具身智能数据缺口30倍：资本加码，机器人上岗仍差什么？

具身智能缺的数据，以及围绕这些数据长出来的几层生意。

2026 年，资本对具身智能的投入又抬了一档。

Dealroom 10 月更新的数据显示，全球具身智能创业公司今年拿到 110 亿美元风险投资，是 2025 年全年的两倍多。

8 月的北京亦庄，世界机器人大会人气同样旺。373 家企业到场，五天来了 55.7 万人次，观众数量比去年翻倍。

场面热闹，可机器人真正上岗还有多远？

IDC 统计显示，2025 年全球人形机器人出货超过 1.8 万台，其中超过 85% 流向文娱表演、教育科研、数据采集和导览导购。能进工厂、物流等场景干生产活的，还是少数。

钱在涨，关注度也在涨，机器人造出的实际生产价值却没跟上。

过去两年，具身智能的叙事大多围着本体转：哪家机器人更灵活，谁的灵巧手自由度更高，谁能做出更复杂的动作演示。今年多了一个新变量左右竞争方向——数据。

Generalist、Physical Intelligence 等公司的模型不断迭代，行业看到一条和大语言模型相似的路：把训练数据和计算规模做大，泛化能力有望更强，学新任务的成本也有望降下来。

如果这条 Scaling 曲线一直成立，具身智能的比拼就不止于硬件，还会往数据上走：要多少真实世界经验？数据从哪儿来？哪种数据最值钱？钱又会被谁赚走？

机器人碰到的麻烦，可能比大语言模型更棘手。互联网攒下了海量文本和视频，却很少记下人在做动作时的力量、接触、失败和纠错。数据量更大，不代表机器人就能把任务干得更好。

真正该盯的，不只是机器人还差多少小时数据，而是这些数据能不能变成真实世界里的工作能力。这一轮具身数据热里，技术难题和商业机会都藏在这里。

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，预训练用了超过 27 万小时真实物理交互数据。当时最有代表性的开源数据集 Open X-Embodiment 只有 6000 小时，GEN-0 的数据量高出近五十倍。

Generalist 在实验里看到，预训练数据和计算规模一扩大，模型在多个下游任务上的表现就持续变好。这释放出一个信号：大语言模型那套 Scaling Law，或许也存在于机器人的物理交互学习里。

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 把数据规模拉到 50 万小时，任务成功率从 64% 升到 99%，速度快了 3 倍。更关键的变化是，GEN-1 开始显出一定的跨场景泛化和自主纠错本事。

2026 年 8 月，Generalist 再推 GEN-1.5，把这种泛化能力又往前推了一步。经过超过八个月的持续预训练，模型开始有了类似大语言模型上下文学习（In-ContextLearning）的能力：只给一段 3—12 秒的动作示范，不用更新模型参数，它就能试着执行新任务。Generalist 把这叫 Physical Prompting（物理提示学习）。

三代模型初步验证了一条路子：预训练数据规模更大，模型能力有望更强，学新任务的成本有望更低。具身数据也就从技术问题变成了资本争抢的新方向。

接下来的问题是：具身智能到底需要多大规模的数据，这些数据又该从哪儿弄？

50 万小时：具身智能还处于 GPT-2 阶段？

50 万小时是个什么水平？拿人类一生接触的信息量做个参照。

假设一个人每分钟读 200—300 个英文单词，每天读 12 小时，80 年累计能读约 67 亿—101 亿 Token。GPT-2 的训练数据约 100 亿 Token，和人类一辈子读的量级差不多。

具身智能同理。假设一个人每天观察、学习现实世界 12 小时，80 年约 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。

拿人类一生接收的信息量当尺子，GEN-1 和 GPT-2 的训练数据大致处在同一个量级。不过这只是规模上的类比，两类模型的能力并不能相提并论。

硅兔君制作

大语言模型并没有停在 GPT-2。GPT-3 用了 3000 亿 Token 训练，约为 GPT-2 的 30 倍。照这个幅度往上推，具身模型若也要扩张数据，从 GEN-1 的 50 万小时起步，下一阶段可能得做到 1500 万小时。

数据量之外还有别的坎。机器人不光要学看见了什么，还得学会怎么动手、使多大劲、动作做完会带来什么结果。

拿拧瓶盖来说，一段操作视频里，多数时间花在移动、对准和调整姿态上。真正决定成败的，往往是接触那一刻的发力、打滑之后的修正，以及失败后再来一次。这些关键交互在整条轨迹里占比不大，却是重要的学习信号。

