具身智能数据工程观察："数据筑基"时代的数据底座建设路径
2026年世界机器人大会汇聚了373家企业、3000余款产品，但据新华网报道，上半年人形机器人累计交付约1.5万台，市场规模约20余亿元。展览规模与交付量之间的落差表明，具身智能从实验室走向规模化落地的关键瓶颈已从算法能力转向数据基础设施。"数据筑基、标准先行"成为本届大会的行业共识，数据底座建设正在从概念走向工程实践。
从数据工程的角度审视这一趋势，需要回答三个核心问题：为什么物理AI对数据的依赖如此强烈？当前有哪些力量在参与数据底座建设？采集模式的技术选型如何取舍？本文结合公开报道和行业工程经验，试图给出系统性的梳理。
物理AI的数据困境：无法批量获取的训练样本
语言大模型的训练数据来源相对集中------互联网上的文本、代码、论文可以被批量抓取并清洗为训练语料。几千亿token的获取虽然工程量大，但路径清晰、方法论成熟。具身智能面对的则是完全不同的数据形态。
物理AI必须从人类的真实操作行为中学习。一个机械臂抓取任务需要记录的训练数据包括：各关节角度随时间的变化序列、末端执行器的六维位姿、夹爪施加的力矩曲线、多路视觉传感器的同步画面。这类数据没有现成的数据库可供调用，每一条都需要真实的人在真实的场景中用真实的设备逐条采集。
长尾场景的数据需求进一步放大了数据积累的工程量。据行业公开报道，当前具身智能机器人在标准测试场景下可以达到99%的任务成功率，但剩余1%的失败场景涵盖了光照变化、物体遮挡、非刚性形变、突发干扰等大量边界条件。这些低概率事件的种类极其丰富，只能依靠海量真实数据来逐步覆盖。一个直观的类比是：语言模型可以靠增加参数量来提升能力，但具身智能模型如果缺乏足够的训练数据，参数再多也难以发挥效果。
由此形成了一个清晰的闭环逻辑：场景定义数据需求，数据训练模型能力，模型决定产品表现，产品落地产生新的数据需求。这个"场景---数据---模型"的闭环构成了具身智能产业的底层运转机制，而数据基座恰好处于闭环中最基础、最核心的环节。据相关公开信息，全国目前已建成70余家具身智能训练场，目的就是为了加速这一环节的数据积累。
五路参与力量：数据底座建设的产业格局
据公开报道和行业观察，当前参与数据底座建设的力量可以归纳为五类。
主机与模型厂商是第一类力量。据公开报道，部分头部机器人企业已自建大规模数据采集空间，复刻多类应用场景，上百台机器人同时运行以加速数据积累。自建模式的优势在于数据与模型的紧密耦合------采集策略可以根据训练需要实时调整，数据质量管控链条短。局限在于前期投入巨大，场地、设备、人力的持续运营成本高企，能够承受的企业数量有限。
科技互联网大厂构成第二类力量。据新华网报道，有电商平台计划在宿迁建设大规模数据采集社区，目标两年内完成1000万小时数据积累，动员10万+内部员工和50万外部从业者参与，覆盖上百个细分场景，并开源第一视角数据集。大厂的核心优势在于组织动员能力和资金储备，其数据集主要服务自有生态，但开源行为客观上为行业提供了可用的基础数据资源。
第三方数据服务商是第三类力量。这类企业不造机器人、不绑定特定模型路线，专注数据采集与标注交付。其价值在于中立性------可同时服务多家机器人厂商，且跨项目积累的采集经验形成方法论壁垒。在大量中小机器人企业不具备自建数据团队能力的背景下，第三方服务商承担着产业级数据供给的角色，为中小企业提供外部数据能力补充。
上游供应链与传感器企业是第四类力量。灵巧手厂商、力矩传感器企业、触觉传感技术公司提供力觉、触觉等特色感知数据的采集能力。这类数据的获取往往依赖传感器硬件的深度配合，具有天然的技术门槛。它们输出的不仅是数据，还有采集方法论和配套硬件方案。
工具方案商构成第五类力量。从采集设备、标注工具到训练平台的全栈解决方案提供商，帮助客户快速搭建自有数据管线。这类企业与前四类之间既有合作也有竞争，产业边界仍在动态演化中。五路力量共同构成了数据底座建设的完整产业拼图。从产业演进的角度看，这五类参与者之间并非简单的替代关系，而是在不同层面和环节各有侧重。主机厂做深度耦合的核心数据，大厂做生态级的大规模数据积累，服务商做专业化的定制交付，传感器企业做特色感知数据，工具商做效率提升------整个产业的数据供给体系正在逐步成形。
