在2026年的科技浪潮中，具身智能领域正经历一场深刻变革，重心从“制造机器人”悄然转向“为机器人提供充足数据”。各类企业发布会与行业论坛上，数据成为最热门的话题，物理AI的发展瓶颈逐渐聚焦于数据层面。
觅蜂科技董事长兼CEO姚卯青指出，物理AI当前面临的最大挑战并非算力或算法，而是数据问题，这一挑战甚至比大模型发展初期更为严峻。在此背景下，一场围绕物理AI数据的基础设施建设热潮全面兴起。智元系觅蜂MEgo两万套设备成功下线，产出百万小时无本体数据；千寻智能搭建分布式大规模数采网络，在全国设立40多万个真实采集点；京东更是提出打造全球最大数采体系的宏伟目标。
资本对这一领域的热情高涨。据IT桔子统计，2026年上半年，25家中国具身智能数据创业公司共获得超过170亿元融资。然而，当百万小时数据涌入市场，行业面临的新问题不再是“数据有无”，而是“数据能否使用”。数据标准、质量评估、隐私合规等“隐性变量”，正成为行业发展的新分水岭。
具身智能模型与大语言模型存在本质差异。若将大语言模型比作博览群书的学者，具身智能模型则更像初学世界的婴儿，必须通过亲身实践感知世界。这种差异导致具身智能面临严重的数据断层。中国信通院发布的《具身智能训练场研究报告（2026年）》显示，全球可用高质量真实数据仅数十万至百万小时级，而具身基础模型要实现“ChatGPT”时刻，至少需要数千万小时数据，缺口超过99%，远未达到能力涌现的临界点。
与此同时，独立“卖铲子”的专业数据公司迅速崛起，成为本轮行情的最大受益者。光轮智能、简智机器人、诺亦腾机器人等组成国内数据基建第一梯队。独立服务商的崛起标志着产业分工发生质变。2024年之前，数据工作几乎全部由机器人公司内部完成；到2026年，越来越多中小本体厂商选择外购数据集与采集服务，不再自建昂贵的数据团队。产业链从“以硬件本体为核心”向“以数据基础设施为驱动”转变，数据成为可交易、可交付的标准化商品。
为填补巨大的数据缺口，行业分化出四条主流技术路线。第一条是真机遥操作数采，操作员通过主手设备远程操控实体机器人完成任务，直接记录传感器数据。其优点是数据与目标本体完全对齐，但成本极高、扩张速度慢，产出几万小时高质量真机数据需上千台机器人持续采集半年以上。第二条是无本体数采，设备以头戴相机、腕部传感、触觉手套为主，无需实体人形机器人本体。觅蜂的MEgo系列属于此路线，其最大优势是可众包扩散，进入各类真实场景。觅蜂累计生产超100万小时高质量无本体数据，全部来自开放环境中的真实采集，设备已进入家庭、办公、零售、生产、餐饮等场景。不过，姚卯青承认，无本体不能替代真机，前者适合预训练阶段学习通用表征，后者适合后训练，具体任务落地仍需对应本体的真机数据。第三条是仿真合成数据，可无限生成极端、长尾场景，边际成本低，便于大规模扩充，但Sim‑to‑Real鸿沟难以跨越，目前仿真数据在训练环节占比小，更多用于评测。国内部分场景下高质量真实世界数据的单小时成本已低于仿真，无本体数采可大规模摊薄真实数据成本。第四条是互联网视频蒸馏，从现有视频中提取动作知识，但姚卯青将其定位为“现阶段的拐杖”，在第一人称视角数据不足时使用，无本体数据规模扩大后，这根“拐杖”可逐渐舍弃。
目前，四条路线并行发展。量子位不完全统计的70家数采公司中，30家同时走多条采集路线，占比43%。原因是没有任何一种数据采集方式能独自满足机器人训练需求。无本体Ego第一人称数据解决预训练规模问题，真机数据守住真实本体落地底线，仿真在极端、高危长尾场景做补充。行业判断，短期不会出现通吃全部场景的完美技术路线。
在热闹的表象下，行业洗牌悄然开启。一线从业者认为，具身数据行业最终将走向寡头格局，难以维持分散竞争状态。姚卯青表示，该行业天然会头部集中，因数采是重资产游戏，几万套硬件投入达数亿元级别，存储PB‑EB级别数据、建设数据中心需巨额开销，同时需极强工程能力和大规模众包运营能力，多重门槛将挤压中小团队生存空间。
客户对数据的要求也在不断提高。行业早期，资本市场以“累计多少小时数据”为核心评判指标，但经过实践，市场认知快速迭代。一方面是数据质量，年初大家用手机、运动相机采集数据也能销售，到下半年，60FPS、1080P、双目视觉等指标逐渐成为共识，需求由头部客户定义。另一方面是数据多样性，盲目采集一百万小时重复任务数据价值极低，任务场景单一、数据同质化会导致扩充边际效益急速递减，再好的模型架构，缺乏物理世界的海量、多样、高质量交互数据，也无法形成物理认知。姚卯青提出评判数采企业实力的三个指标：数据集的场景和物体多样性、能否提供详尽可验证的数据质量报告、有多少数据集完成客户验收并形成确认收入。
与此同时，行业标准化进程加速。今年8月，工信部批准发布《人工智能关键基础技术具身智能数据集质量要求及评价方法》，该标准将于2026年11月1日起实施，涵盖完整性、一致性、多样性、真实性、易用性、实用性、可扩展性和安全性八个维度。标准发布标志着具身智能数据集建设从“规模导向”转向“质量导向”，对头部玩家而言，标准既是门槛，也是护城河。
然而，距离具身基础模型迎来质变，仍有很长的路要走。按测算，至少需要千万小时级真实数据。姚卯青表示，现有模式线性复制成本太高，需通过众包模式发动各行各业掌握真实技能的普通人参与数据生产，同时攻克硬件一致性、多模态对齐、数据质量自动化校验、隐私合规等一系列工程难题。