所以具身数据卡在两处：一是怎么把规模做上去、成本压下来，二是怎么让每一份数据里的有效信息更密。

数据从哪来：三条路径，一道转换难题

规模和质量两头受困，行业目前主要试了三种采集真实数据的路子。差别集中在一点：数据越直接来自机器人本体，跟目标硬件就越匹配，采集成本也越高；越贴近人的日常行为，越容易上量，但要转成机器人的动作就越难。

硅兔君制作

第一种是真机数据（Robot Data）。

做法是用遥操作让机器人完成任务，同步记下视觉、关节状态和动作轨迹。这类数据和目标硬件直接对得上，适合任务训练，也适合精细操作。

Tesla、Figure AI、智元等本体厂商都用过真机采集。问题是这种方式离不开机器人、操作人员和场地，成本高、扩得慢，千万小时级别的需求很难靠它撑起来。

第二种是人类操作数据（无本体采集）。

这条路不用机器人，而是让人戴上手持夹爪、数据手套之类的设备做操作，同时记录第一视角画面和手部或工具的动作。2024 年，斯坦福大学等提出 UMI 方案，用装了摄像头的手持夹爪采集人类操作数据，采集环节不需要真机，获取成本随之下降。

Sunday Robotics 把这条路线做成了规模。公司招来大批「Memory Developers」，让他们戴着自研采集手套，在真实家庭里干家务。据创始人披露，已积累接近 1000 万条任务轨迹，并据此训练出家庭机器人 Memo 的基础模型 ACT-1。Generalist 的 50 万小时预训练数据，也主要靠可穿戴设备采集人类操作得来。

第三种是纯人类视频（Ego Video）。

直接用第一视角视频学人的行为，不必同步采集精确的操作轨迹，规模化潜力最大。NVIDIA 的 EgoScale 用了超过 2 万小时人类第一视角视频；2026 年 8 月，Dyna Robotics 发布 Dyna-2，把预训练规模进一步拉到超过 100 万小时。

难点在于视频里没有机器人能直接执行的动作信号。模型得从画面里推断人的动作、看懂物体状态怎么变，再转成机器人能执行的控制指令。Dyna-2 的研究显示，大规模视频预训练有希望改善跨本体迁移，但这个环节仍离不开数据处理和少量真机适配。

三条路各有取舍：真机数据管动作匹配，人类操作数据在规模和动作监督之间取平衡，纯人类视频给的是更大体量的行为经验。

头部公司的训练方式也开始趋同：先用大规模人类数据做预训练，再用少量真机数据完成任务适配。不过各家数据配方差别不小，统一的最佳比例还没出现。

也就是说，具身数据的较量不只看谁采的小时数多，还要看谁能用更低的成本，把不同来源的数据变成机器人真正学得会的动作和经验。

新的数据缺口：从动作到接触

前面三种采集方式解决了规模和动作学习，但有一类信息靠视觉拿不到：接触过程中的力和触觉反馈。精细操作里，不少失败就出在接触和力控制上。

互联网教会了大模型语言，却没记下人拧瓶盖使了多大力、叠毛巾时布料怎么滑、杯子歪到多少度会洒。共同点是：成不成不取决于画面，取决于接触。视频路线最硬的天花板也在这里。

触觉到底能带来多大差别，实验里已经有答案。2026 年，松下与 Berkeley、NVIDIA 等机构合作拿出 T-Rex，让机器人动作模型用上了指尖触觉。在拧灯泡、翻纸张等 12 项精细操作任务上，该模型平均成功率为 65%；一旦把触觉信息拿掉，成功率就掉到 42%。

可力觉和触觉数据比视频更难上量。视频只要摄像头，接触信息通常得加装传感器，还要处理数据同步、标定和跨设备适配。

2026 年最新一届 YC F26 里，三家从不同角度切入具身数据的创业公司已经出现。其中 Axonnic 的做法是用肌电还原精细手部动作：开发可穿戴前臂 EMG 袖套，把肌电、视频与手部姿态同步采下来，双手不被遮挡时也能估计手指运动和指尖发力，即便手部被遮挡照样能追踪动作。其目标场景是缝纫、精密装配这类复杂工业操作，把熟练工人的动作数据转成机器人训练数据。

