具身智能数据缺口达两个数量级：百万小时存量难撑亿小时需求

财联社11月8日讯（记者 付静）国家数据局近日组织召开行业高质量数据集建设链主工作座谈会，会上明确行业高质量数据集建设要遵循“以需定供、以用促建、以评提质”的原则。摸清人工智能用数需求，是这场座谈会的重点任务之一。

本周的2026年世界互联网大会乌镇峰会上，国家数据专家咨询委员会委员张向宏提到，人工智能可分五类——通用大模型、行业大模型、智能体、世界模型和具身智能，它们对数据的需求各不相同。高质量数据眼下已成为人工智能发展的关键瓶颈。

财联社记者近日从业内人士处了解到，具身智能数据是当前人工智能领域最大的难题之一，同时存在“缺”和“贵”两重困境。支撑具身智能的行业专识数据只能自行生产，成本高，又没有成熟的生产模式，供需之间差了约两个数量级。

也正因如此，补齐具身智能数据短板成了政策端和产业端共同关心的事。9月10日，国家数据局曾专门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，并积极支持企业加大数据投入，以更好赋能具身智能发展。

严峻现实

具身智能数据的困境，说到底就是两个字：贵、缺。

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描述了这一严峻现实：核心矛盾是供需差两个数量级——有效数据存量只有百万小时，头部厂商判断的需求却是亿小时；真机数据成本为500-1000元/小时，比互联网语料采集成本高得多；大模型有互联网语料可爬，自动驾驶有海量路测数据，真机数据却没什么“家底”。

据了解，数据采集环节目前有四条路径并行：真机遥操作、仿真合成、无本体便携采集、互联网数据提取。

其中真机路径被行业视为“黄金标准”。李帅介绍，真机数据存在小样本效应：只用约10%的真机数据，成功率就能明显提升；用上全量真机数据，成功率可达76.8%，远高于只用互联网数据或通用数据的效果。

问题在于真机数据属于重资产，单台设备约20万-70万元，有效产出还不高，整体成本达到仿真合成路径的100倍。仿真合成路径的主要短板则是仿真到现实的鸿沟，在真实家庭任务中落差甚至达到77个百分点。

（财联社记者摄）

数据治理和流通环节同样有麻烦：数据非标、昂贵、难复用。原因主要有三点。

第一，缺少统一的操作系统。李帅称，机器人操作系统第一个主要版本ROS1已于去年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都还处于早期。数据接口、动作空间、传感器协议各搞各的，跨本体迁移成本极高。

第二，硬件没有标准化。执行器、传感器、关节自由度、通信协议均无统一标准，一套本体对应一套数据。真机数据无法跨本体复用，跨本体对接成本是同本体的3-5倍。

第三，技术路线尚未收敛。VLA（视觉-语言-动作模型）、世界模型、VLM（视觉语言模型）传统控制等多条路线并行，不同路线对模态、动作表征、时序长度的要求差别较大，容易造成重复采集。

沙利文中国TMT行业分析师宋安琦对财联社记者表示，行业眼下采集的数据量的确很大，但里面有不少属于高度重复的标准场景和成功轨迹，这类数据对模型继续提升能起到的边际作用已经不大。

需求端又看重什么？

“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。”帕西尼创始人兼CEO许晋诚近日在接受财联社等媒体采访时这样说。

在多位产业人士看来，具身智能最缺的是顶层真实世界交互数据，所谓“缺数据”，更准确的说法是“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，以及机器人实际部署后产生的在线反馈数据。数据荒并没有消失，只是从“数量荒”慢慢变成了“高质量数据荒”和“结构性数据荒”。

据了解，未来各类数据的分工会越来越清晰：Ego、人类视频、UMI数据适合以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，真机数据则更多承担本体对齐、接触动力学、精细操作和最终验证。

宋安琦观察需求方发现，他们越来越在意的不是供给端的“名义产能”，而是数据能不能真正用于模型训练、能不能带来泛化能力。“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。”

与此同时，业内甚至可能出现需求方不愿付费的情况。

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，眼下真正有模型能力的客户采购数据时，第一看任务相关性，也就是这批数据能否解决当前模型的具体问题；第二看数据本身的质量，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；第三看场景和行为多样性，即是否覆盖不同物体、环境、操作方式以及失败和异常情况；再往后才轮到规模、价格和交付速度。

“需求方现在买的是有效性，不再只盯数量。”宋安琦表示，采上几万小时甚至更多数据、最后需求方却不肯出高价的情况，完全有可能出现。他还提到，一些头部客户过去会同时测试多家供应商，如今正转向集中使用少数能稳定交付高质量数据的供应商。

产能这一头，同样在发生变动。

财联社记者近日了解到，国内做具身智能数据的企业已有百家，其中一半独立数据服务商是最近一年内才成立的；已启用和在建的训练场超过106家，产业链完整度与配套齐全度排在全球前列。

供给端眼下有四类力量在布局。企业自建数采工厂，比如帕西尼投入近亿元建超级数据工厂；地方国资的数采场，比如北京景辰数智运营的石景山人形机器人数据训练中心，一年产出数据近2000万条；互联网平台，比如京东的机器人数据采集中心，计划两年内产出超1000万小时真实场景视频；还有国家或省级创新平台，比如国家具身智能应用中试基地，设有近40个职业技能训练场景，由财政资金支持。

但需求端的要求，正在往上走。

财联社记者注意到，年内一些数采中心出现了运营主体调整、设备撤出、技术路线变化等情况。行业是不是正从前期扩规模转入洗牌？

宋安琦对财联社记者说，更准确的说法是，行业正从早前的“产能建设期”迈入“有效产能筛选期”。

一家AI初创公司的技术负责人把话说得很直白：他提到，从前不少数采项目是形式大于内容，所谓洗牌指的就是这个；行业如今越走越卷，需求也越来越贴近实际应用，没意义的数采会一点点被淘汰掉。在他看来，数采最核心的目的就是把数据从物理世界采回来，放进大模型里跑通，再反过来推动物理世界里的表现。“如果说采回来的数据不能发挥价值，采它干嘛呢？”

宋安琦还提到，评价体系也变了：过去数机器人数量、数数据小时数，往后更多要看场景覆盖度、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多少提升。他判断，传统那种集中式、摆满机器人和工位的数采工厂长期看不会彻底消失，但很可能只是整个数据基础设施的一部分，真实场景、分布式采集和持续的数据回流会越来越吃重。他举例说，北京石景山数采中心一期在运营主体调整后，对单一真机遥操作路线的依赖明显下降，转而引入真人动捕、4D光场、世界模型等新的采集和生成方式，这个案例很有代表性。

宋安琦进一步告诉财联社记者，那些花钱建起来的大型数采中心，真正具备长期价值的资产未必是成排的机器人，而是场景资源、采集人员的组织能力、多模态采集系统、数据治理能力，以及把模型和应用端连接起来的闭环；这些能力若没法复用，资产重新配置的压力就会比较明显。