目录
- 引
- 一、训练场的"基建狂潮"：70座教室，在教什么
- 二、"数据金字塔"的残酷分层：塔尖太贵，塔基太糙
- 三、仿真到现实的"77个百分点鸿沟"：为什么便宜的数据救不了场
- 四、比缺口更隐蔽的瓶颈：数据孤岛与"本体绑定"
- 五、2026年的诚实结论：训练场是起点，不是答案
引
核心判断：训练场建得再多，也填不平"有效数据"的鸿沟。 截至2026年6月底，全国建成启用的具身智能训练场超过70家，在建或规划中的还有46家，长三角、京津冀、珠三角三大集群已经成形。数据平台交付的人类视频数据达到150万小时量级，全球领先。从基础设施的视角看，2026年确实称得上"数据规模化元年"。
但把镜头拉近到"机器人能不能端稳一个盘子"这件事上，另一组数字构成了更诚实的底色：全球合规可用的真实物理交互数据总量仅约50万小时，而训练一个具备通用泛化能力的具身模型，业内普遍认为至少需要千万小时级数据------缺口超过95%，甚至被一些研究机构判定为"超过99%"。训练场是"教室"，但教室里坐着的学生，手里可用的"教材"仍然远远不够。
一、训练场的"基建狂潮"：70座教室，在教什么
2026年最直观的变化，是训练场从零星试点变成了集群化基建。
北京亦庄的具身智能数据训练基地，实训空间近6000平方米，实景复刻了家居、商超、办公、工业等30余个典型场景，配备150余台机器人，日产能超过500小时，年产能可达18万小时，已对外交付近3万小时数据，七成以上服务行业客户。华东某训练场里，一位"00后"训练师对着麦克风重复"拿起浅蓝色盘子，放在白色托盘上"这个指令，一天上百次；仅一个零件分拣任务，就已采集了三四万条数据。
但训练场的"产能"和"有效数据"是两回事。北京石景山训练中心的数采组长注意到，数据采集的合格标准正在变得苛刻：以前夹取物体，没夹住可以重试一两次，只要最终完成就算一条数据；现在动作必须一次成功、流畅自然，稍有迟疑或抖动，整条视频作废。家庭场景中"端盘子"的训练标准，已经从"抓---拿---放"升级为"行进间盘子里的东西不能洒、不能晃"。任务复杂度在上升，容错率在下降，这恰恰说明低质量数据已经过剩，真正稀缺的是"能直接喂给模型、不需要反复清洗返工"的高质量物理交互记录。
二、"数据金字塔"的残酷分层：塔尖太贵，塔基太糙
要理解缺口为什么难填，需要拆开"数据"这个词。行业已经形成一个共识性的"数据金字塔"结构：塔尖是真机遥操作数据，精度最高、最贴合物理现实；塔身是仿真合成数据，便宜、可规模化；塔基是互联网视频和人类行为数据，量大、泛化性强，但精度低、需要大量清洗与动作对齐。
塔尖的问题不是"有没有"，而是"贵到无法规模化"。 真机遥操作数据的报价在每小时500到1000元区间，野村证券的估算同样落在这个范围，对应一个22亿至25亿元人民币的子市场。一套真机遥操工位的硬件投入在5万到15万美元，一天一个操作员产不出200条demo。更麻烦的是，这条路线高度依赖操作员的熟练度，上手门槛极高，单小时有效数据成本长期卡在500元以上下不来。真机数据是"黄金"，但黄金的开采速度，远远跟不上模型对"教材"的胃口。
塔基的人类视频数据看起来量大，但它的本质是"没有力觉、没有关节扭矩、没有接触压力"的单向记录。一段视频能告诉机器人"人是怎么拿杯子的"，但不能告诉它"手指该输出多大力矩、杯子滑移是从哪一帧开始的"。这些信息必须在真实物理交互中才能产生，而真实物理交互恰恰是50万小时这个数字所描述的那个极度稀缺的品类。
三、仿真到现实的"77个百分点鸿沟"：为什么便宜的数据救不了场
仿真合成数据是成本最低的路线，单价可以压到每小时几十元，理论上具备无限的规模化潜力。但它在具身智能领域面临一个比大语言模型严酷得多的问题：仿真里的"对"，和物理世界里的"对"，经常不是同一件事。
亿欧智库的报告揭示了一组尖锐的对比：机器人操控在仿真环境中的成功率高达89.4%，但在真实家庭场景中骤降至12.4%------77个百分点的迁移鸿沟。摩擦力系数、阻尼、材质形变、接触力反馈，这些物理参数的细微偏差，在仿真里可能只是数字的扰动，在真机上就是"抓空""滑落""过冲"的直接后果。野村报告明确指出，仿真/合成数据虽成本最低，却无法单独替代真机数据。
这意味着"数据金字塔"的塔尖无法被塔身和塔基替代。你可以用仿真数据让模型学会"大致该做什么"，但要让模型学会"在真实世界里做到什么程度才算对"，仍然需要真机数据来完成最后的校准和落地。而真机数据恰恰是那条成本最高、产能最受限的路线。
四、比缺口更隐蔽的瓶颈：数据孤岛与"本体绑定"
如果只是总量不够，砸钱建更多训练场、招更多采集员，理论上可以逐步逼近。但2026年的行业现实是，即便产出的数据总量在涨，能真正汇聚成"通用教材"的有效数据，增速要慢得多。
第一个结构性问题是数据孤岛。不同训练场基于不同机器人本体采集数据，格式、标注规范、传感器配置各不相同，形成"家数据格式，标注规范自成体系"的局面。更麻烦的是"数据跟着本体走"：不同品牌、型号的机器人在关节构型、传感器布设、运动学参数上存在差异，在A本体上采的数据，很难直接迁移到B本体上训练。这导致训练场产出的很多数据，本质上仍然是"私有方言"，而不是"公共语言"。
第二个问题是数据多样性不足。证券时报的报道指出，当前国内可用于训练的具身数据量级约为百万小时，但"智能没有涌现"的原因不仅在于总量不足，还在于数据的多样性和流通性不够。如果70座训练场都在反复采集"抓取---放置"的标准化任务，而真实家庭和工厂里大量长尾场景、异常恢复、多物体交互的数据仍然空白，那么数据总量的增长并不能线性地转化为模型能力的提升。
五、2026年的诚实结论：训练场是起点，不是答案
70座训练场、150万小时视频数据、50万小时真实物理交互数据、千万小时级需求------这四个数字放在一起，描述的是一个基础设施先行、有效供给滞后的早期阶段。
训练场的意义在于，它把数据采集从"实验室里的零星行为"变成了"有标准流程、有质检体系、有产能规划"的产业环节。北京亦庄基地的数据合格率从初期的50%左右爬升到95%以上，客户需求从"几千小时"跳到"十万甚至几十万小时"，说明需求侧正在变得真实而具体。但需求越真实，缺口就越刺眼：千万小时级的需求面前，50万小时的真实交互数据，连零头都算不上。
"数据规模化元年"的真正含义，不是数据已经够用了，而是行业第一次认真地把数据当作一个需要系统性解决的工程问题来对待。 训练场是这场工程的起点，但填平缺口需要的不只是更多的教室，还需要标准化的数据格式、跨本体的迁移能力、以及从仿真到现实那条77个百分点鸿沟的实质性收窄。在那之前，70座训练场教出来的机器人，离"端稳一个盘子"仍然有一段需要真机数据来丈量的距离。