宇树腰斩之后,具身智能开始为“数据泡沫”买单
2026-11-17 17:55:00
  • 0

“50万小时对5亿小时,真正稀缺的是可训练的有效数据。

最近,宇树科技终于在万众期待中完成了敲钟,但没想到的是也为行业敲响了警钟。

宇树科技上市第一天最高市值冲到了4449亿,但随一路下跌、直接腰斩,跌宕的走势令资本市场与产业界大跌眼镜。

作为“人形机器人第一股”,宇树就是行业的试金石。投资者会拿着宇树当尺子,去量后面排队的智元、银河通用、众擎们。

果然,市场反馈的负面连锁效应快速落地。有报道称,监管部门将提高人形机器人IPO审核门槛。很多人对此表示忧虑,但这恰恰是行业走向成熟的开始。具身智能的长期价值并未被否定,被否定的是只靠叙事撑起的估值。当资本不再为故事买单,数据、模型能力、商业闭环就会成为新的硬指标。其中,首当其冲的就是数据问题。

“缺数据”缺的到底是什么?

真正要让一台机器人在多场景下灵活作业,需要至少10亿条数据支撑,而目前单机遥采一天的产量也就1000条左右。

从时长的指标来看,截至2026年初,全球合规、可用的真机有效数据仅约50万小时,而需求量至少要5亿小时,缺口高达99%。无论用哪种口径,有效供给都远低于市场所需。

但我们又不能简单的认为,“缺数据”就是缺“数据量”。这一表象背后,还牵涉更深层、更结构性的产业问题。

博登智能是一家专注于Physical AI数据基础设施的公司,主要为机器人、自动驾驶和大模型等提供训练数据。博登智能将具身数据的价值判据拆解为三重维度:物理合格率、场景保真度与本体多样性指数。三者同时达标,方构成优质具身数据的完整门槛。

另一家专注于AI数据服务的企业本原智数则认为,大模型时代,AI数据从来不是批量堆砌样本,而是萃取、结构化人类沉淀下来的知识与经验,再交付给模型。通识数据打底,稳住模型能力的下限;稀缺、经过验证的专家数据,才是拉开模型能力差距、触碰智能上限的关键。

数据标注公司标贝科技联合创始人、CTO李秀林则把“场景覆盖”与“有效价值时长”视为更关键的标尺。在他看来,时长本身并不等于信息密度:在节奏缓慢的场景里,数据记录的时长或许很长,真正能被模型吸收的有效信息却有限。而且每家企业所处的阶段不同,数据策略也不会一概而论——有的只需在一两个场景里做深做透;有的追求通用性。这决定了数据供给必须在场景覆盖广度和操作对象精细度上同时加码。

灵心巧手是一家专注于灵巧手的具身智能企业,从需求侧的视角来看,灵心巧手认为时长在某种意义上就代表了任务的重复次数,这本身是具有意义的,但与此同时也不能忽视数据的质量,以及数据的多维性。比如手部运动和人手的映射是否符合、整个采集系统各个传感器的时序同步性是否够好,这都会影响一条数据用作训练的实际质量。

可以说,行业缺的不仅仅是“量”这个单一指标,真正缺的是多元、场景化、高价值数据的有效供给。

具身数据的三道窄门
采集、标注与泛化

缺数据并非新问题。几年前,行业便将其视为具身智能的关键瓶颈,并为此投入了大量工作。然而几年过去,缺口非但没有收窄,反而持续扩大。原因并不复杂:供给并非没有增长,而是标准在同步抬升。若只是量不够,问题倒不算严重,中国最不缺的就是产能。但真正稀缺的是高价值数据,它无法被简单粗暴的“量产”出来。这背后牵扯到三个关键问题:

首先是采集难度大。

目前真机遥采仍是具身数据的主流采集方式。数据采集员通过机械臂或操作杆操作,一天工作8小时,大概会产生1000个动作、1000条数据。但这只是“毛数据”。在标注和核查过程中,抓取失败、角度不对、位置不对等情况都会让相当一部分数据无法直接用于正向训练。当然,失败数据对某些单位的模型训练也有意义,但总体而言,每天真正能用于正向训练的有效数据在200—400条之间。而训练一个动作或一个模型,需要几千条甚至上万条数据才能完成。

机器人在真实环境中面对的摩擦、碰撞、光照变化、物体形变以及各种非预期情况,很难被完全模拟。因此,在精细操作、复杂任务和多模态交互等场景中,这类数据具有较高的训练价值。但真机采集涉及设备、场地、人员和安全等成本,数据获取与规模化复制都存在门槛。

