本文来自微信公众号： 定焦One ，作者：定焦One团队，编辑：魏佳
具身智能的数据基建，正在成为“上游战场”。
最近的AI论坛上，总绕不开这样一组对比数据：LLM预训练有数十万亿token，自动驾驶有百亿小时数据，而具身智能目前公开可用的操作数据，只有几十万小时级别。多家具身智能本体厂商也公开表态，数据是当前最大的瓶颈。
一边是机器人在春晚舞台上跳舞、翻跟头，在实验室叠衣服、当24小时售货员；另一边是一走进真实家庭或工厂，就频频翻车。反差背后，问题指向了数据短缺，并催生出一条独立的赛道。
过去半年，资本开始密集流向数据公司：光轮智能短短两个月内连续完成两轮融资，估值超20亿美元，成为全球首个具身数据领域独角兽；2025年成立的简智机器人，获蚂蚁、滴滴、德联领投；觅蜂科技从智元孵化独立后，迅速完成数亿元融资。
数据从训练环节里的一个变量，成为独立赛道，只用了不到一年。这背后是两个信号。
具身智能投资人天机辩解释，一是VLA大模型的泛化瓶颈开始显现，数据质量才是机器人大脑的天花板；二是本体厂出货节奏比预期快，数据需求从研发探索被推到了量产必备。
这个判断在一线得到了印证。形芯智能是一家专门做具身智能数据的第三方公司，副总裁朱军每天跟客户打交道，对数据短缺的体感最直接。他告诉「定焦One」，前两年行业都在埋头搞整机、灵巧手等硬件，等硬件真做出来才发现，机器人换个物体、换个环境就不会操作，短板全卡在数据上。厂商光靠内部采集根本供不上模型迭代节奏，缺口一暴露，第三方数据的需求自然就起来了。
但数据这块拼图并不好补。真机采集太贵、场景覆盖分散、废片率高，加上各家采各家的、格式互不通用，行业总数据量迟迟上不来。
缺口足够大，涌入的玩家足够多，这条赛道还在变挤。
01.谁在提供数据？四条生产路线
2023年，具身智能行业刚刚起步时，缺数据的问题便被关注。机器人的数据到底难在哪儿，为什么不能像大模型那样直接从互联网上获取？
具身智能训练的核心是“动作”。机器人要学会拧瓶盖、叠衣服、开抽屉，需要的是“看到什么-做什么-力度多大-关节怎么动”的完整闭环，这类数据在互联网上几乎不存在，必须“造”出来，而怎么造，直接决定了成本、质量和规模化空间。
目前，具身智能主要分四大类数据采集路线，成本、保真度各有优劣，头部公司往往不押注单一路线，会选择多线并行。
首先是真机采集。由操作员佩戴VR、AR头显，将画面同步到机器人的摄像头视角，然后控制机器人的每一个动作。
这一方式产出的数据质量最高，可以直接用于训练VLA模型。智元、优必选等头部人形机器人厂商，以及去年才成立的灵御智能，都押注了这一路线。
但该路线的采集成本很高，既要购买真机，对操作员也有要求。特斯拉Optimus数据采集员时薪在25-48美元。
一位具身智能从业者表示，长时间佩戴VR头显不仅很容易晕，操作员还需通过VR画面判断空间距离和物体位置，稍不留神就容易出错，高废片率是常态。有从业者统计，数据的普遍利用率为60%-70%。
国内的部分公司试图通过“人臂同构”设计降低门槛，但这一设计牺牲了机器人“超人性能”，其采集的数据集无法让机器人完成钻狭缝这类特殊场景的任务。
第二类是无本体采集。
此路线不需要机器人本体，采集完的动作数据在后期通过重定向映射到目标机器人本体，成本约为真机遥操的一半甚至更低，主要分为可穿戴设备、动作捕捉。代表公司有觅蜂科技、简智机器人。
可穿戴设备采集的代表是UMI（通用操纵接口），人手持特制夹爪直接操作物体，同步记录轨迹和视觉数据。动捕采集则是人穿戴动作捕捉设备记录全身或手部运动，可用于驱动人形机器人或生成仿真数据。
但这类采集方式有两大局限。
一是人手戴夹爪操作时，只能知道“抓住了”或“没抓住”，感受不到用了多大的力、力是如何变化的，因此像拧瓶盖、插USB这类需要“边感受边调整力道”的精细活，其训练出来的模型虽然看起来动作是对的，但一上手就容易使错劲。二是人的动作“翻译”给机器人时，会产生大量的信息丢失。