Hemlock 走的是用肌电手环补充力觉信息的路子，自研 The Bracelet，读取前臂肌肉电信号，再结合第一视角视频推断发力和接触状态。相比触觉手套，手环不挡双手，更适合分布式采集。Preload 则把视觉、触觉与肌电放在一起做多模态采集，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，它能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，方向却一致：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？

具身模型进入 Scaling 阶段后，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 走的是前一条路。公司跑到真实工厂和专业技能场景里，采集第一视角数据，纺织、精密制造、维修这些任务都有覆盖，再把现成数据集和定制采集服务卖给模型开发者。它看中的是现成的人类劳动——靠这些人已经在干的活，拿到规模大、种类多的真实操作经验。

XDOF 的路子是从真机数据入手。公司搭了一套低成本的双臂机器人遥操作采集设施，机器人视觉、关节状态、动作轨迹都直接记录下来。2026 年 6 月发布的 ABC-130K 数据集，收录超过 13 万条轨迹、约 3500 小时真实交互，涉及近 200 类双臂操作任务。跟人类视频比，这类数据和机器人动作空间对得更准，代价是采集成本更高。

还有几家有代表性的公司也在把数据供给做大。Human Archive（YC W26）从外部劳动网络入手，跟家政、酒店、餐饮等服务网络合作，让工作人员戴上设备干活，把日常劳动变成训练数据。京东靠的是自有业务场景，打算动员最多 60 万人，两年内攒下 1000 万小时真实场景视频。

说到底，这门生意拼的是数据生产效率：谁成本更低，谁能持续交出模型真正需要的数据。可要是数据不够独特、质量和训练效果又难以验证，最后也可能沦为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。

两家公司的变现路径并不相同：Ambi 把部署数据变成更强的机器人能力和可授权的 AI 技能，Serve 则试图让运营中积累的数据和基础设施直接成为独立产品。

这类公司的潜在优势在于，真实任务里的失败、人工接管和执行结果，靠专门采集的成功示范很难完整覆盖。不过，部署规模大不等于数据有价值。只有把执行轨迹和任务结果挂上钩，并持续证明模型能力因此提升，数据飞轮才真正转得起来。

第三类：数据加工与基础设施，核心是把原始数据变成能训练、能评估的资产。人类采集的视频也好，真实部署中的机器人日志也好，都得经过处理才能拿去训练。动作重建、时间同步、数据筛选、失败定位、标注和质量评测，正逐渐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、机器人数据可观测性两个方向切入。近期冒出来的新一代创业公司，则进一步用 AI 自动分析数据，挑出最有训练价值的样本。Nomadic AI 就是其中一家：它用 AI 对大规模多模态数据做语义搜索和异常事件挖掘，从海量运行视频里找出罕见场景、模型失败和数据覆盖缺口。其商业价值在于省下人工筛选的成本，让模型团队能更有针对性地补训练、补评测数据。

Roboto 走得更靠里，直接嵌入机器人开发流程。视频、传感器数据和系统日志被平台统一收拢，靠自动化分析和 AI Agent 找出故障、标记异常，再把关键执行片段整理成训练数据。跟传统数据标注平台比，这类公司的产品重心已经变了：不再只是「把数据标好」，而是往前一步——找到值得训练的数据，同时帮客户弄清模型为什么失败。

它们的机会并不押注具身模型的某一条技术路线。机器人企业只要还得持续训练、评估、调试模型，数据基础设施这块需求就一直在。

问题在于，具身数据的格式、动作空间和评测方法眼下仍高度异构，行业还没形成图像标注时代那种统一的任务标准。机器人领域能不能长出下一个 Scale AI，要看两件事：数据需求能不能进一步标准化，平台能不能持续交付可验证的模型收益。

三类机会对应三套商业逻辑。数据生产商卖的是数据供给能力；部署型公司靠真实运行攒数据资产；基础设施公司则帮客户把已有数据的价值释放出来。说到底，决定商业价值的不是采集了多少小时，而是这些数据能不能稳定抬高任务成功率、压低新任务适配成本、缩短模型迭代周期。

结语

110 亿美元的资本热潮，最后都得过一个很朴素的关口：机器人能不能独立顶完一个班次？连续八小时稳定运行，旁边不用工程师一直盯着；出了意外能自己恢复，第二天同样的活还能再干一遍。

这个标准没机器人后空翻那么抓眼球，却是具身智能从技术展示走向商业应用绕不开的门槛。要迈过去，机器人光学会正确动作不够，还得学会怎么应付错误。谁有本事把这些失败变成可复用的训练经验，谁就更可能攒下真正的数据壁垒。