8月19日，2026世界机器人大会在北京开幕。人形机器人依然是大会的重要看点，奔跑、跳跃、抓取、语音交互等能力不断突破。但从制造业的视角看，机器人能完成多少高难度动作，并不能直接说明它具备多少生产价值。
工业现场真正关心的是另一组指标：面对不同物料、不同位置和不同工况，机器人能否稳定完成任务；任务发生变化后，是否需要重新编程；一次执行失败后，系统能否利用这次经验改进下一次执行。
这也是具身智能从实验室走向生产现场必须解决的问题。
传统工业机器人主要依靠预先编写的程序运行。工程师确定运动路径、速度、力度和执行顺序，机器人按照既定规则重复操作。这种模式在标准化生产中效率很高，但产品换型、工位调整或者环境发生变化后，往往需要重新编程和调试。
具身智能改变的不是机器人"怎么动"，而是机器人如何获得完成任务的能力 。
从目前的技术路径来看，这套能力训练至少涉及四类数据：视频数据、人类示范数据、仿真合成数据和真机运行数据 。四类数据承担不同角色，最终进入同一个训练和反馈体系。
一、视频数据：先让模型建立对物理世界的基本认知
机器人面对的不是抽象的数字指令，而是真实的物体、空间和环境。
因此，基础模型需要首先建立视觉和语义层面的认知。例如，模型需要识别不同物体，理解"拿起""放置""打开""装配"等语言指令，并建立物体、动作与任务之间的关联。
这部分能力并不完全依赖机器人数据。图像、视频、文本等数据能够为基础模型提供大规模的视觉和语言知识。
但视频数据与机器人训练数据之间存在一个明显区别：前者更多解决"看懂世界 "的问题，后者则需要进一步解决"如何在世界中行动 "。
因此，视频数据更适合作为基础模型的知识和感知基础，而不能替代机器人实际执行任务所需要的动作数据。这种基础能力的价值在于降低机器人面对陌生对象和陌生任务时的学习成本。
二、人类示范数据：把操作经验转换成机器可以学习的数据
机器人知道一个零件是什么，并不意味着它知道如何把这个零件装配到设备上。
因此，训练过程中还需要大量任务示范。
遥操作是目前较常见的数据采集方式之一。工程师可以通过动作捕捉设备、数据手套、XR设备等直接操控机器人完成任务，系统同步记录视觉信息、动作轨迹、关节状态以及任务结果。
这些数据记录的并不是单纯的"动作路径"。
一个熟练工人在完成装配时，会根据零件位置、接触状态和阻力变化不断调整动作。这些连续变化，才构成机器人需要学习的操作经验。
因此，人类示范数据的价值在于把原本依赖个人经验的操作过程转化为结构化训练样本。
对于制造企业而言，这也提供了一条经验数字化的路径：成熟工艺不必完全依赖某一个工程师或熟练工人掌握，而可以通过数据采集形成可训练、可复用的机器人技能。
三、仿真合成数据：解决真实环境无法大规模试错的问题
机器人训练最大的现实限制之一，是真实环境的试错成本。
一个抓取动作失败，在仿真环境里只是一次训练样本；放到真实产线中，则可能意味着零件损坏、设备碰撞或者生产节拍受到影响。
因此，机器人需要一个能够反复试错的训练环境。
通过物理仿真，可以在虚拟环境中改变零件位置、姿态、光照、障碍物以及工位条件，构造大量不同的任务场景。强化学习等方法则可以让机器人在这些环境中反复尝试，根据任务结果不断调整策略。
这种训练方式解决的是两个问题。
第一是规模 。真实机器人数量有限，而虚拟环境可以并行运行大量训练实例。
第二是成本 。机器人可以在虚拟环境中反复失败，而不产生真实设备损耗。
在制造场景中，价值并不只是把工厂"复制"到虚拟空间，而是利用虚拟环境提前验证机器人动作、工位布局和任务流程，为机器人进入真实产线降低试错成本。
四、真机运行数据：解决"仿真训练"与"真实生产"之间的偏差
仿真并不能完全还原真实生产环境。
真实机器人存在机械误差，传感器存在噪声，不同材料具有不同摩擦特性，设备运行状态也会随时间变化。这些因素都会造成仿真结果与真实执行结果之间的差异。
因此，机器人训练最终必须回到真实设备。