第三类是仿真合成，主要通过模拟虚拟物理世界，批量生成机器人操作数据。
这条路线对技术能力要求很高，尤其是在缩小虚拟与现实差距方面，需要自研仿真引擎、物理参数校准等能力。以光轮智能为例，它自研了一套“能模拟、能测量、能生成”的仿真系统，累计交付超100万小时人类行为数据，复售率超10倍，是目前仿真路线里规模最大的一家。
不过这类路线短板也很明显，在仿真环境里，物体的各项属性都是设定好的，比如杯子重量、表面的光滑程度，为固定数值。但真实场景中，杯子可能装了水、手可能是湿的，这些细微变化难以完全模拟到位，导致操作失败。
第四类方式是视频蒸馏，近期被越来越多公司采用。
它是直接提取互联网上已有的第一人称或第三人称操作视频（比如Ego4D、YouTube烹饪视频等），利用模型反推“人做了什么动作”，产出结构化数据（比如手pose、物体轨迹、关节级动作），再迁移到机器人上。
举个例子，一段人拧瓶盖的视频，不仅仅记录某一次的关节角度，还能提炼出“手到这个位置、施加这个方向的力，瓶盖就会转”的通用规律。这种方式没有涉及动作采集，只有筛选和清洗，边际成本极低，数据量极为庞大。近一年来，这项技术受到行业重视，主要得益于世界模型的成熟，让提炼精度达到了商用水平。代表公司是极佳视界，其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
但缺点在于，视频里只有视觉信息，没有关节角度、发力大小等动作细节，且人手与机械臂明显不同，无法直接用于端到端训练，通常只作为辅助数据。
朱军总结，现在资本市场比较偏爱合成仿真和全链路平台，其次是可穿戴，真机路线少有人看，但线下客户刚需还是真机数据，仿真只能做辅助。路线融合趋同已是明确趋势，仿真厂商搭建数据管理平台，搭配真机数据校准；可穿戴企业叠加合成数据扩充样本；真机采集团队自研仿真、视频蒸馏工具降本。
02.收入几百万，估值飙到几个亿
数据造出来只是起点，能不能卖出去、卖给谁、能不能持续卖，才是这条赛道能不能立住的关键。
据天机辩调研估算，国内具有持续采购能力的数据客户非常有限。目前主要分三类：机器人本体厂商、具身模型（VLA和世界模型等）团队，以及高校和科研机构。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。
而且，这几十家客户的付费意愿也不稳定。一位具身智能数据厂商表示，目前本体厂商采购外部数据，主要是因为“自己采不够用”，一旦本体厂的数据采集体系跑通，外部采购可能就会大幅收缩。
至于变现方式，也主要有三种，进入门槛和护城河各不相同。
其中，一次性买断数据集占主流，这也是最卷的商业模式。
以EGO可穿戴采集路线为例，目前市面上很多小团队买改装头显+腕带相机+开源标定代码，几万块就能搭一套采集工位，但标定漂移、遮挡、同步丢帧导致废片率往往在30%上下，数据质量参差不齐。一次性买断数据集之所以占主流，主要在于它最简单，但也最容易被复制。
第二类是卖硬件，比如可穿戴采集设备、遥操工作站，甚至整台采集专用机器人。壁垒在于硬件设计、供应链和产能。风险在于卖出去之后，客户完全可以自己组织人力采数据。
第三类是卖平台、订阅和服务，壁垒最高但起步最难，需要客户已经形成规模化数据消耗习惯，而目前的市场还没到这一步，仅部分公司在试探。
朱军透露，他们现在的收入主要是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，标注、采集、算法研发人员开销占比最高，其次是采集硬件折旧，算力成本反而占比最低。他们的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。
在天机辩看来，具身智能数据行业的商业模式还处在探索阶段。“虽然几个头部数据玩家已经获得了稳定的国内外客户框架订单和收入合同，但能做到规模化复制的几乎没有。”
