具身智能数据生意存隐忧，真实采集成本高企，仿真数据难补短板

近日，具身智能行业迎来一场关于数据生意的公开论战。梅卡曼德创始人邵天兰在朋友圈直指部分高估值企业通过关联交易、数据采集中心及地方资源包装营收数据，以此冲刺IPO、谋求资本上市。此番言论不仅点名银河通用，更将行业内心照不宣的隐秘争议彻底摆上台面。

一石激起千层浪。针对此次质疑，银河通用官方迅速作出回应，表态不愿参与行业口水纷争，将持续深耕技术研发、场景落地与商业化推进。然而，这一事件背后折射出的却是更为本质的问题：机器人企业究竟需要什么数据？数采中心生产的数据是否真正进入模型？设备订单和数据交易又该如何判断实际价值？

要理解这些问题，必须回到一条数据产生、流转并进入模型的全过程。霞光社对话了三位身处数采行业的从业者，分别从真实数据、订单需求和触觉数采出发，呈现出这门生意正在经历的变化。

物理AI数据创业者黄大荣指出，中国具身智能数采存在明显卡点。如果只看机器人出货量，中国具身智能似乎已经走得很快。但出货量只能反映产业化进度，机器人能否在真实场景中完成任务，最终还要回到模型能力。

OpenAI积累的原始数据已达到千万小时级别，这还仅是保守估算。为其供给数据的海外机构，单月采集量便可达到百万小时。反观国内，简智、光轮两家企业同样具备单月百万小时的采集能力，但市场上愿意大规模采购Ego数据的买家寥寥无几。

如此悬殊的差距，很容易让人想到一条‘捷径’：真实采集既慢又贵，能不能直接依靠仿真和合成数据追上去？可以是可以，但现阶段恐怕很难。

自动驾驶已经走过一遍类似的路。最初，大量汽车先要在真实道路上运行，积累几千万甚至上亿小时的数据。只有模型见过足够多的道路、天气和突发情况后，合成数据才有参照，才能补充那些危险、低频或难以重复的场景。现在的具身智能，更像自动驾驶的早期阶段。真实物理世界的样本底座还没有建立起来，模型甚至没有充分见过杯子如何滑落、人在狭窄空间里如何调整动作。这个时候只谈仿真，很容易生成一段‘看起来合理’的视频，却无法让机器人在现实中稳定完成任务。

既然真实数据采集那么重要，为什么国内的具身公司购买Ego数据量这么少呢？答案其实很简单，就是因为钱不够。

我们可以来算一笔账：一套采集设备可能要两三千元，再加上采集人员，按照全球平均水平估算，仅人工成本就接近每小时15美元。把这个数字乘以一千万，就能明白为什么数据规模不是多建几个数采中心、增加一些工位就能堆出来的。

并且数采也不是说量堆够采够了就行了，模型在早期需要的是广度，要先‘见过世界’。因此，采集需要覆盖世界各地不同的国家和地区，让机器人接触不同的职业、家庭和生活环境。比如菲律宾的铁皮房、柬埔寨的茅草屋，都是有价值的，它们能让模型知道，人类并不都生活在标准化公寓里。

但广度数据只能帮助模型完成前期预训练。当机器人准备进入具体市场，采集就必须从‘看得多’迈向‘学得深’，围绕目标场景反复训练。例如，面向中国家庭的机器人，需要熟悉本地家庭的空间、物品和生活习惯；面向北美商超或咖啡厅，则必须到当地采集。店内员工可以签署拍摄协议，但营业期间不断进出的顾客很难逐一授权。因此，真正接近商业场景的数据，最难拿到，也最昂贵。

触觉数采方面，标准尚未统一，一致性问题亟待解决。物理数据无法被仿真替代，3-5年内真实数据仍是训练基石，工业场景可能早于家庭释放数据需求。

行业分化已经开始显现。能进入真实场景并形成‘采集-训练-反馈-补采’闭环的数采中心才能持续；仅做通用动作采集的中心若无独立第三方采购，易沦为关联交易工具，最终被淘汰。