为了破解这个难题,本原智数正以多源融合、虚实协同的方式破局。充分结合真机实采数据的不可替代性和仿真数据低成本、规模化生产的优势,建立“仿真生成—真机采集—模型训练—真实环境验证—数据回流”的闭环。在此基础上,本原智数在几个月前发布了一个宏大计划,计划构筑十亿条专家轨迹数据、十亿小时具身操作数据两大核心数据底座,为具身智能向上突破储备稀缺的专家级数据供给。

标注关:
工业化和规模化供给

采集只是起点,并不意味着数据即可直接使用。有从业者算过一笔账:训练一个能抓杯子的机器人策略,背后大约需要一个人花六个月的时间来清洗和标注数据。

随着需求的暴增,过去一年具身数据采集和标注岗位需求量一年涨了30%。具身数据标注本身高度依赖人力:有数据显示,人工标注成本一度达到17元/帧,人均日处理仅3帧,标注50万帧数据需花费850万元,100人需耗时4.5年。头部企业愿意为高质量数据支付高昂成本,但有钱未必买得到大批合格的人。即便有了合格的人,也无法在短时间内爆产能,因为数据是一条一条标注出来的。

而且进入具身智能阶段后,数据生产的复杂度已明显升级:除采集与标注外,还涉及任务设计、采集方案、质量控制、数据评测、专家知识注入,以及仿真数据与真机数据的协同。尤其面对不同机器人本体、不同传感器和不同任务类型,企业很难仅靠扩大内部团队覆盖全部数据需求。本原智数长期服务头部具身企业,对此有非常深入的洞察。在其看来,具身数据供给的竞争,正从“有多少人标”转向“能否将复杂数据生产流程工程化、标准化”。

面对困境,行业正大力推动自送标注和人机协同,实现数据标注的工业化和规模化供给。

以博登智能为例,其通过平台化、自动化的数据引擎形成规模化效应,显著摊薄单条数据的获取成本,推动作业模式从“人力密集型”升级为“技术密集型”的智能平台。其打造的BRIC Robo、BASE Omni、Blink三大平台,覆盖多传感器同步、自动化质检、跨模态标注等一系列复杂工程环节。但需要看到,自动标注或人机协作做得再成熟,解决的仍只是“数据标注”的标准化——让企业内部采得更快、标得更准;而“数据本身”的标准化,才决定数据能否跨出单一本体,被不同厂商、不同机器人复用。

泛化关:一机一采
数据难以跨厂商、跨本体复用

目前国内成规模的具身厂商有100多家,各家技术路线尚未收敛,数据标准也没有统一。这造成了一个直接问题:数据采集和标注只能“一机一采”。

而具身智能企业,越走向应用场景,越希望模型具备连续任务规划能力和跨场景、跨物体的泛化能力。这与当前的数据采集方式似乎形成了某种矛盾。

面对数据泛化的考验,行业开展了一系列的探索。

标贝科技李秀林认为:“UMI与异构数据的混合使用,是提升机器人通用性的关键路径。相比纯本体采集,这种方案在局部、空间和场景三个层面的感知上都有明显优势,泛化能力也更胜一筹,这正是异构数据备受关注的原因。未来,异构数据一致性与本体视角转换技术还将不断迭代。”

除了技术层面的探索外,政策端的讨论也一直进行中。既然数据标准不统一是导致跨厂商、跨本体复用困难的重要原因,那么是否可以从数据标准化作为突破口呢?对此,行业有一定的分歧,分歧的点不在于是否要标准化,而是是否现在就进行大规模的标准化工作。

李秀林审慎地指出,数据标准化工程需要理性看待。具身智能仍处早期,技术框架与数据规范尚未稳定。此时讨论标准有益,但真正落地需等技术架构趋于稳定。他以遥操数据为例,前两年曾被认为这个模式足够好,但随着成本结构和方案变化,如今使用已大幅减少,异构数据反而开始盛行。行业发展很快,当下很流行的方案,很可能过一段时间就会被放弃。

“因此建议让行业充分论证,再由主管部门主导、企业贡献的方式推进,这样更高效,也更易达成共识。”李秀林说。

数据供给大爆发的隐忧

三道窄门摆在面前,行业理应在标准、工具和跨本体复用上寻求突破。但标准何时能统一、异构数据何时能互通,没有人能给出时间表。资本等不起。于是,一条看起来很“务实”的路径被迅速铺开:建数采中心,先把量供起来。

2026年数据供给明显加速。2026年,中国冒出了至少90座具身智能数据采集中心。北京石景山一座占地一万平方米,120台机器人,累计产出117万条操作数据;京东号称要建“全球最大”,发动60万人采集。

从一线城市到三四线城市,数采中心成了很多区域产业园招商的新标配,具身数据正在迎来大生产时代。但规模竞赛的背后,这些数据,真的是有效供给吗?