尽管如此，具身智能数据公司的估值已经水涨船高，有些公司年收入只有几百万，估值已经到了几亿。天机辩告诉「定焦One」，市场对具身智能数据的庞大需求，是数据公司估值短期暴涨的主要原因之一。
一位专注硬科技早期投资的投资人表示，“现在投具身数据，看的不是PE，甚至不是PS，而是单客户价值×潜在客户数×数据壁垒系数。光轮智能一个季度新增订单5.5亿元，等于给行业定了一个标准，如果能达到10%的光轮订单份额，估值就可以参考这个比例去套。”
03.谁能定义具身智能的数据规则？
目前，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？是第三视角还是第一视角？”一位从自动驾驶转行到具身智能的从业者认为，“自动驾驶到了2018年，至少大家公认激光雷达+摄像头融合是主流方向，但具身智能现在连采集路线共识都没有，客户很难持续下单。”
这导致了行业总数据量级被严重稀释，模型被固定在单一本体上，数据格式的对齐成了最让人头疼的环节。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、重新标注、重新训练。
不过，头部模型厂商也在试图打破这一困局。比如，海外的具身大脑公司Skild AI主攻跨本体通用底座模型；蚂蚁灵波近期也推出LingBot-VLA 2.0，号称用60000小时数据训练而成，可适配20多种机器人。但天机辩指出，目前市面上的跨本体通用模型，在实际落地时虽然“能实现跨本体迁移”，但仍需针对具体机型进行适配微调，这一行的技术门槛依然很高。
很多具身智能数据公司也开始尝试着“定规则”，其中有三家表现得较为活跃：光轮智能、觅蜂科技、简智机器人，各自侧重的方向不同。光轮智能推出了工业级评测平台RoboFinals，主要涉及评测标准；觅蜂科技主推MEgo硬件加全范式平台，正在探索推动跨本体数据格式标准的建立；简智机器人则将重点放在工业级数据格式上。
但无论哪个维度，“定规则”的本质都涉及利益分配。
如果本体厂商自己来定，其他竞争对手难以接受；如果交给第三方，本体厂商也很难放心，比如一旦觅蜂的跨本体格式被市场接受，或者光轮的数据格式成了行业标准，就意味着它们掌握了生态的“收费站”，宇树、智元等本体公司需要为此持续付费。
同时，数据采集行业还处于早期。目前具身智能本体厂商还处在跑通闭环的阶段，比如，智元忙着把远征和OmniH2搬上产线，宇树在冲刺G1的稳定量产交付，银河通用在全力训练GraspVLA。各家的重点是先把自身最重视的指标跑通，而非关注行业通用标准。
这一发展轨迹和自动驾驶有相似之处，天机辩认为，两者都是模型性能瓶颈倒逼数据价值显现，都经历“先有标注公司、后有数据平台、最后内化”的路径压力，早期也都有大量同质化公司涌入。
但不同点在于，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，这意味着数据稀缺性更持久，也更难被单一平台垄断。
而且，自动驾驶的数据飞轮是车企用出货量跑出来的，但机器人本体厂出货量目前远远不够，所以独立数据公司的窗口期比当年更长，代价是商业化节奏也更慢。
朱军则认为，现在具身数据领域最大的泡沫信号是三重错位：行业人人高喊数据是核心，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，可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。
这也意味着，虽然标准制定的临界点尚未到来，但洗牌信号已相对清晰，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，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”。