具身智能的真机数采，到了分水岭

具身智能正在经历一次关键的瓶颈认知切换。

过去两年，行业角逐的焦点是本体，谁能造出更能跑、更能跳的机器人。但进入2026年，竞争的重心正在从硬件转向数据。大语言模型有互联网文本，自动驾驶有海量路测数据，而具身智能面对的是一个更棘手的问题：机器人需要学会操作物理世界，但物理世界的数据不会天然存在。

不是没有人在做数据。全国近两年冒出无数“数采工厂”，人通过遥操作设备操控机器人反复执行任务，把每一帧关节角度、力矩、视觉画面录下来作为训练数据。

但代价惊人：一条30秒的真机操作数据，采集成本10到15元。采集1小时要花1000元左右，凑够20万小时需要两亿元以上。而这20万小时，对于大模型预训练来说不过“沧海一粟”——V-JEPA（Video Joint Embedding Predictive Architecture）是Meta前首席AI科学家杨立昆团队提出的视频自监督学习框架，它用超过100万小时视频训练来理解物理世界规律，距离Scaling的终点还远得很。

一边是成本高到无法规模化，一边是Scaling需要的数据量近乎无底洞。具身智能行业在去年面临一个尴尬的困局：行业里缺数据的声音此起彼伏，但很少有人认真算过一笔账，用真机数采的方式填数据缺口，成本上几乎看不到出路。

行业也尝试过另一条路：仿真数据。在模拟器里让机器人反复执行任务，自动生成海量的“视觉+动作”配对数据，成本几乎为零。但这条路有它的天花板——Sim-to-Real gap，模拟器里的物理规律和真实世界始终存在偏差，训练出来的策略搬到真机上往往水土不服。仿真更适合做预验证和补充增强，但担不起主力数据的角色。

一年后的今天，行业在预训练层面的判断已经比较清晰了：人类数据正在成为主流。但这不是意味着原来主流的真机遥操作失去了价值，而是数据的分工被进一步细化。人类数据由于成本可控、采集更灵活，更有望Scaling；真机数据囿于成本等原因，则在精细微调上发挥更大作用。

成本、Scaling和一条被逐一验证的路

如果只看到成本差异，可能低估了这件事的底层逻辑。人类数据路线之所以能走到今天，是因为它或许是目前唯一一条理论上能走到终局的路。

灵初智能技术负责人陈源培对此有一个逐一的排除法论证：互联网视频数据量足够大，但“太脏了”。清洗互联网数据的成本远远大于现采。真机遥操作质量最高，但“不可能把世界上所有场景、所有物体的所有操作都搬到一个素材厂里来”。仿真数据有Sim-to-Real gap的先天问题，“同时仿真本身的Scaling也是问题”。

“看来看去，唯一一个能够Scaling的数据，其实就是人类数据。”陈源培说。

这个判断和智在无界的选择殊途同归，但两家公司对人类数据的定义并不相同。智在无界走的是纯视觉路线，用第一人称视频训练模型理解人的行为语义，不记录关节角度和触觉信号。这种方案成本极低、易于规模化，智在无界已做到20万小时规模。

但纯视频的局限在于，这种数据“缺一个duty pose信息，不能很好地恢复接触状态”，因此无法直接驱动机器人，只能用于预训练阶段的表征学习。

灵初智能选择的是，用自研的62+自由度外骨骼触觉手套采集人手操作数据，同时记录关节角度和指尖触觉信号，精度达到亚毫米级，处理后可等同于真机数据直接驱动机器人。代价是采集需要专用硬件，规模扩张速度不如纯视频路线。

把各家公司的动作放在一起看，过去一年人类数据路线的演进，有一个较为清晰的发展脉络。

• 2024年底，由中关村学院孵化的深度机智率先提出“人类学习”（AnthroLearning）路线，主张用人类第一人称视频训练机器人理解物理世界，而非传统的遥操作或仿真。创始人陈凯出自微软亚洲研究院。此时这条路线几乎没有关注者。
•  2025年7月，智在无界发布Being-H0，用1000小时人类第一人称视频做具身预训练。同年12月，灵初智能发布Psi-SynEngine外骨骼触觉手套数采方案，走的是主动传感的路线。几条不同的“人类数据”支线开始并行推进。
• 2026年1月，Being-H0.5发布，人类视频规模推到近2万小时。但据智在无界BeingBeyond合伙人郑思鹏回忆，这个路线“也还不是主流”。

