在具身智能的快速发展中，数据短缺已成为制约其进步的关键瓶颈。从实验室里的灵巧操作到真实场景下的高频翻车，背后的核心问题指向了数据基础设施建设的滞后。过去一年，资本开始密集流向数据公司，一条独立的“上游战场”正从训练环节中脱胎而出。

01. 数据生产路线：四条路径，各有优劣

具身智能训练的核心是“动作”，这类数据无法像大模型那样直接从互联网获取，必须通过特定方式“造”出来。目前，业界主要采用四种数据采集路线，成本、保真度和规模化空间各有不同。

真机采集

操作员佩戴VR、AR头显，将画面同步到机器人视角，直接控制机器人执行每一个动作。这条路线产出的数据质量最高，可直接用于训练VLA模型。

• 优势：数据质量极高，直接可用。
• 劣势：成本高昂，对操作员要求很高，长时间佩戴VR设备易导致眩晕，高废片率（普遍利用率为60%-70%）。特斯拉Optimus数据采集员时薪在25-48美元。
• 代表公司：智元、优必选、灵御智能。

无本体采集

不需要机器人本体，采集完的动作数据后期通过重定向映射到目标机器人。成本约为真机遥操的一半甚至更低。主要分为可穿戴设备（如UMI）和动作捕捉。

• 优势：成本较低，采集效率相对较高。
• 局限：无法感知力度和力的变化信息，导致拧瓶盖、插USB等精细动作训练效果不佳；人的动作“翻译”给机器人时，会产生大量信息丢失。
• 代表公司：觅蜂科技、简智机器人。

仿真合成

通过模拟虚拟物理世界，批量生成机器人操作数据。对技术能力要求很高，尤其在缩小虚拟与现实差距方面，需要自研仿真引擎和物理参数校准能力。

• 优势：数据量巨大，成本可控，可批量生成。
• 局限：物体属性（如重量、光滑度）为固定数值，真实场景中的细微变化难以模拟，导致操作失败。
• 代表公司：光轮智能（累计交付超100万小时人类行为数据，复售率超10倍）。

视频蒸馏

直接提取互联网上已有的操作视频（如Ego4D、YouTube烹饪视频），利用模型反推“人做了什么动作”，产出结构化数据后迁移到机器人。

• 优势：边际成本极低，数据量极为庞大。得益于世界模型的成熟，提炼精度已达商用水平。
• 局限：视频中只有视觉信息，缺乏关节角度和发力大小等动作细节，无法直接用于端到端训练，只能作为辅助数据。
• 代表公司：极佳视界（三个月内累计融资约35亿元，估值已达百亿级别）。

Ego4D网站截图

小提示：如今各家具身智能公司都采取多条路线并行的策略。例如，以仿真数据为核心的光轮智能也开始采集人类数据，曾是坚定仿真派的银河通用同样发布了全身遥操作系统。路线融合趋同已是明确趋势。

02. 商业模式与估值：收入有限，估值飙升

数据造出来只是起点，能否卖出去、卖给谁、能否持续卖，才是赛道能否立住的关键。目前，国内具有持续采购能力的客户非常有限，主要包括：

• 机器人本体厂商
• 具身模型团队
• 高校和科研机构

考虑到不少客户仍停留在验证阶段，真正具备规模化采购能力的客户可能只有几十家。这些客户的付费意愿也不稳定，本体厂商采购外部数据主要是因为“自己采不够用”，一旦体系跑通，外部采购可能大幅收索。

变&现方式

主要分三类，进入门槛和护城河各不相同。

• 一次性买断数据集：最占主流，也最容易被复制。门槛低，但竞争激烈，废片率往往在30%上下。
• 卖硬件：包括可穿戴采集设备、遥操工作站、采集专用机器人等。壁垒在于硬件设计和供应链，但风险在于客户可自己组织人力采数据。
• 卖平台、订阅和服务：壁垒最高，起步最难，需要客户已形成规模化数据消耗习惯，目前仅部分公司试探。

常见问题：为什么数据公司估值这么高？投资人看中的不是传统PE或PS，而是单客户价值×潜在客户数×数据壁垒系数。例如，光轮智能一个季度新增订单5.5亿元，为行业定了标准。如果能达到10%的光轮订单份额，估值就可参考这个比例去套。

但商业模式的挑战也很明显。朱军透露，他们的收入主要靠标准化数据集售卖和定制项目采集，综合毛利率不高，人力是最大成本。长期目标是绑定客户长期迭代需求，降低一次性数据集销售。目前，能做到规模化复制的几乎不存在，但个别头部数据玩家已获得稳定的国内外客户框架订单和收入合同。

03. 数据规则：标准未定，但洗牌信号已现

行业对“什么样的数据最有价值”还没有达成共识。是仿真数据还是真实数据？是第一视角还是第三视角？这导致了行业总数据量级被严重稀释，数据格式的对齐成了最让人头疼的问题。

目前，主流的VLA模型训练时用的是某一款机器人的数据，学到的操作方式仅适配这款机器人。一旦换一个品牌或型号，数据格式不同、关节配置不同、传感器布局也不同，之前训练好的模型就无法直接迁移，只能重新采集、重新训练。

常见问题：谁在推动数据规则统一？目前有三家较为活跃：光轮智能（推出评测平台RoboFinals，关注评测标准）、觅蜂科技（推出MEgo硬件加全范式平台，探索跨本体数据格式标准）、简智机器人（重点放在工业级数据格式）。定规则的本质涉及利益分配，本体厂商难以接受其他厂商来定标准，第三方制定的标准也可能让本体厂商持续付费。

与自动驾驶相比，具身智能的数据稀缺性更持久，也更难被单一平台垄断。自动驾驶的数据空间相对有边界，场景是路，规则相对稳定；具身数据面对的场景更多，工厂、家庭、手术室，每个场景的数据分布差异极大。而且，机器人的出货量目前远远不够，独立数据公司的窗口期比自动驾驶当年更长，但商业化节奏也更慢。

朱军指出，目前具身数据领域最大的泡沫信号是三重错位：

• 行业高喊数据是核心，但客户普遍压低预算，不愿为高质量真机数据支付合理溢价。
• 赛道玩家扎堆做同质化仿真数据，靠低价内卷。
• 资本疯狂追捧，但行业整体客户复购率偏低，多数团队仅靠融资维持，稳定商业化订单很少。

小提示：行业的未来趋势是，未来一年，行业将完成从“拼融资”到“拼客户”的切换。那些只有概念没有订单的数据公司会先出局，而掌握数据生产、客户和行业话语权的玩家，才有望成为物理AI时代的“数据基础设施”。