30倍的数据缺口，谁来给具身智能续命？

具身智能的数据缺口，和填补它的那几层生意。

2026 年，资本对具身智能的热情又上了一个台阶。

根据 Dealroom 10 月更新的数据，全球具身智能创业公司今年已经获得 110 亿美元风险投资，超过 2025 年全年的两倍。

8 月的北京亦庄，世界机器人大会同样热闹。373 家企业参展，五天吸引 55.7 万人次，观众数量较去年翻倍。

但热闹归热闹，机器人离真正上岗还有多远？

IDC 统计，2025 年全球人形机器人出货超过 1.8 万台，其中超过 85% 用于文娱表演、教育科研、数据采集和导览导购。真正进入工厂、物流等场景并承担生产任务的，仍是少数。

钱和关注度都在增长，但机器人创造的实际生产价值，还远未跟上。

过去两年，具身智能的故事更多围绕本体展开：谁的机器人更灵活，谁的灵巧手自由度更多，谁能完成更复杂的动作演示。而今年，一个新的变量开始影响行业的竞争方向：数据。

随着 Generalist、Physical Intelligence 等公司的模型持续迭代，行业开始看到一条类似大语言模型的发展路径：扩大训练数据和计算规模，有望带来更强的泛化能力，并降低学习新任务的成本。

如果这条 Scaling 曲线能够持续成立，具身智能的竞争就不只是比拼硬件，而会进一步转向数据：需要多少真实世界经验？这些数据从哪里来？什么样的数据最有价值？又是谁能从中赚到钱？

但机器人面临的问题可能比大语言模型更复杂。互联网留下了海量文本和视频，却很少记录人类完成动作时的力量、接触、失败与纠错过程。更大的数据量，不一定意味着机器人就能更好地完成任务。

真正值得关注的，不仅是机器人还缺多少小时的数据，而是这些数据能否转化为真实世界里的工作能力。这也正是这一轮具身数据热潮中，最值得拆解的技术问题和商业机会。

从 27 万到 50 万小时：具身模型的 Scaling 曲线

2025 年 11 月，Generalist AI 发布 GEN-0，使用超过 27 万小时真实物理交互数据进行预训练。相比之下，当时最具代表性的开源数据集 Open X-Embodiment 仅 6000小时，GEN-0 的数据量高出近五十倍。

Generalist 在实验中观察到，随着预训练数据和计算规模扩大，模型在多个下游任务上的表现持续改善。这提供了一个重要信号：类似大语言模型的 Scaling Law，可能同样存在于机器人的物理交互学习中。

Generalist GEN-0 实验显示，增加预训练数据可以提升真机任务成功率。来源：Generalist AI

五个月后，GEN-1 把数据规模推到了 50 万小时，任务成功率从 64% 走到 99%，速度快了 3 倍。更重要的变化是，GEN-1 开始表现出一定的跨场景泛化和自主纠错能力。

2026 年 8 月，Generalist 又推出 GEN-1.5，将这种泛化能力向前推进了一步。经过超过八个月的持续预训练，模型开始表现出类似大语言模型上下文学习（In-ContextLearning）的能力：只需提供一段 3—12 秒的动作示范，就能在不更新模型参数的情况下尝试执行新任务。Generalist 将其称为 Physical Prompting（物理提示学习）。

Generalist 的三代模型初步验证了一条值得关注的路径：更大规模的预训练数据，有望带来更强的模型能力和更低的新任务学习成本。具身数据也因此从技术问题，变成了资本竞逐的新方向。

接下来的问题是：具身智能究竟需要多大规模的数据，以及这些数据应该从哪里获得？

50 万小时：具身智能还处于 GPT-2 阶段？

50 万小时究竟是什么水平？可以用人类一生接触的信息量作为参照。

假设一个人每分钟阅读 200—300 个英文单词，每天阅读 12 小时，80 年累计可读约67 亿—101 亿 Token。GPT-2 的训练数据约为 100 亿 Token，与人类一生的阅读量处于同一量级。