转折点在一个多月后到来。

• 2026年2-3月，英伟达接连发布EgoScale和DreamDojo，分别使用了1到3万小时不等的人类视频数据。英伟达并非这条路线的最早探索者，但它的入场是一个关键的验证信号——当全球AI算力巨头开始大规模采购和训练人类视频数据，意味着这条路线不再是少数公司的实验。
• 2026年4-5月，深度机智发布PhysBrain 1.0，灵初智能Psi-R2基于近10万小时人类数据在MolmoSpaces登顶，智在无界Being-H0.7也扩展到20万小时。多家公司的成果密集涌现。

全球范围内，这条路线也在同步推进。由前Google DeepMind研究员创立的Generalist AI在2025年底就用27万小时人类操作数据训练了GEN-0模型，首次在机器人领域观察到Scaling Law。据灵初智能方面透露，OpenAI、英伟达、Meta等也在大规模采购人类数据——各家对数据怎么用还在探索中，但方向已经明确。

当然，并非所有公司都押注人类数据路线。智元机器人今年6月发布了“具身智能数采2.0”体系并开源AGIBOT WORLD数据集，宇树科技也在4月开源了真机数据集，但它们走的是更传统的路线——以真机遥操作和仿真数据为主，更侧重本体自身的数据闭环，而非人类数据的规模化预训练。两条路线目前并行，尚未到分出高下的时候。

一年之内，人类数据路线从边缘走到了聚光灯下。英伟达的跟进是一个关键的验证信号，而多家中国公司的并行推进则为这条路线提供了多元化的早期证据——有人验证纯视觉路线，有人验证主动传感路线，各有进展。

真机数据之所以走不通Scaling，根本原因在于它是监督学习的产物。据郑思鹏分析，监督学习训练出来的模型只有“背板能力”，泛化能力很差，一旦遇到out-of-distribution的场景和任务，效果急剧下降。而人类视频天然覆盖了更广阔的动作空间分布，与预训练的逻辑天然匹配。

共识的边界：范式迁移、商业分层与资本的分水岭

数据路线的转向不是孤立事件。与之同步发生的，是具身智能模型范式从VLA向隐式世界模型的迁移。

VLA（Vision-Language-Action）在过去一年是具身行业的通用范式，本质是一套监督学习框架。但它的天花板受限于高质量真机数据的稀缺，VLA模型无法像大语言模型那样遍历所有可行的动作空间。据郑思鹏分析，真机数据能覆盖的动作空间，只占全部可行空间的“很小一部分”。

行业开始转向世界模型。但世界模型也有路线之分。

英伟达的Cosmos Policy走的是显式路线，通过预测视频的下一帧画面来预测状态变化。这个方法理论上可行，但成本极高：模型需要“关注画面中皮肤纹理、衣服褶皱等等元素”，而这些对机器人决策来说大部分是无关信息。

智在无界选择的是隐式路线（Latent World Action Model），只建模必要的状态变化，不预测完整画面。效率差异是数量级的：据郑思鹏给出的数据，同样50小时的数据量，显式训练需要约4000小时GPU，而隐式的成本大约是前者的八十分之一。

“如果扩展到20万小时去训练一个模型，显式的投入是千亿级别的。”

对具身智能来说，无论训练还是推理，成本效率始终是第一位的。

智在无界并非唯一押注隐式路线的公司。今年3月，星海图发表了LeWM隐式世界模型论文，在多个操作与导航任务上性能与基础模型相当但成本大幅降低。6月，无界动力发布MWA™隐空间世界模型，在斯坦福等机构发起的RoboCasa榜单上超越了英伟达的GR00T-N1.6。从学术界到产业界，越来越多的团队开始探索隐式路线。一场从监督学习到自监督/半监督学习的范式迁移，正在重演计算机视觉领域曾经走过的路：先有监督学习起步，然后转向自监督实现Scaling突破。

技术路线在迭代，商业化节奏的判断也在分化。

一个基本共识正在形成：2B（工业制造、物流等可控场景）比2C（家庭服务）快3到5年。

在近日由联想控股微空间、联想之星和融科资讯中心共同发起的“硅基进化论”沙龙上，宇泛智能CFO戴恺也给出了三个衡量具身智能公司落地质量的务实指标：复购率（客户愿不愿意再次买单）、ROI≥30%（替代人效要有可量化的提升）、经营性现金流（收入不能全挂在应收帐款上）。

“如果你看现在市场上很多具身智能公司，他有收入，但其实全在应收帐款上，过一段时间可能又要归集为坏帐。”

优宝特机器人创始人范永则用一个比喻来表达他对行业节奏的判断：“人形机器人现在就是一个3岁的小孩，不要指望他现在去打工挣钱。但如果你相信他是个健康的孩子，他一定能长到18岁。”