答案恐怕难言乐观。更值得警惕的是,随着数采中心大量涌现,机器人采购需求被随之催生,事情也开始偏离原本的轨道。

数采中心的闭环大致是:地方政府联合企业建设平台,具身企业卖设备给数采中心,具身企业再掏钱向数采中心“采购数据服务”。钱在左口袋与右口袋之间打转,数采中心多了一笔“数据服务收入”,具身企业的报表上多了一笔“人形机器人”的售卖收入。

梅卡曼德创始人邵天兰在前几天无情的揭露这一行业现状,部分企业利用“数采中心”和关联交易制造虚假收入。

据报道,某估值超200亿元的机器人厂商,2026年有500台机器人来自各地合作的数采厂,按70万元均价计算,贡献约3.5亿元营收。

这个闭环里,每一个合同都是真的,交付也是真的,采集的数据也是真的。问题就在于,掏钱的是公共机构,而不是真实的市场需求。

而且更重要的是,这些数据到底为具身智能的发展,发挥了多少价值,也没有办法被检验。

当然,我们并非要否认数采中心的价值。对AI、具身智能产业的发展而言,数采中心具有非凡的产业意义,在未来也必将发挥重要作用。但短期内,它仍难以独自承载具身智能对数据规模、多样性与泛化能力的全部需求。

尤其在具身智能即将从“讲故事”迈入“兑现商业回报”的新阶段,数据与商业产出的绑定必将愈发紧密。数据不再只是供给方产出、需求方买回便告完成的交易品;市场需要证明的是,所购数据是否真正驱动机器能力演进,并最终转化为商业回报。

正如本原智数所展现的,其数据服务覆盖任务设计、数据采集、数据处理、质量评测到模型反馈的完整链路。它并没有“做了多少条数据”当成最高目标,而是看这些数据能否真正转化为模型能力,以及机器人在真实环境中的执行能力。

在新的发展目标下,数据供给必须完成思维的转换。从“粗放式的规模竞赛”迈向“精细化的量质双升”。这将体现在几个维度:

标注的精细度:从粗粒度的“任务级”标注,细化到“子任务级”和“原子动作级”。

元数据的丰富度:需要为每条数据配上丰富的上下文,如质量评分、错误标记、目标状态图像等。

跨模态对齐精度:视觉、语言、动作信号的对齐必须达到毫秒级,这对VLA模型的训练至关重要。

物理一致性校验:不仅仅是“看起来对”,更要“物理上合理”,数据必须符合真实的动力学和运动学约束。

标贝科技李秀林认为,行业整体积极拥抱具身智能需求,在采集、标注、场景设计等方面快速投入。不过,未来不一定需要上百万小时精细化数据——大模型发展表明,互联网数据或已有场景数据可转化为预训练数据,最终所需精细数据规模可能远小于预期。

这意味着,具身数据竞争不会永远停留在“谁采得多”。下一阶段的胜负手,是谁能把预训练、后训练、场景微调分层做清楚,谁能让每一条精细数据都产生模型收益。

谁将迈向下一个阶段?

资本市场的态度时刻牵动着具身智能行业敏感的神经。

IT桔子数据显示,今年上半年国内具身智能赛道融资总金额达到935亿元。算下来,上半年单季度融资水平在467.5亿元。数字看起来还是非常亮眼。

但是进入下半年后,具身智能行业融资热度陡然降温。有行业人士反馈称,一部分上市公司相关方已经不看机器人方向了。

越来越多的声音认为,目前行业正处于价值回归阶段,此前积聚的泡沫将迎来出清。

朴拙资本执行合伙人苗天一认为,“这轮降温并不等于行情结束,资金从撒胡椒面式的普投,更加向头部硬核团队集中。”

越来越多的声音认为,目前行业正处于价值回归阶段,此前积聚的泡沫将迎来出清。

企业眼下的考验,已不是能不能融到钱,而是能否把钱变成可落地的产品。行业需要从AGI的宏大叙事中走出来,先从一些不“性感”但实际的场景做起,比如,清洁、物流、巡检这类具体任务。在真实场景中沉淀数据,优化能力,再逐步向上。在一些具体的场景中,打通数据-模型-本体-场景的商业化闭环,向市场证明自己的造血能力。

具身智能暂时遇冷,数据生态也难免受到波及。而潮水退去后,行业终将回到一个朴素的命题:数据是否有用,能否带来能力提升,能否兑现商业回报。这些问题的答案,才是穿越周期的底牌。

文:俊驰 / 数据猿

责编:凝视深空 / 数据猿

 
最新文章
相关阅读