“具身智能的数据需求，远未触及天花板。”

在WAIC主论坛的一次对话中，亮源新创创始人姜旭的判断引发了广泛共鸣。他进一步指出，具身智能本质上是大模型向物理世界的延伸，将沿着“规模化预训练→规模化对齐→规模化部署”的三阶段范式演进。同大模型时代一样，智能供给的红利核心源自 数据，目前行业连最基础的 预训练阶段的数据缺口都尚未填补。

确实，这个直面行业痛点的观点足够犀利。然而，关于数据问题的具体解决方案，论坛上的嘉宾似乎并未给出详尽解答。带着这个疑问，我们走访了WAIC上的具身智能企业，期望从一线从业者那里找到答案。

值得庆幸的是，今年参展的具身数据基础设施公司不在少数，提供的实用信息也相当丰富。尤其是在与简智机器人的交流中，我们理清了当前行业究竟缺乏何种数据，以及如何获取这些高质量的数据。

具身行业真正缺失的，是“开箱即用”的数据

许多人认为具身行业缺数据，但事实果真如此吗？互联网沉淀的人类视频已超过百亿小时，这曾被视为具身模型预训练的重要资源。然而，这些数据只能支撑模型“看懂世界”，却无法支持机器人完成真实物理世界的精准交互。

具身行业真正需要的，其实是 可以直接喂给模型、无需二次加工的数据。

简智机器人将这种数据定义为 “Model-Ready Data”，即 “开箱即用” 的数据。根据各大具身公司的实际反馈，这类数据需同时具备三个核心特征：高精度、多模态、多样性，三者缺一不可。

高精度是基础门槛。 具体而言，就是低误差、低延迟、低漂移。手部追踪的厘米级误差会沿训练链路持续放大，最终导致机器人操作失败；传感器之间几十毫秒的时间差，会让模型学到完全错误的因果关系；采集十几分钟后姿态开始漂移，整条数据的价值便大打折扣。

当前行业普通方案的手部关节追踪误差普遍在2-3厘米，什么概念？成年人手指直径约1-2厘米，这意味着模型看到的手指位置与真实位置相差整整一个手指的距离，会导致抓杯子时手指穿进杯壁，拧瓶盖时手指根本没碰到瓶盖，训练出的策略永远无法准确抓取物体。

多模态决定了能力边界。 真正的人类操作不止包含RGB画面，还包括人体姿态、手部轨迹、相机位姿、深度信息、触觉信息等多个维度。

纯视觉路线仅采集了“人看到了什么”，完全缺失了“人是怎么动的、用了多大劲”的核心信息。没有手部关节数据，手一被物体遮挡就会丢失轨迹；没有触觉数据，模型永远不知道抓鸡蛋该用多大劲；没有全身姿态数据，动作永远僵硬得像提线木偶。

多样性决定了泛化上限。 模型要面向一千个家庭、一千种角色，数据就必须从尽可能多的场景中采集。数据价值绝非单纯堆叠时长，核心在于场景、任务、人物、物体的丰富度，这是决定模型落地后泛化能力的关键。

如果几十万小时数据中90%都是实验室白墙前“拿杯子、拧瓶盖”的重复简单动作，模型训练后只能在演示环境中做固定动作，一到真实场景就会失效。

为什么大多数数据公司做不到这三点？背后的难点各不相同。

高精度的核心，在于接近100%地还原人在现实中的移动与操作过程：眼睛看到了什么、手接触了什么、每个关节转动的角度、手部接触面的先后顺序，这一系列过程必须完整保留。这反过来要求足够强大的算法能力，即通过算法将原始信号转化为精准的结构化数据。

多模态的难点，核心在于硬件本身。硬件是模态的基础，如果硬件获取能力差、精度低，最终效果就无从谈起。许多团队用现成模组拼凑，摄像头、数据手套、IMU各自为战，缺乏硬件级的时间同步，不同传感器数据的时间差普遍在20-50毫秒，模态之间根本无法有效对齐。