具身智能也是如此。假设一个人每天观察、学习现实世界 12 小时，80 年约为 35 万小时。GEN-1 的 50 万小时训练数据，相当于人类一生观察时间的 1.43 倍。

如果以人类一生的信息量为标尺，GEN-1 与 GPT-2 的训练数据处于相近的量级。这只是数据规模的类比，并不意味着两类模型的能力相当。

硅兔君制作

但大语言模型的发展远不止于 GPT-2。GPT-3 的训练数据达到 3000 亿 Token，是GPT-2 的约 30 倍。如果具身模型也需要类似幅度的数据扩张，那么从 GEN-1 的 50万小时出发，下一阶段可能需要 1500 万小时。

而且，数据量并不是唯一的瓶颈。机器人需要学习的不只是看见了什么，还有如何操作、用了多大力，以及动作产生了什么结果。

以拧瓶盖为例，一段操作视频中，大部分时间都在移动、对准和调整姿态。真正决定成败的，可能是接触瞬间的发力、打滑时的调整，以及失败后的重新尝试。这些关键交互在整段轨迹中占比很小，却包含着重要的学习信号。

因此，具身数据面临两重瓶颈：一是如何低成本地扩大数据规模，二是如何提高数据的有效信息密度。

数据从哪来：三条路径，一道转换难题

面对数据规模和质量的双重瓶颈，行业主要探索了三种真实数据采集路径。核心区别在于：越直接来自机器人本体，数据与目标硬件越匹配，但采集成本也越高；越接近人类日常行为，数据越容易规模化，但转换成机器人动作也越困难。

硅兔君制作

第一种，真机数据（Robot Data）

通过遥操作让机器人完成任务，同时记录视觉、关节状态和动作轨迹。数据与目标硬件直接匹配，适合任务训练和精细操作。

Tesla、Figure AI、智元等本体厂商都曾采用真机采集方式。但真机采集依赖机器人、操作人员和场地，成本高、扩张慢，很难支撑千万小时级的数据需求。

第二种，人类操作数据（无本体采集）

不使用机器人，而是让人类通过手持夹爪、数据手套等设备完成操作，同时记录第一视角画面和手部或工具动作。2024 年，斯坦福大学等提出 UMI 方案，通过搭载摄像头的手持夹爪采集人类操作数据，无需真机参与采集，降低数据获取成本。

Sunday Robotics 将这条路线推向了规模化。公司招募大量「Memory Developers」，让他们戴着自研采集手套在真实家庭中完成家务。据创始人披露，已积累接近 1000 万条任务轨迹，并训练出家庭机器人 Memo 的基础模型 ACT-1。Generalist 的 50 万小时预训练数据也主要通过可穿戴设备采集人类操作。

第三种，纯人类视频（Ego Video）

直接利用第一视角视频学习人类行为，不需要同步采集精确的操作轨迹，规模化潜力最大。NVIDIA 的 EgoScale 使用超过 2 万小时人类第一视角视频；2026 年 8 月，Dyna Robotics 发布 Dyna-2，进一步将预训练规模扩大至超过 100 万小时。

视频的难点在于缺少机器人可以直接执行的动作信号。模型需要从画面中推断人类动作、理解物体状态变化，再转换为机器人能够执行的控制指令。Dyna-2 的研究表明，大规模视频预训练有望改善跨本体迁移能力，但这一过程仍需要数据处理与少量真机适配。

三条路径各有取舍：真机数据解决动作匹配，人类操作数据兼顾规模与动作监督，纯人类视频则提供更大规模的行为经验。

头部公司的训练方式也开始呈现共同趋势：使用大规模人类数据进行预训练，再通过少量真机数据完成任务适配。不过，不同公司的数据配方差异较大，尚不存在统一的最佳比例。

这意味着，具身数据的竞争不仅在于谁能采集更多小时，还在于谁能以更低成本，将不同来源的数据转化成机器人真正可以学习的动作和经验。

新的数据缺口：从动作到接触

前三种数据采集方式解决了规模和动作学习的问题，但仍有一类信息难以通过视觉获取：接触过程中的力与触觉反馈。而在精细操作中，许多失败恰恰发生在接触和力控制上。

互联网教会了大模型语言，却没有记录人拧瓶盖时用了多大力、折叠毛巾时布料如何滑动、杯子倾斜到什么角度会洒。共同点是：成败不取决于画面，取决于接触。这也是视频路线最硬的天花板。

