万亿具身智能赛道，被数据卡住了
万亿具身智能赛道，被数据卡住了
来源类型： 微信公众号文章
日期： 2026-06-02
标签： AI, 办公效率, 网络安全, 编程, 物流, 机器人, 自动驾驶, 芯片
原文链接： https://mp.weixin.qq.com/s/REZsZ-2jgySA90BQg4aseQ
摘要
▎如何在硅基“大脑”中重建碳基经验？数据采集是第一步。 文｜Leo张ToB杂谈作者｜张申宇编辑丨杨琳本文首发于钛媒体APP 当前，通用人工智能的讨论逐渐从文本与图像转向物理世界，具身智能——赋予AI以物理身体，使其能感知、理解和交互真实环境，而这些正成为全球科技竞赛的下一个关键战场。 然而，与语言模型时代“数据天然存在”的繁荣景象不同，具身智能的“大脑”模型正陷入一场前所未有的“数据饥渴”。训练一个能在复杂、长时序任务中泛化的具身智能大脑，需要的不再是万亿级的文本Token，而是高质量、多模态、时空对齐的“人类行为数据”。这背后，是一场从硬件架构、数据采集到处理范式的系统性...
核心内容
▎如何在硅基“大脑”中重建碳基经验？数据采集是第一步。
文｜Leo张ToB杂谈作者｜张申宇编辑丨杨琳本文首发于钛媒体APP
当前，通用人工智能的讨论逐渐从文本与图像转向物理世界，具身智能——赋予AI以物理身体，使其能感知、理解和交互真实环境，而这些正成为全球科技竞赛的下一个关键战场。
然而，与语言模型时代“数据天然存在”的繁荣景象不同，具身智能的“大脑”模型正陷入一场前所未有的“数据饥渴”。训练一个能在复杂、长时序任务中泛化的具身智能大脑，需要的不再是万亿级的文本Token，而是高质量、多模态、时空对齐的“人类行为数据”。这背后，是一场从硬件架构、数据采集到处理范式的系统性革命。
资本热追，但仍不“完美”
**
**
据国务院发展研究中心预测，中国具身智能2030年达4000亿元人民币，2035年突破万亿元。与此同时，中国信通院《具身智能发展报告（2025年）》中，首次将具身智能纳入国家未来产业重点，2025年全球市场规模195.25亿元人民币。
2026年开年仅前三个月，国内具身智能赛道融资规模已近300亿元，融资事件同比增长63%。光轮智能斩获超5亿美元融资，创下国内该领域融资纪录；逐际动力完成2亿美元B轮融资，估值超过10亿美元；星海图再获20亿元B+轮融资——资本正以加速度涌入这条赛道。
与赛道火热相对的，具身智能在真正走进生活，走进产业的过程中，却并不是一帆风顺。英特尔研究院副总裁、英特尔中国研究院院长宋继强曾明确指出：“当前具身智能的发展，正处于‘提升能力上限’与‘保障能力下限’的双重攻坚期。大家都在展示机器人的智能能力，但很少有人关注它表现不佳时该怎么办——这正是产业化必须跨越的鸿沟”。
虽然我们已经有了诸如宇树科技、银河通用这些具身智能“本体”的制造商，他们造的机器人已经具备了充分的灵活度，能完成翻跟斗、跳舞等“表演”，但这些技术的背后更多的是通过提前预编辑好的程序执行的。换句话说，虽然当前的具身智能“小脑”已经足够发达，但在“大脑”层面，如何能让机器人更具有“活人感”，更像人一样，通过自主思维去执行指令，是接下来产业关注的焦点。
对此，简智新创联合创始人朱雁鸣告诉笔者：“今天大家看到的所有具身智能公司，其实它们真正模型化的能力，仍然停留在一些非常短时序的简单任务上，比如叠衣服、倒水、拿杯子。” 这揭示了当前产业的普遍现状：演示惊艳，但实用尚远。这些精心设计的演示任务，往往在受控环境下完成，距离能够应对家庭、工厂、物流等真实场景中复杂、多变、长链条的任务要求，还有巨大差距。
朱雁鸣认为，当前具身模型在学术上仍需突破，而在产业化和商业化上的差距更大。这种差距的核心在于，现有模型缺乏对物理世界的深刻理解和鲁棒交互能力。去年行业普遍推崇的VLP（视觉-语言-规划）路径，其底层是语言模型，擅长基于文本指令进行规划，但其生成的行动“本质上只是基于语言规划出的轨迹和行为”，与真实物理世界中“认知-行动-获得物理反馈-产生新认知”的持续闭环相去甚远。