多样性的难点，则考验公司的产品能力和运营体系。设备的易用性、价格、质量、适配性，决定了它能否进入更多场景；完整的数据运营管线，决定了能否高效处理来自不同场景的异构数据。产品做得不好，设备进不了更多家庭和商业空间，扩张速度就会很慢；管线效率低，现实数据清洗不过来，多样性就是空谈。

此外，即使克服了以上三点，还要面临一道终极考验：规模化。规模化对于数据公司而言是一种综合性大考，需要大规模的采集体系、数据处理管线以及对模型的深刻理解。

当前，行业只有简智等少数几家企业能真正实现规模化，从他们的成功经验中，或许可以学到一些“干货”。

从算法到硬件，Model-Ready Data 如何实现？

“开箱即用”说起来简单，真正落地需要一整套体系的支撑。从模型理解到算法实现，从硬件设计到场景搭建，每一环都是漏斗，一环做不到位，最终的数据质量就会打折扣。

那么，究竟要怎样才能实现全流程的闭环？在与简智机器人交流的过程中，我们逐渐理清了思路。

▎懂模型，才能做出模型能用的数据

很多人存在误解：数据公司不需要懂模型，只要把数据采回来交给客户就行。但在简智看来，如果不懂模型，就做不到“Model-Ready Data”，只会产出半成品，浪费下游客户大量时间进行二次加工。

懂模型分为两个层面：

第一，要懂当前模型在每个细分模态下的质量要求，知道针对该模态该设计什么样的范式。 比如标注，并非标得越多越好，而是价值驱动的COT链式标注：不仅标注动作本身，更将人类行为背后的目标、常识、价值判断显性化——不仅标注“这是抓取动作”，还要标注任务目标、操作步骤逻辑、物体交互关系、力控原因、失败修正动作、环境约束与常识规则。

简智所做的全人工帧级CoT标注，并非简单标注“这是开门”，而是建立完整的思考链路，让模型不仅学会“怎么做”，还学会“为什么这么做”。

第二，要懂如何用模型加工数据。 如果靠人工、非系统化的方式处理数据，精度和效率都有明显天花板。简智自主研发Data Foundation Model（DFM数据基础模型），核心目的就是用模型实现“输入头手相关信息，直接输出完整人体数据”的端到端能力。

这其中最典型的应用就是遮挡补全。真实世界里，人做动作时手经常会被物体遮挡——手伸到抽屉里、拿东西时手指被挡住、叠衣服时手埋在布料下面……传统采集方案遇到遮挡就只能丢失数据，或者靠硬件增加更多相机，但无论多少相机都不可能完全消除遮挡。

简智的解法是用视频生成模型补全关键帧： 基于前后帧信息，模型可以预测出被遮挡部分的手部姿态，就像人看到手伸到桌子下面再伸出来，自然知道中间手在做什么一样。这样就能保证提供给模型训练的数据是连续的、完整的，手部全程的动作状态都能准确输出。

“这就像一座自动化工厂，既解决效率问题，也解决严格的时空对齐问题。”简智团队解释，人的头和手处于同一个时空坐标系中，因为神经传导的完整性，动作不会有中断，时空坐标系是连续的。如果没有完整的模型方案，靠先采集头部数据、再采集手部数据、最后人工拼接的方式，永远无法实现真正全链路闭环，完整复刻人类感知-动作回路。

第三，要懂模型长期发展需要什么。

真正的人类数据，从来不是只采集“手”和“眼睛”的数据。人做动作是一个完整的整体：腰怎么转、腿怎么站、重心怎么移、身体如何保持平衡，这些才是让人形机器人真正“像人”的核心。

简智的无本体采集方案从设计之初就面向人形机器人的终极需求：不仅采集手部和视觉数据，更完整覆盖腰、腿、全身的运动链，输出完整的SMPL-X人体网格，还原人做每一个动作时的全身协同、重心变化、平衡逻辑，而不是只给模型“一只手”和“一双眼睛”。

这才是人类数据的终极价值：不是为了适配某一款机器人，而是 通过完整还原“人”本身，让模型的运动能力、行为逻辑无限向人对齐。当整个行业的数据都在向“完整的人”靠近时，模型能力、机器人能力才能形成正向循环，共同推动具身智能真正达到接近人的水平。