这已经开始得到实验验证。2026 年，松下联合 Berkeley、NVIDIA 等机构推出 T-Rex，将指尖触觉引入机器人动作模型。在拧灯泡、翻纸张等 12 项精细操作任务中，模型平均成功率达到 65%；去掉触觉信息后，成功率降至 42%。

但力觉和触觉数据比视频更难规模化采集。视频只需要摄像头，而接触信息往往需要额外的传感器，还需要解决数据同步、标定和跨设备适配的问题。

新的采集方案正在出现。2026 年最新一届 YC F26 中，就有三家从不同角度切入具身数据的创业公司：

Axonnic：用肌电还原精细手部动作。开发可穿戴前臂 EMG 袖套，同步采集肌电、视频与手部姿态，在双手不受遮挡的情况下，估计手指运动和指尖发力，即使手部被遮挡也能追踪动作。主要面向缝纫、精密装配等复杂工业操作，将熟练工人的动作数据转换为机器人训练数据。

Hemlock：用肌电手环补充力觉信息。自研 The Bracelet，通过读取前臂肌肉电信号，结合第一视角视频推断发力和接触状态。相比触觉手套，手环不遮挡双手，更适合分布式采集。

Preload：视觉、触觉与肌电的多模态采集。将第一视角摄像头、触觉手套和肌电传感器结合，同步记录操作画面、接触压力和肌肉活动。相比单一肌电方案，能够提供更完整的物理交互信息。

三家公司的切入方式各有侧重，但方向一致：具身数据正在从记录人类做了什么，走向记录动作背后的发力、接触和物理反馈。

这意味着，下一轮具身数据的机会不仅在于增加采集规模，还在于补全视觉之外的物理信息，并让这些信息真正转化为模型能力。

数据玩家：谁能从具身数据中赚钱？

随着具身模型进入 Scaling 阶段，围绕数据的商业机会开始浮现。从数据资产的来源和变现方式来看，市场正在形成三类不同的机会。

硅兔君制作

第一类：数据生产网络，核心是掌握场景、人力和规模化采集能力。

这类玩家通过组织人员、设备与物理场景，持续向模型公司供应训练数据。其中又可以分成两条路线：基于人类工作的数据采集，以及真机遥操作采集。

Build AI 选择前者。公司在真实工厂和专业劳动场景中采集第一视角数据，覆盖纺织、精密制造、维修等任务，向模型开发者提供现成数据集与定制采集服务。其优势是利用已经存在的人类劳动，获取大规模、多样化的真实操作经验。

XDOF 则从真机数据切入。公司建设低成本双臂机器人遥操作采集设施，直接记录机器人视觉、关节状态和动作轨迹。2026 年 6 月发布的 ABC-130K 数据集，包含超过 13 万条轨迹、约 3500 小时真实交互，覆盖近 200 类双臂操作任务。相比人类视频，这类数据与机器人动作空间更直接匹配，但采集成本也更高。

其他代表性玩家也在扩大数据供给。Human Archive（YC W26）从外部劳动网络切入，与家政、酒店、餐饮等服务网络合作，让工作人员佩戴设备，将日常劳动转化为训练数据。京东的优势是自有业务场景，计划动员最多 60 万人，在两年内积累 1000 万小时真实场景视频。

这门生意的竞争，本质上是数据生产效率的竞争：谁能以更低成本，持续交付模型真正需要的数据。但如果数据缺乏独特性、质量和训练效果难以验证，最终也可能陷入按小时报价的产能竞争。