不过也有更激进的判断。云松鼠智能创始人黄骏达认为，五指灵巧手的收敛速度会比行业预期的快得多。“不是三到五年，更不是五到十年，未来两年内就能见分晓。”如果这个判断成立，操作端的瓶颈可能会比很多人预期中更早被打破。

技术路线和商业化判断的分化，最终都指向同一个问题：钱往哪流。

2026年上半年，具身智能赛道融资额达到约460亿元人民币。但仔细拆开看：其中170亿是早期轮次，而这170亿里的70%集中在头部10家公司。资本盛宴之下，资金实际高度集中。

联想之星合伙人高天垚的观察是，当前投资逻辑正在发生分化。“大家都在看，共识的东西还比较多，所以我们希望项目的差异化要突出。”

而宇树科技的IPO，则被视为行业的一个分水岭节点。据高天垚判断，宇树在二级市场“千亿问题不大”。但戴恺提出了一个微妙的反论：“人形机器人最核心的竞争力在大脑层面，但宇树目前在这方面的投入和展现出的认知，还没有到那么高的层面。”

他补充说：“从整个产业的发展来说，我希望宇树能够在资本市场取得更大的成功。但同时，估值会越来越趋于理性。”

范永则从产业链角度给出了另一个判断框架：“这个产业链很长，关键模组、本体、小脑、大脑，每一个环节都能深耕出优秀的企业。如果要做一个全栈且每个环节都强的公司，短期内很难。”他认为，未来三五年能把营收跑起来的，更可能是本体企业，因为“大脑最终要附生到本体上才有落地的市场”。

围绕数据基础设施、模型范式演进、量产落地与商业化路径，“共识与非共识”的深度思辨由此展开。

量不等于质：10万小时可能不如1000小时

数据多了，新的问题浮出水面。

据无问智科创始人刘盛翔观察，行业里大家都在喊“缺数据”，但即使把一千万小时的数据摆在面前，能不能用起来也是个大问题。

“就像英伟达的算力基座，如果没有CUDA生态，再好的GPU也用不起来。数据同理，缺的不仅是数据，更是整套的工具链和测评体系。”

他给出了一个三层框架：一套好用的物理AI数据基座，至少应该包括数据本身、配套的工具链、以及相应的测评体系。“就像人一样，要边学习边考试，边做模仿学习边做强化学习，螺旋式成长。”

这个视角把问题从“数据够不够多”推到了“数据能不能被有效利用”。行业现在面临的情况是：数据生产的瓶颈正在被人类视频路线打破，但数据“消化”的能力，清洗、标注、增强、评测还没有跟上。而后者，可能才是未来一段时间真正的瓶颈所在。

但数据量上去了，不等于问题解决了。陈源培捅破了另一层窗户纸：“10万小时的人类数据，有些时候可能还不如1000个小时。”

他举了一个例子：给素材方下发一个任务，要求采1000个任务，每个任务采100小时，凑出10万小时。同样的1000个任务，每个任务只采1小时，只有1000小时。“它们在训练上的作用是差不多等效的。”

这个反直觉的现象揭示了一个被行业忽视的问题——数据处理的难度远大于数据采集。源培详细描述了他们的数据管线有多复杂：视觉端要调SAM模型把操作者的手从画面中分割出来，再用inpainting模型把背景补上，最后调用仿真器把机器人的模型渲染贴上去；动作端要调世界模型对动作做修正，再调强化学习做策略优化。每一个环节在单次执行时都没有问题，但“全部堆上去放量的时候，每个地方都是卡点”。

他给出的优先级排序是：在数据集构建层面，任务多样性>物体多样性>场景多样性；在感知模态层面，精准3D位姿>触觉模态>2D图像特征。而这套标准本身，也还在“研发状态”。

这也解释了为什么灵初智能虽然采集了10万小时人类数据，却只从中筛选出约5417小时真机等效数据用于模型训练。数据量和数据质量不是一回事——这个判断，可能比“人类数据成为预训练主流”本身更值得行业深思。

从数据路线的全面换锚，到模型范式的隐式迁移，从商业化节奏的分层判断，到资本流向的结构性分化，具身智能行业正在经历一次深层的“重新锚定”。

真机数采仍然是精细微调阶段不可替代的黄金标准，但在预训练层面，人类数据正在成为主流。这不是一场零和博弈，而是一次行业分工的重新划定。

这些变化的发生速度，比大多数人预期的要快得多。(本文首发钛媒体APP，作者 | AGI-Signal，编辑 | 秦聪慧）