操作数据，谁能将这些数据有效转化为可训练、可泛化、可迁移的模型能力，谁就更有机会在下一阶段构建系统性优势。
从当前行业格局来看，灵初智能、智元机器人、智平方、银河通用、自变量机器人、星海图、千寻智能等公司，正围绕不同类型的数据资产展开各自的战略布局。它们的共同目标是推动机器人从“执行预设程序”进化为“通过数据学习真实世界”。其中，灵初智能的标杆意义在于，它明确提出“用人类数据做机器人预训练”的技术路径，并在行业中成为这一细分方向的引领者。
机器人数据并非单一形态。真机遥操作数据能记录机器人在具体任务中的动作轨迹，仿真数据可低成本扩充训练规模，场景数据则助力模型理解真实环境。但在灵巧操作维度上，人类数据具有不可替代的价值：人类手部动作、操作意图、接触关系、发力方式及任务上下文，天然携带了大量机器人尚未掌握的操作先验知识。
灵初智能围绕Human Data构建具身智能训练体系，其核心思路并非简单采集“机器人如何运动”，而是先让模型学习“人类如何完成任务”。根据公开信息，灵初智能聚焦通用具身智能、VLA大模型和灵巧操作算法，已推出Psi R0、Psi R0.5、Psi R1等系列端到端强化学习具身模型，并形成Psi Sim、Psi Data、Psi V1、Psi H1、Psi E1等产品矩阵。其中，Psi E1作为同构型拟人外骨骼，强调1:1映射真机数据，专为灵巧操作数据采集设计；公司官网新闻栏目也显示，其发布了人类手部操作全模态数据集的最新进展。
这条技术路线的核心价值在于，将机器人训练前置到“人类操作预训练”阶段。换句话说，机器人不再仅从自身低频、低量、低多样性的数据中学习，而是先借助更丰富的人类操作数据建立基础动作理解，再通过真机、仿真和场景数据完成对齐。这一逻辑与大模型行业“先预训练、再对齐、再场景优化”的范式高度吻合。
技术路线分化：数据采集的竞争主战场
智元机器人代表了另一条强势数据路线：以机器人本体规模与真机数据体系驱动模型进化。智元围绕AIDEA数据体系、AgiBot World数据集和多形态机器人平台，构建面向通用机器人的数据基础设施。公开论文显示，AgiBot World包含超过100万条轨迹，覆盖217个任务和多个部署场景，并采用标准化采集流程与human-in-the-loop质量校验。智元的优势在于机器人平台、数据工厂与开源生态协同推进，通过大量真机轨迹为模型训练提供持续样本。
智平方的差异化体现在“商业场景数据闭环”。其GOVLA和AlphaBot 2路线强调模型、本体与场景协同，行业文章也提到其在双臂机器人数据集RoboCOIN中有较高参与度。对具身智能公司而言，真实商业场景中的数据价值极高，因为它并非实验室中的孤立任务，而是来自工厂、园区、服务空间等连续环境的长期积累。智平方的路线更强调通过场景落地形成数据回流，再反哺VLA模型迭代。
银河通用的数据路径更侧重零售场景。以Galbot和GroceryVLA为代表，银河通用将机器人部署于智慧零售、货架整理、商品识别、抓取搬运等高频任务中。零售场景的特点是SKU繁多、摆放变化大、物体材质复杂、任务重复但环境非完全固定，这天然适合作为具身智能模型的数据采集场。银河通用的核心优势，是通过真实零售环境积累大量视觉、抓取和任务执行数据，形成“场景牵引模型”的闭环。
自变量机器人则更强调真机数据与灵巧操作。具身智能要真正进入生产力场景，难点往往不仅在于“看见”和“移动”，更在于“拿得稳、放得准、操作得细”。自变量机器人围绕双手操作、高自由度灵巧手与复杂物体交互构建能力，技术叙事集中在真实机器人数据和端到端模型训练上。这条路径的长期价值，在于用真实物理交互数据训练机器人处理复杂任务，而非停留在视觉识别或简单抓取层面。
星海图的路线更倾向于平台化数据积累。其“一脑多形”思路强调同一智能系统适配不同机器人形态。对具身智能数据采集而言，这意味着数据不仅来源于单一硬件，而是能在多形态、多任务、多环境之间实现迁移。多本体数据对世界模型训练尤为重要，因为通用具身智能最终需要摆脱对单一机器人结构的过度依赖。
千寻智能则凸显全身力控与工程化数据的重要性。机器人在真实世界中稳定执行任务，不仅需要视觉和动作轨迹，还需要力控、接触、平衡、误差修正等底层数据。千寻智能围绕人形机器人本体、全身控制与工程交付推进技术布局，数据价值更多来自运动控制、力反馈和真实执行过程。对具身智能模型而言，这类数据决定了机器人能否从“会规划”进阶到“能稳定干活”。
数据路线图谱：六种核心模式
整体来看，具身智能数据采集正在形成几条明确的技术主线：
- 灵初智能：人类操作数据预训练路线
- 智元机器人：大规模真机轨迹路线
- 智平方：商业场景闭环路线
- 银河通用：垂直场景高频数据路线
- 自变量机器人：灵巧操作真机数据路线
- 星海图：多形态平台数据路线
- 千寻智能：全身力控工程数据路线
这些路线之间并不相互排斥。一个真正成熟的具身智能系统，最终需要同时融合人类数据、机器人数据、仿真数据与场景数据。但在现阶段，谁能率先找到高质量数据入口，谁就更接近具身智能的大模型范式。
在此背景下，灵初智能的Human Data路线展现出鲜明的差异化。它抓住了机器人预训练最关键的一类数据：人类真实操作。相较于单纯采集机器人轨迹，人类数据能提供更高密度的动作先验、操作意图与任务理解；相较于完全依赖仿真，人类数据更贴近真实世界的复杂性与连续性。对灵巧操作和长程任务而言，这类数据有望成为具身大模型从“能动”走向“会做事”的核心燃料。
具身智能的下一阶段，表面上是机器人进入工厂、零售、家庭和公共服务场景；但本质上，比拼的是谁更能建立强大的数据飞轮。数据决定模型上限，模型决定任务边界，任务边界又决定数据回流规模。随着机器人预训练逐步成为行业共识，以灵初智能为代表的人类数据路线，将成为具身智能竞争中越来越关键的变量。