第二类：真实部署的数据飞轮，核心是持续积累执行经验与结果反馈。

与专门组织采集不同，这类公司本身就在真实环境中运营机器人。随着商业化规模扩大，日常执行产生的数据可以持续反哺模型训练。

Ambi Robotics 是一个代表。公司在美国仓储物流场景中部署机器人，累计处理超过 1.5 亿件包裹，积累超过 25 万小时真实生产数据。基于这些数据，Ambi 训练出 PRIME-1 基础模型，并推出面向自动化合作伙伴的 AI Skill Suite，将真实运行经验转化为可复用的机器人技能。

Serve Robotics 则开始探索数据资产的直接变现。2026 年 11 月，公司基于超过 2000 台已部署机器人推出 Physical AI Services，将真实运行数据、异常事件筛选工具和机器人连接服务对外开放。

两家公司代表了不同的变现路径：Ambi 将部署数据转化为更强的机器人能力与可授权的 AI 技能，Serve 则尝试将运营中积累的数据和基础设施直接变成独立产品。

这类公司的潜在优势在于，真实任务中的失败、人工接管和执行结果难以通过专门采集的成功示范完整覆盖。不过，部署规模不等于数据价值。只有将执行轨迹与任务结果关联，并持续证明对模型能力的提升，才能形成真正的数据飞轮。

第三类：数据加工与基础设施，核心是把原始数据变成可训练、可评估的资产。

无论是人类采集的视频，还是真实部署中的机器人日志，都需要经过处理才能用于训练。动作重建、时间同步、数据筛选、失败定位、标注和质量评测，正在形成独立的基础设施需求。

Encord 和 Foxglove 已经分别从多模态数据标注与机器人数据可观测性切入。而近期出现的新一代创业公司，正在进一步利用 AI 自动分析数据，寻找最有训练价值的样本。

Nomadic AI 就是其中之一。公司利用 AI 对大规模多模态数据进行语义搜索和异常事件挖掘，从海量运行视频中识别罕见场景、模型失败和数据覆盖缺口。其商业价值在于减少人工筛选成本，让模型团队更有针对性地补充训练与评测数据。

Roboto 则更深入地嵌入机器人开发工作流。平台统一管理视频、传感器和系统日志，通过自动化分析与 AI Agent 定位故障、识别异常，并将关键执行片段整理成训练数据。

与传统数据标注平台相比，这类公司的产品正从「把数据标好」，进一步走向「找到值得训练的数据，并帮助定位模型为什么失败」。

它们的机会也不完全依赖具身模型的某一种技术路线。只要机器人企业需要持续训练、评估和调试模型，就存在相应的数据基础设施需求。

不过，具身数据的格式、动作空间和评测方法仍高度异构，行业尚未形成类似图像标注时代的统一任务标准。机器人领域能否出现下一个 Scale AI，取决于数据需求能否进一步标准化，以及平台是否能够持续交付可验证的模型收益。

三类机会代表了不同的商业逻辑：数据生产商出售数据供给能力，部署型公司通过真实运行积累数据资产，基础设施公司帮助客户释放已有数据的价值。最终决定商业价值的，不是采集了多少小时，而是这些数据能否稳定提高任务成功率、降低新任务适配成本，并缩短模型迭代周期。

结语

110 亿美元的资本热潮，最终都要接受一个朴素的检验：机器人能不能独立完成一个班次的工作？

连续八小时稳定运行，不需要工程师时刻守在旁边；遇到意外能够自主恢复，第二天还能重复完成同样的任务。

这个标准远没有机器人后空翻那么吸引眼球，却是具身智能从技术展示走向商业应用的重要门槛。而要跨过这道门槛，机器人不能只学会正确的动作，还必须学会如何应对错误。

谁能把这些失败转化为可复用的训练经验，谁就更有机会积累真正的数据壁垒。

本文来自微信公众号“硅兔君”（ID：gh_1faae33d0655），作者：硅兔君，36氪经授权发布。