▎算法：端到端自研，多源融合，高效压缩

算法层面，核心是多套体系的配合。

比如端到端自研算法。不同于基于开源算法的迭代优化，端到端自研可以从底层控制精度和稳定性。结合多源传感器数据的实时融合校正，最终实现手部关节追踪稳定误差小于1厘米——这也是行业首个达到亚厘米级精度的无本体采集方案。

还有多源融合算法。视觉、IMU、触觉三端数据并非简单叠加，而是多特征、多源的融合与矫正。即使手完全被物体遮挡，多源融合算法也能精准还原手指姿态，不会跟丢轨迹，无效帧比例可控制在3%以内。多模态输入不仅增加了信息维度，更可以通过交叉验证反向提升每个单一模态的精度。

还有一个被低估的是压缩算法。比如六目相机的数据量比双目相机多得多，如果没有好的压缩算法，传输和存储都会成为大问题。简智自研的感知压缩算法，并非简单做有损压缩，而是在帧率层面做智能优化，压缩比可达到原始数据的2%，并且压缩是在设备端直接完成的，再加上端侧质检直接过滤掉30%的无效数据，大大降低了传输带宽和存储成本。

▎硬件：仿生的第一性原理——从骨骼、肌肉、皮肤来拆解、记录人的全模态

相比模型，硬件的共识要广泛得多，许多人都表示，在数据采集领域，硬件是一切的基础，像前文提到的“多模态”的核心就是硬件。但具体到硬件的选择上，简智却有不少“非共识”之处。

其中最典型的就是摄像头方案。行业里大多数第一视角采集设备采用双目甚至单目相机，简智却坚持使用六目同步相机，这是为了拍得更清楚吗？

其实并非如此。六目相机不仅向外拍摄环境，同时也向内，视野覆盖人的腿、膝盖、腰部的全部动作。而且六目是两两组合的，全身每个角度都有多摄像头覆盖，组内效应能将精度提得很高。

没错，他们的目标从一开始就是 同时记录人的全身动作以及人与物理环境的交互。 人的行走、腿部动作、身体姿态，这些都是单一胸前视角的摄像头拍不到的，但对理解完整的行为逻辑至关重要，比如叠衣服时突然抬胳膊，单看手部数据像是异常值，但有全身数据就会知道，是旁边有东西过来需要避让。

而在手上，简智通过电子皮肤+仿生关节方式，直接测量抓握的力度、接触面积、摩擦力变化，全部能精准捕捉，补足了全部模态。

硬件上另一个容易被忽视的点是 量产可行性。 行业里许多团队用现成的模组攒设备，做个demo看起来没问题，但一到量产就问题百出：过热、续航短、不同设备一致性差……

简智选择了全链路自研，从摄像头、关节传感器到计算单元、电池管理、热管理全部自行完成。团队中有大量来自消费电子行业的资深工程师，他们 从设计之初就考虑百台、千台甚至万台规模普及后的挑战。

▎场景：用系统化指标衡量多样性

多样性不能仅停留在概念上，必须有可量化的指标。

简智提出了一个自研的综合性指标叫“DPH”， 含义是：同一技能下，每小时的数据由多少人、在多少场景下完成。这个指标能很好地概括多样性，用户采购数据时，只需查看对应技能下的DPH指标，就能保证数据的多样性。比如擦桌子的数据，不会是一个人擦100个小时，也不会是10个人在同一个房间擦同一张桌子100个小时，而是不同的人、在不同场景、擦不同的桌子。

专业场景的数据采集尤其讲究。家庭场景相对还好，最难的是实验室、学校、高精尖制造、化工这类专业场景，商业场景也一样，比如寻找优秀的厨师、理发师，难度都很高。专业人士的核心优势是能熟练完成动作，如果设备影响了他们的操作，破坏了他们的专业性，采集的数据就没有价值。

这又回到了产品力的问题。采集专业人士的数据，戴设备会影响他们工作，不戴设备又采集不到高精度的触觉、力觉数据。这个矛盾只能通过极致的产品力来解决：极致的轻量化，极致的无感化，沿着人体天然的生理结构设计，做到不干扰人的正常动作。

