具身智能数据缺口突围，从千万小时到百万小时的跨越

在人工智能领域，大语言模型凭借海量文本数据实现了快速爆发，而机器人要掌握拧瓶盖、叠衣服等日常技能，却面临着一个关键难题：缺乏真实世界动作数据的积累。这种数据缺口不仅制约了具身智能的发展速度，也成为其大规模落地的重要障碍。

根据中国信通院联合发布的《具身智能训练场研究报告（2026年）》，具身基础模型要迎来自己的"ChatGPT时刻"，至少需要千万小时级的真实数据。如果这些数据全部靠真机采集，按每台机器人每天有效工作2小时、每年工作300天计算，需要超过两万台机器人连续工作整整一年。然而，当前全球可用的高质量真实数据，只有数十万到百万小时级，供需之间隔着一整个量级。

数据的杠杆效应已经在海外被验证。今年9月，美国人形机器人公司Figure发布Helix 2.5模型，通过使用人类行为数据集Index进行预训练，模型在陌生环境中的任务完成率达到了56%，而对照组仅为9%。这一差距直接揭示了人类行为数据预训练的真正价值——它让机器人第一次能在陌生环境里"直接上岗"。

面对如此巨大的数据缺口，行业正在经历一场深刻的变革。觅蜂科技董事长兼CEO姚卯青指出，行业对数据的需求曲线正在陡峭地上升。去年上半年，市面上很少有人提几十万小时规模，大家还停留在一万小时的量级；到去年底有人做到20万小时；今年很快就有公司宣布用到100万小时，而他接触到的客户，提出的已是千万小时级的预算。

"不是简单地堆量，"姚卯青强调，"而是越来越往细分赛道、专业技能上去获取。"叠衣服的数据已经泛滥，修水管、修车、理发、美甲等"长尾技能"正等待被一个个点亮、解锁。

在此背景下，具身智能的数据故事才刚刚翻到第一章，在数量的缺口之外，质量和场景多样性的缺口同样悬而未决。谁能持续把真实世界的经验转化为可训练的数据，谁就握住了下一个十年的入场券。

在数据采集方面，行业此前最通行的做法是真机遥操作：人通过手柄或VR设备操纵机器人，把任务操作示范给模型。这类数据与本体高度对齐，训练价值高，但短板同样明显——采集速度被机器人数量、操作人员和场地死死捆住，硬件、人力与运营成本随数据规模同步上涨。

更深层次的痛点在于场景本身。觅蜂科技副总裁殷哲将数据采集比作挖矿：设备是工具，运营是工厂，场景资源才是要挖的矿。"在整个物理AI数据链条里，场景是唯一无法被技术或资本快速复制的源头。"

当前国内真实物理交互场景的合规数据大约只有100万小时，而机器人商业化落地需要千万甚至数亿小时，缺口超过99%。更麻烦的是，场景进入有壁垒，比如，设备进食品厂安全吗？老板让不让众包员带设备进工厂？

"场景像页岩油，有价值，但如果开采成本比采出来的油还贵，就等于没有。"姚卯青打了个更形象的比方。

面对这一困境，行业正在探索新的解决方案。杭州美梦空间科技有限公司(Memo)给出了一个创新思路：基于可观测数据与深层物理数据训练的Physical-WAM物理-世界动作模型，以及业内首个RoboTwin-phys物理漂移评测基准。这套技术架构旨在让机器人从"模仿"走向"理解"，具备人类式的预判能力。

"机器人缺少对物理世界的基础认知，是双重困境叠加的结果。"美梦空间CEO李明昊表示，"第一重困境来自数据鸿沟，第二重困境是测评标尺的缺位。"

随着AI智能体的爆发式增长，具身智能的数据需求也在加速上升。IDC预测，全球活跃智能体数量将从2026年的7940万个增长至2030年的22.16亿个，复合增长率达129.8%。与此同时，Token消耗量复合增长率达4822.6%，约为活跃智能体数量增速的37倍。

"智能体正在成为人工智能投入的重要增量。"IDC副总裁周震刚在接受记者采访时表示，"预计整体爆发式增长集中在今明两年。"

在算力方面，浪潮信息与IDC联合发布的《2026年中国人工智能计算力发展评估报告》显示，2026年中国智能算力规模将达到2576.5EFLOPS，同比增长87.9%；到2030年将达到10524.3EFLOPS，2025-2030年复合增长率达50.3%。

"智能体应用已从‘谈智能体’进入‘用智能体’阶段。"周震刚说，"预计整体爆发式增长集中在今明两年。"

展望未来，具身智能的数据缺口问题将成为决定行业发展的关键因素。只有通过技术创新、运营升级和生态合作，才能真正突破这一瓶颈，推动具身智能从实验室走向千家万户。