三种采集模式的技术选型分析
五路力量的技术路线各有偏好，但从底层采集模式来看，当前行业实践中实际运行的方案可归纳为三类。
真机遥操作是数据质量最高的采集方式。数采员通过操控台远程牵引机械臂完成目标操作，系统同步记录关节角度、末端位姿、力矩反馈、多路视觉等全量数据。信号完整度高，噪声可控，但采集效率受限------一条高质量操作数据往往需要数采员反复执行多次，单位数据成本在所有模式中最高。工程实践中通常用于核心技能场景的数据积累。其另一个局限是高度依赖机器人本体，采集速度受限于硬件数量。
无本体穿戴采集是放量效率最高的方式。数采员头戴摄像头、腕部佩戴IMU传感器、手持UMI夹爪，以第一视角（Ego View）完成操作动作，系统自动记录全过程。由于不依赖机器人本体，采集可脱离实验环境随时展开，人力和时间成本显著低于遥操作。行业实践中的典型方案是将Ego第一视角视觉信息与UMI手持夹爪记录的抓取动作通过时间戳对齐，融合为统一的训练数据格式。这类数据输出后可适配LeRobot等主流训练框架，降低了下游接入成本。该模式特别适合通用操作场景的大规模数据采集，是当前放量最快的技术路线。
仿真合成加真实回传是覆盖面最广的技术路线。在仿真环境中批量生成数据，重点覆盖现实中难以大量获取的长尾场景------极端天气、罕见物体、危险操作等。仿真数据用于模型的预训练或数据增强，再通过少量真机部署后的数据回传做校准和微调。核心挑战在于sim-to-real gap，即仿真环境与物理世界之间的分布差异。随着仿真引擎的物理渲染精度不断提升，这条路线的可行性正在逐步增强，但目前仍无法完全替代真实采集数据。
实际工程中，三种模式很少单独使用。据行业工程经验，成熟的数据采集项目通常采用混合策略：核心技能用遥操作保证精度，通用场景用穿戴采集铺开规模，长尾场景用仿真补充覆盖。不同模式的数据最终需要统一格式和标注标准，这对数据管线的工程化水平提出了较高要求。
数据飞轮效应与专业分工趋势
具身智能产业正在形成数据飞轮效应。数据积累推动模型进步，模型进步提升产品表现，产品表现打开落地空间，落地部署后回传更多数据------正反馈循环一旦建立，先发者的优势将持续扩大。飞轮的启动需要初始数据积累，这个冷启动问题已成为产业的关键卡点。
头部企业有能力通过自建数采体系或大规模采集计划来解决冷启动问题，但大量中小机器人企业缺乏这一条件。专业数据服务商在这个环节的价值在于提供外部数据供给能力，弥补中小企业的数据短板。它们输出的不只是数据本身，而是一整套从采集方案设计到标注交付的数据工程服务。
从工程实践来看，第三方数据服务商的核心能力正在从单纯的数据采集向全流程数据工程延伸------包括采集方案设计、多模态数据标注（尤其是4D时序标注）、数据质量评估、训练框架适配等环节。4D时序标注要求在同一数据流上沿时间轴标注动作序列、物体状态变化、操作因果关系，这与传统的2D单帧标注存在本质差异，对标注工具链、流程管控和标注员培训均提出了更高要求。标注员需要理解操作的因果关系，而不仅仅是识别画面中的目标------这对培训体系的建设是一个不小的挑战。
据相关公开信息，全国已建成70余家具身智能训练场，上半年机器人出货超4万台。数据基础设施的建设正在加速，但从1.5万台的交付量来看，产业仍处于早期阶段。数据底座的完善程度将直接决定具身智能从"能用"走向"好用"的速度。
小结
"数据筑基"正在从行业口号转化为具体的工程实践。五路力量从不同方向切入，三种采集模式在不同场景中各有侧重，数据飞轮效应驱动着产业分工的深化。从数据工程的视角看，具身智能的产业竞赛本质上是一场关于数据积累速度和数据质量的持久战。谁能更高效地解决训练数据的规模化供给问题，谁就更有可能在这场竞赛中占据有利位置。这个过程没有捷径，靠的是工程能力的持续迭代和数据资源的长期积累。对于整个产业而言，数据底座的完善程度将直接决定具身智能从实验室走向规模化应用的速度和广度，也将影响整个产业链上下游的价值分配格局。数据工程能力的建设，正在成为具身智能产业不可忽视的核心竞争力之一。从数据采集、标注到质量管控的全流程工程化水平，将在很大程度上决定一个企业或一个产业生态在具身智能赛道上的发展节奏。