具身智能数据面临困境

近日，国家数据局组织召开行业高质量数据集建设链主工作座谈会，强调行业高质量数据集建设要坚持“以需定供、以用促建、以评提质”原则。其中，摸清人工智能用数需求是重点工作之一。国家数据专家咨询委员会委员张向宏在本周的2026年世界互联网大会乌镇峰会上表示，通用大模型、行业大模型、智能体、世界模型、具身智能在内的五类人工智能对数据的需求不一样，高质量数据已成为人工智能发展的关键瓶颈。财联社记者最新从业内采访获悉，在人工智能领域，具身智能数据是当前最大难题之一，正面临“缺”和“贵”双重困境。

支撑具身智能的行业专识数据需自行生产，成本高、且无成熟生产模式，供需差约为两个数量级。正因此，政策端、产业端当前普遍关注对具身智能数据短板的补齐。此前在9月10日，国家数据局就曾召开具身智能专题座谈会，提出将适时推动具身智能数据领域标准体系建设，积极支持企业加大数据投入，更好赋能具身智能发展。具身智能数据面临的困境，可归纳为“贵”和“缺”二字。

乌镇峰会上，工业和信息化部电子第五研究所人工智能中心副主任李帅道出了具身智能数据面临的严峻现实：核心矛盾在于供需差两个数量级，有效数据存量为百万小时，而头部厂商判断需求为亿小时；真机数据成本500-1000元/小时，远高于互联网语料采集成本；大模型有互联网语料可爬，自动驾驶有海量路测，真机数据却没有“家底”。在数据采集环节，真机遥操作、仿真合成、无本体便携采集、互联网数据提取四条路径并行。真机路径是行业公认的“黄金标准”，据李帅介绍，真机数据具有小样本效应：仅用约10%的真机数据即可明显提升成功率；

全量真机数据的情况下，成功率则可达76.8%，远高于仅用互联网或通用数据的效果。不过，真机数据的短板在于重资产，单台设备约20万-70万元，且有效产出并不高，其整体成本甚至是仿真合成路径的100倍。在数据治理和流通环节，目前存在数据非标、昂贵、难复用的问题，主要在于三点原因。第一，没有统一的操作系统。李帅称，机器人操作系统第一个主要版本ROS1去年5月正式停服，第二代版本ROS2在实用性、安全性上仍有局限，AIROS、RoboOS、M-Robots OS都在早期。

数据接口、动作空间、传感器协议各自为政，跨本体迁移成本极高。第二，没有标准化的硬件。执行器、传感器、关节自由度、通信协议没有统一的标准，一套本体一套数据。真机数据不可跨本体复用，跨本体对接成本是同本体的3-5倍。第三，技术路线未收敛。 VLA（视觉-语言-动作模型）、世界模型、VLM（视觉语言模型）传统控制多路线并行，不同路线对模态、动作表征、时序长度要求差异比较大，因此易造成重复采集。 “行业现在确实已经采了大量数据，问题在于其中不少是高度重复的标准场景和成功轨迹，对模型继续提升的边际价值有限。

”沙利文中国TMT行业分析师宋安琦告诉财联社记者。需求端看重什么？ “我们接收到的机器人数据需求，无论是国内的还是海外的，都非常巨大。 ”近期，帕西尼创始人兼CEO许晋诚在接受财联社等媒体采访时表示。在多位产业人士看来，具身智能最稀缺的是顶层真实世界交互数据，“缺数据”更为准确的表达是“缺高质量数据”。宋安琦认为，真正缺的往往是复杂真实环境中的长尾数据、失败和恢复过程、长时序任务、精细接触和力触觉数据，以及机器人真正部署之后产生的在线反馈数据。

数据荒没有消失，但已经从“数量荒”逐步变成了“高质量数据荒”和“结构性数据荒”。据悉，未来不同数据的分工也会越来越清晰：Ego、人类视频、UMI数据适合低成本扩大场景和行为覆盖，仿真和世界模型适合做规模化扩充，而真机数据会更多承担本体对齐、接触动力学、精细操作和最终验证。根据宋安琦对需求方的观察，目前需求方越来越关注的不是供给端的“名义产能”，而是数据能否真正用于模型训练、能否产生泛化能力。 “现在需求方并不是简单说‘给我十万小时数据’，而是越来越关注，这十万小时里有多少是新的能力增量。

”同时，业内甚至可能出现需求方不愿意付费的情况。在乌镇峰会上，李帅也提到一个现象——训练场建设快于付费需求。宋安琦分析，现在真正有模型能力的客户采购数据，第一关注的通常是任务相关性，也就是这批数据能不能解决当前模型的具体问题；第二是数据本身质量，包括传感器标定、多模态时间同步、轨迹完整性、标注一致性等；第三是场景和行为多样性，即是否覆盖不同物体、环境、操作方式以及失败和异常情况；再往后才是规模、价格和交付速度。 “需求侧从买数量转向买有效性。

所以完全可能出现采了几万小时甚至更多的数据，需求方最后不愿意高价购买的情况。现在一些头部客户也开始从过去同时测试很多供应商，转向集中使用少数能够稳定交付高质量数据的供应商。 ”宋安琦表示。产能端“洗牌”财联社记者最新获悉，目前国内具身智能数据企业已达百家，其中一半独立数据服务商仅在一年内成立；训练场已启用和在建超106家，产业链的完整度与配套齐全度居全球前列。

在具身智能的产能供给端，目前主要有四类玩家的布局，即企业自建数采工厂（如帕西尼投资近亿元的超级数据工厂）、地方国资数采场（如北京景辰数智运营石景山人形机器人数据训练中心，年产数据近2000万条）、互联网平台（如京东机器人数据采集中心，两年内计划产出超1000万小时真实场景视频）、国家或省级创新平台（如国家具身智能应用中试基地，有近40个职业技能训练场景，财政资金支持）。不过如上所述，需求端正在给供给端提出更高的要求。财联社记者注意到，年内部分数采中心出现了运营主体调整、设备撤出、技术路线变化等现象。

这是否意味着，行业从前期扩规模进入洗牌阶段？宋安琦告诉财联社记者，更准确地说，当前行业正在从前期的“产能建设期”进入“有效产能筛选期”。一家人工智能初创企业技术负责人直言，“所谓的洗牌，就是（因为）以前的数采很多是形式大于内容，现在行业的发展其实越来越卷了，也越来越贴近于实际的应用需求了，没有意义的数采逐渐地就要淘汰掉。数采核心的目的就在于从物理世界把数据采集回来，然后在大模型里跑通，反过头来再去推动在物理世界的表现。如果说采回来的数据不能发挥价值，采它干嘛呢？

”更重要的是评价体系变了：以前看机器人数量和数据小时数，未来会更多看场景覆盖度、有效轨迹比例、单位有效数据成本，以及数据最终给模型带来的提升。从长期看，传统集中式、摆很多机器人和工位的数采工厂不会完全消失，但它大概率只是整个数据基础设施中的一部分，真实场景、分布式采集和持续的数据回流会越来越重要。宋安琦谈到，近期北京石景山数采中心一期在运营主体调整后，就明显降低了对单一真机遥操作路线的依赖，引入真人动捕、4D光场、世界模型等新的采集和生成方式，这实际上很有代表性。

宋安琦进一步告诉财联社记者，一个个砸钱建设的大型数采中心，真正有长期价值的资产，未必是那一排机器人，而是场景资源、采集人员组织能力、多模态采集系统、数据治理能力以及连接模型和应用端的闭环；如果这些能力不能复用，确实会出现比较明显的资产重新配置压力。