本文来自微信公众号： 深响 ，作者：深响
2026年，具身智能迎来新一轮空前热潮。
春晚舞台上宇树“人机共武”、魔法原子“实景演出”相继出圈，荣耀“闪电”则在北京亦庄人形机器人半程马拉松刷新人类男子半马世界纪录，公众热情被一再点燃。资本侧同样反应积极，中国市场上估值超过100亿人民币的具身智能公司已超过20家。技术也在持续突破：从VLA到世界模型的迭代、到灵巧手的进展，具身智能逐步从Demo（演示）走向Deployment（实际部署）。
但不得不说的是，热闹背后，一个核心难题始终横亘在行业面前：高质量真机数据极度匮乏。
中国信通院报告明确指出，具身智能是一个“由数据驱动的智能系统”。对于具身智能而言，数据是决定行业发展上限的关键变量。如果缺乏高质量数据，机器人就无法实现精准操作和场景泛化。
国家发改委相关新闻发言人也在最近的发布会上表示，下一步将加快具身智能训练基础设施建设，更好地支撑数据采集和“大小脑”模型训练，以提升具身智能在不同场景的通用能力。
而且不同于大语言模型能规模化爬取文本数据，具身智能所需的描述人类运动、精细操作的真实数据少且难得。目前，全球文本数据早已达到万亿token级别，但高质量真机操作数据仍停留在百万小时规模。
具身智能的数据困局与
「不可能三角」
具身智能的数据困局由来已久，这是行业运行惯性、早期技术局限等一系列因素共同造成的。
目前，业内获取数据的方式主要有四种。
第一种是仿真数据，即在模拟环境中生成机器人操作数据。这种方式最大问题是“虚实鸿沟”，仿真环境就算再精细，也很难准确还原现实世界的各种物理细节，比如物体之间的摩擦力、传感器运行时的噪声等。这些细节误差，可能导致机器人无法适应真实工作环境。
第二种是人类行为数据，主要来源于视频，让机器人学习人类的操作动作。但人类的身体结构和机器人的机械结构存在差异，这就形成了“构型鸿沟”：人类的动作很难直接映射到机器人身上，比如手指灵活度、肢体协调性，数据实用性大打折扣。
第三种是人类示教数据，通过手持设备、动捕系统，或者拖动机械臂进行操作示教。这种方式更贴近机器人运动习性，但依然无法完全解决“构型鸿沟”，而且采集效率低，很难实现规模化。
第四种是真机遥操数据，由人类远程控制机器人完成任务，同时记录整个操作过程。这种方式优缺点都很明显：优势是更接近真实物理世界，获得更高质量、多模态、可泛化的数据；短板在于采集成本高。
市面上品质较高的真机遥操机器人售价普遍偏高，按照行业通用的一年使用期计算、加上各类杂项成本，单任务每次的数据成本大概在3-5元，这还没算大量设备、场地、操作人员开销。
面对数据困局，巨头与学术界的探索同样未能提供公用解法：
比如特斯拉采用的封闭生态模式，数据质量够硬，但仅供自身使用；斯坦福大学研发团队推出的ALOHA方案，借助远程操控系统，由用户同时控制底座和两个机器手臂来完成更多样的任务，数据精细，只可惜更偏向实验室场景，难以满足工业级需求；国内的本体厂商则大多采用重资产模式，自搭场地、系统，投入大、效率偏低。
上述种种数采模式的优劣，业内争议不断，但无论哪种路线，似乎都无法突破具身智能数据的“不可能三角”：高质、高效、高性价比。
比如受力监测，业内通常会给每个关节配备谐波减速器和六维力传感器，就像在机器人身上安装一个高精度“电子秤”，靠物理手段监测不同运动状态下的受力变化，数据极尽精细，但硬件成本很高。
此前业内很多公司都存在重复定位精度不足、不同设备采集数据不兼容、过于追求单一维度的精确度等问题。好不容易采集到数据，要么动作、受力存在偏差，要么精度达标但传感器数据不同步、信息残缺，以至于数据看起来丰富，但无法准确反映真实操作场景。
更重要的是，在传统操作思路里，数据采集、上传、清洗、标注、模型训练等环节容易出现脱节，低质量数据不仅无法提高训练质量，还会成为“负资产”。
从卷模型到卷数据
打破具身智能能力上限
随着具身智能逐步告别概念炒作和样机演示，进入规模化量产、商业化落地的关键阶段，行业也从“卷模型”转向“卷数据”。竞争重心正发生彻底改变，决定系统能力上限的，不再只是模型本身，而是它是否拥有足够丰富的真实场景数据。
这种产业演进轨迹，与自动驾驶行业高度重合。正如特斯拉的核心壁垒从来不只是自动驾驶算法，还有其庞大的车辆部署规模，持续采集海量、真实路况数据。这些数据，才是调优算法应对极端天气、突发路况等长尾问题的关键。
具身智能正走向类似的路径：机器人只有走进各种复杂环境，持续与真实世界交互，才能获得足够的数据。
未来，真正成熟的机器人，不会只存在于实验室和演示视频里，它们会走进餐厅、仓库、医院、工厂、商场，持续与真实世界发生交互；它们也会像今天的联网汽车一样，在工作过程中不断学习、不断进化；而每一次抓取、移动、任务失败与修正，都会成为下一轮模型迭代的养分。
届时，机器人产业真正重要的，可能不再是“制造机器人”，而是如何建立一张持续连接物理世界的数据网络。谁能率先建立数据基础设施，谁就更有机会找到这张数据网络的入口。