机器人行业正经历资本流向的深刻变革。传统工业机器人臂的单一任务模式逐渐失宠，投资者将目光转向能够跨越硬件边界的通用型人工智能模型。Crunchbase统计显示，截至2026年6月，全球机器人领域融资规模已突破188亿美元，较2025年全年增长25%。高盛等机构预测，人形机器人将在四年内进入商业化爆发期，这促使资本加速向具身智能模型、传感器网络和边缘计算基础设施迁移。
头部项目的融资盛宴印证了这一趋势。前Uber创始人特拉维斯·卡兰尼克创立的Atoms公司，凭借其食品生产、矿业和物流自动化解决方案，在7月获得安德森·霍洛维茨基金领投的17亿美元投资。另一家明星企业Skild AI更是在七个月内实现估值三倍增长，其打造的跨硬件物理AI基础模型已筹得14亿美元资金。这些案例显示，资本正为能够突破硬件限制的通用型AI技术开出天价支票。
但繁荣背后暗藏数据危机。物理AI所需的交互数据无法通过互联网抓取，每个动作样本都需要人工执行、记录和标注。Deccan AI首席AI科学家Navaneeth Bodla指出："当大模型在虚拟世界突飞猛进时，现实世界的物理数据收集仍停留在石器时代。"这家印度公司正试图破解这个困局，其依托百万级贡献者网络构建的数据平台，已为Google DeepMind等机构提供训练数据服务。
行业面临的挑战远不止数据短缺。Bodla揭示了"具身智能扩展悖论"：单纯扩大模型规模和训练数据量，未必能提升机器人实际性能。实体部署受制于算力、传感器精度和执行机构可靠性，过度复杂的模型反而会因捕捉环境噪音导致动作失控。这解释了为何近两年人形机器人成为研发热点——其形态设计天然适配大模型与小型硬件的结合需求。
在数据维度上，触觉信息成为最大盲区。虽然多摄像头阵列和动作捕捉技术能记录视觉信息，但压力、温度和材质感知仍依赖昂贵的专用传感器。Deccan AI的解决方案是通过遥操作技术，在简化版双手装置上采集数据，避免对完整机器人进行复杂改造。公司机器人业务负责人Nikhil Parlapalli强调："触觉数据不仅关乎能力，更是安全底线。我们必须防止机器人在与人类互动时出现致命失误。"
产业链竞争已悄然展开。传统数据标注巨头Scale AI和Appen占据托管端市场，Shaip、Encord等公司专注开发标注工具，而Pronto等新锐则探索可穿戴设备数据采集。Deccan AI选择从印度市场切入，其A轮2500万美元融资将用于扩建数据运营中心。公司高管Gopi Pepakayala坦言："现在没人知道最终的技术架构会是什么样子，我们要确保在关键赛道占据位置。"
这场资本与技术的博弈仍处于早期阶段。当融资曲线持续上扬时，数据基础设施的建设速度却明显滞后。正如Mordor Intelligence报告显示，2026年全球数据标注工具市场规模仅30.7亿美元，且八成需求来自计算机视觉领域。物理AI的突破，或许将取决于谁能率先破解现实世界的数据密码。