因此，产业共识正在转向构建 “世界模型”。世界模型的核心是让AI理解底层的物理规律，如摩擦力、刚体动力学、空间关系等，而不仅仅是进行语言描述下的轨迹规划。这标志着具身智能的发展从“模仿语言逻辑”进入“学习物理法则”的深水区。
这个过程中，一个有趣的趋势是：大量智能驾驶（智驾）领域的人才涌入具身智能赛道，简智机器人核心成员便多来自智驾背景。朱雁鸣指出，这种迁移并非偶然，而是因为两者在技术栈（如视觉-语言-动作模型VLA、环境模拟）和产品方法论上存在深刻共鸣。更重要的是，智驾领域所锤炼出的 “数据驱动闭环” 的产品迭代架构，即“通过真实数据持续训练、测试和优化模型”，正是当前具身智能从演示走向实用所亟需的工程化能力。智驾从业者对物理环境交互反馈、系统测试与迭代的实践经验，能够加速具身智能产品的开发进程。
然而，无论是追求世界模型的理论突破，还是借鉴智驾的工程经验，都指向同一个核心瓶颈：高质量训练数据的极端匮乏。
**
具身智能的“数据困境”
**
**
**
如果说算力是引擎，算法是蓝图，那么数据就是燃料。没有合适的燃料，再强大的引擎和精妙的蓝图也无法驱动具身智能驶向现实的彼岸。这促使一批像简智机器人这样的创业公司，没有选择去“卷”模型本身，而是转向了为行业提供“数据基座”这一更具差异化价值的基础设施赛道。
拓斯达具身智能业务线-矩阵智拓CMO王琪也曾表示，数据痛点主要体现在三个方面：一是数据标准不统一，不同企业的机器人本体构型不同，产生的数据难以互通，形成数据壁垒，“比如当前构型产生的数据能用，但是对另外的构型来说是有门槛和壁垒的”；二是数据采集难、成本高，工业场景的复杂性导致数据采集难度大，且采集设备与人力成本高昂，尤其是对于中小企业而言，难以承担大规模数据采集的成本；三是数据隐私与安全问题，企业担心开放产线数据会泄露核心工艺，导致其不愿配合数据采集，“部分头部企业，其核心产线里面一些东西，他们自己人都进不去，我们只能暂时先等待行业规范进一步成熟，先把眼前开放的场景做完”，王琪直言。
训练一个强大的具身智能大脑，尤其是世界模型，对数据提出了近乎苛刻的要求。单从数据采集这一点来看，其需求可以概括为三个关键维度：多模态、高精度、强因果。而当前主流的数据采集方案，在这三个维度上均面临显著痛点。
多模态层面，人类通过与世界的交互来学习，这个过程融合了视觉、听觉、触觉、力觉乃至本体感觉（知道四肢位置）。同样，具身智能模型需要重建这套多感官输入。朱雁鸣强调，触觉等非视觉模态的价值“更多是作为监督，或者作为结果的校验与反馈”。例如，区分两毫米和一毫米的螺丝，视觉可能难以分辨，但触觉反馈的差异是明显的。然而，当前许多采集方案严重依赖单一视觉，导致触觉、力觉等关键模态数据缺失或质量低下。
高精度层面，模型训练需要数据在时间和空间上高度对齐。时间上，不同传感器的采集频率不同，如何确保“手触摸到杯子”的触觉信号与视频画面中的接触帧严格对应？空间上，需要将手部动作精确还原到以头部或环境为基准的绝对坐标系中。传统方案存在固有缺陷：柔性手套因佩戴差异和自身形变，导致每次测量的绝对精度不稳定；纯视觉方案在手被物体遮挡（如伸入抽屉取物）时立刻“失明”，数据中断。朱雁鸣指出，这些精度漂移和遮挡问题，在家庭或工业场景中是导致方案“不可用”的重要原因，采集到的低质量数据甚至会向模型注入“物理幻觉”。
强因果层面，最终用于训练的数据，必须是一条条完整的、可解释的“行为链”。它不仅仅包含“做了什么”（动作序列），还要包含“为什么这么做”（认知与决策），以及“结果如何”（物理反馈）。例如，数据需要记录“看到水杯（视觉）-决定去拿（认知）-移动手臂并调整手指姿态（动作）-感受到杯子的重量和滑移趋势（触觉/力觉反馈）-微调握力（调整）-成功拿起（结果）”这一完整闭环。传统采集方式只能记录动作和部分视觉，因果链是断裂的。后期若依靠大量人工进行标注和串联，成本极高且难以规模化。简智机器人方面透露，以他们每周处理超2万小时
...(内容截断，完整内容请查看原文)
本页由自动化脚本生成，待人工审核补充