数据基础设施的重要性，才刚刚开始被认识

作为一家数据基础设施建设公司，把数据生产出来只是第一步。要真正让客户“开箱即用”，还需要了解不同客户的真实需求，更要清楚自己的边界在哪里。

当前行业里的数据客户大致分为两类：一类是有明确落地场景的客户，需要在特定场景落地商用机器人，他们的需求与落地场景深度绑定，更看重单一技能的深度，要将某几个动作做到极致；另一类是做通用基座模型的客户，他们要打造GPT级别的具身大脑，不追求单个技能做到100分，而是要掌握上万种技能，每种都做到95分，让技能之间能融会贯通。

对于后者来说，他们需要尽可能全的模态、尽可能高的多样性、尽可能大的数据量，百万小时数据可能只是起步，甚至需要上亿小时的真实场景数据，才会出现能力的涌现。但无论是哪类客户，对数据的核心要求是一致的：精度要足够高，稳定性要好，拿到手就能直接用，无需再花几个月时间清洗处理。

要满足这些需求，光有技术还不够，还要有全链路的 工程化交付能力。

数据从硬件采集到变成Model-Ready Data，是一条非常长的链路，每一环都是漏斗，一环慢则全链慢。这需要成熟的数据飞轮实践经验，从采集端的设备管理，到云端的数据处理、质检、标注，再到与客户服务器打通，实现数据的流式交付。

这样一来，客户无需等待硬盘邮寄，也无需自行下载海量数据，直接在自己的服务器上就能按需调取所需数据集，甚至可以对接训练流水线，实现数据到训练的无缝衔接。

同时，交付标准最好要高于客户需求，不是客户要什么格式就做什么格式，而是用一套统一的、更高的标准来交付，比如画面覆盖范围比客户要求的更大，数据维度比客户需要的更多。这样，无论客户是做机械臂、做人形机器人、还是做不同构型的机器人，都能从这套标准数据中提取自己需要的部分，无需反复调整格式、重新对齐。

更重要的是，作为第三方数据基础设施厂商，要明确自己的 业务边界，知道哪些事不能做。

现在行业里许多数据公司做着做着就开始自己做模型、自己做机器人本体，看似延伸了产业链，实际上变成了客户的直接竞争对手，没人敢把自己的核心数据需求交给竞争对手。

真正要做全行业的基础设施，就要保持中立的第三方立场：不大规模做与客户绑定的真机数据，因为真机数据是与本体厂商深度绑定的，头部厂商都会自己做这部分，第三方做真机数据要么做不深，要么就会与客户抢赛道；也不自己做具身基座模型、不做机器人本体，不参与上下游的市场竞争，只专注把数据这一件事做深。

这种中立性看似放弃了短期的热点，实际上是建立 长期信任的基础。 无论是哪类厂商、无论大公司还是创业团队，都不用担心数据供应商会变成自己的对手，才能放心地将数据需求交过来，共同搭建行业生态。

简智正是因为实现了以上几点，才获得了大厂客户的青睐，得以助力小米、蚂蚁灵波等头部模型公司。

总而言之，从WAIC现场的行业反馈来看，具身智能正在走出“拼参数、拼Demo”的早期阶段，开始进入拼落地、拼工业化能力的新阶段。很长一段时间里，行业的注意力都在模型架构和机器人硬件上，许多人觉得数据是“配套环节”，但随着越来越多模型走到商用试点阶段，大家终于意识到，数据才是整个大厦的地基。没有高质量的、开箱即用的数据，再厉害的模型架构也是无米之炊，再便宜的机器人也只能在实验室里做演示。

具身数据正在走出“卖原材料”的粗放阶段，进入工业化、标准化的“开箱即用”时代。就像互联网时代的云计算、大语言模型时代的token服务一样，具身智能的发展最终也将建立在成熟、稳定、中立的数据基建之上：当所有模型团队、机器人团队都无需再从头搭建自己的数据采集产线，无需再为数据清洗、校准浪费精力，整个行业的研发节奏才会真正加快，具身智能走进真实生活的那一天，才会真正到来。