真机运行过程中，系统可以持续采集任务成功率、动作时间、位置偏差、碰撞情况以及任务中断等数据。这些数据不仅用于判断机器人当前表现，也可以用于定位模型和真实环境之间的差异。
例如，机器人在仿真环境中能够准确抓取零件，但进入产线后经常出现位置偏移。问题可能并不在模型的任务理解能力，而在视觉定位、机械误差或者仿真参数与真实材料特性之间存在偏差。
真机数据可以帮助开发人员找到这些问题，再反向调整模型、仿真环境和训练参数。
这就是机器人训练中的 Sim-to-Real（仿真到现实） 问题。
五、四类数据不是四条孤立的路线，而是一套训练闭环
当前Physical AI机器人的训练体系，很难用"哪一种数据最好"来解释。
更合理的结构是：
|--------------|-----------------|------------|------------|
| 数据类型 | 主要解决的问题 | 优势 | 局限 |
| 互联网/视频数据 | 世界知识、语义理解 | 规模大 | 与机器人动作存在距离 |
| 人类示范数据 | 学习任务操作 | 质量高、动作真实 | 采集成本高 |
| 合成数据 | 扩大训练规模 | 可批量生成、可控 | 与真实环境存在差异 |
| 真机数据 | 修正现实误差 | 最接近生产环境 | 成本高、风险高 |
因此，真正有效的训练架构不是"四选一"，而是：
基础模型提供通用认知 → 人类示范提供任务经验 → 合成数据扩大覆盖范围 → 强化学习优化策略 → 真机数据完成现实校准。
以一个简单的工业装配任务为例。
首先，基础模型利用视觉和语言数据理解零件、工具以及任务指令；随后通过人类示范学习具体操作方式；进入仿真环境后，系统改变零件位置、角度和工况，让机器人进行大量训练；完成训练后，再部署到真实工位。
如果机器人出现抓取偏差或者装配失败，系统记录任务过程和结果，分析失败原因。
这些真实数据进入下一轮训练。
更新后的模型再次进入仿真环境进行验证，达到要求后重新部署到真实工位。
因此，一次生产任务不再只是一次执行结果，而可能成为下一轮模型训练的样本。
六、机器人训练的目标，不是"动作更多"，而是"技能能够迁移"
这也是具身智能与传统自动化之间值得关注的区别。
传统自动化强调程序的稳定执行。一个程序对应一个工位、一组设备和一套确定的生产条件。只要环境保持稳定，效率就很高。
但如果换产品、换工位或者换任务，就需要重新开发。
具身智能试图解决的是另一类问题：让机器人掌握任务技能，而不是只掌握一条固定动作路径。
例如，机器人学习的是"抓取"能力，那么零件位置发生变化后，它仍然应该能够重新判断抓取位置；学习"装配"技能后，面对一定范围内的工件变化，也应该能够调整动作，而不是重新编写整套程序。
这要求训练数据覆盖足够多的变化场景，也要求模型具备从示范中提取规律、从仿真中扩大经验、从真机反馈中修正策略的能力。
因此，机器人能力的衡量标准正在从单一动作指标，转向任务成功率、泛化能力、执行效率和稳定性。
七 、WRC 2026之后，机器人竞争进入"能力训练"阶段
2026世界机器人大会展示了机器人本体、运动控制和具身智能模型的快速进展。对于制造业来说，下一阶段的竞争重点也会更加明确：
谁能够获得更高质量的数据，谁能够建立更有效的训练体系，谁能够缩短仿真到真实部署之间的距离，谁就更有可能率先把机器人从展示场景带入生产现场。
这也是为什么机器人产业的技术竞争正在从"本体性能"向"数据、模型、仿真和真机反馈组成的完整训练体系 "延伸。
从这个角度看，机器人进入工厂并不是简单增加一台设备，而是改变机器人的能力形成方式。
互联网数据让机器人获得基础认知，人类示范让它学习任务经验，仿真数据扩大训练规模，真机数据校正现实偏差。
四类数据不断汇聚，最终形成从学习、训练、部署到反馈 的闭环。
当机器人的每一次执行都能够成为下一次训练的数据，机器人制造能力的增长方式，也就从"重新编程"开始转向"持续学习"。