具身智能数据赛道面临供需差两个数量级，真机数据成本高达1000元/小时

具身智能的数据瓶颈正在成为制约其落地的关键堵点。近期，国家数据局连续组织具身智能专题座谈会，并在2026年世界互联网大会乌镇峰会上明确将“摸清人工智能用数需求”列为行业高质量数据集建设的重点任务。多位专家与产业人士指出，当前具身智能领域面临的核心矛盾是——有效数据存量与实际需求之间存在约两个数量级的缺口：现有可用真机数据约为百万小时量级，而头部企业预估的真实需求已达亿小时级别。

这一供需失衡背后，是数据采集路径的高成本与低复用性。据工业和信息化部电子第五研究所人工智能中心副主任李帅介绍，目前业内主要采用四条数据采集路径：真机遥操作、仿真合成、无本体便携采集与互联网数据提取。其中，真机路径被公认为“黄金标准”，因其小样本即能显著提升模型性能——仅使用约10%的真机数据即可明显提高任务成功率；在全量真机数据支撑下，成功率可达76.8%，远超仅依赖互联网或通用语料的方案。

然而，真机数据的代价极为高昂。单台机器人设备投入在20万至70万元之间，且产出效率有限；真机数据采集成本为500–1000元/小时，是仿真合成路径（约1–10元/小时）的100倍。相比之下，互联网语料可大规模爬取，自动驾驶拥有海量路测数据“家底”，而具身智能尚无此类基础积累。

更深层的问题在于数据的非标性与难复用性。李帅指出，三大结构性障碍制约了数据流通：第一，缺乏统一操作系统。ROS1已于2025年5月停服，ROS2在实用性与安全性上仍不成熟，AIROS、RoboOS等新系统尚处早期阶段，导致数据接口、动作空间、传感器协议各自为政；第二，硬件标准缺失。执行器、传感器、关节自由度与通信协议未统一，一套本体一套数据，跨本体复用成本高达同本体的3–5倍；第三，技术路线尚未收敛。VLA（视觉-语言-动作模型）、世界模型、VLM（视觉语言模型）与传统控制并行发展，不同路线对模态、动作表征与时序长度要求差异巨大，易引发重复采集。

沙利文中国TMT行业分析师宋安琦指出，当前行业虽已采集大量数据，但其中不少集中于标准场景与成功轨迹，对模型能力提升的边际价值有限。“真正稀缺的是复杂真实环境中的长尾数据、失败与恢复过程、长时序任务、精细接触与力触觉数据，以及机器人部署后的在线反馈数据。”她强调，数据荒已从“数量荒”演变为“高质量数据荒”与“结构性数据荒”。

需求侧的判断标准也在快速升级。帕西尼创始人兼CEO许晋诚表示，无论国内还是海外客户，对机器人数据的需求都极为庞大。但需求方的关注点已发生根本转变：不再简单要求“十万小时数据”，而是聚焦于“这十万小时中能带来多少新的能力增量”。具体而言，采购决策依次取决于：任务相关性（能否解决当前模型的具体问题）、数据质量（传感器标定、多模态时间同步、轨迹完整性、标注一致性）、场景与行为多样性（是否覆盖不同物体、环境、操作方式及异常情况），最后才是规模、价格与交付速度。

值得注意的是，部分头部客户已开始从“广撒网测试多家供应商”，转向“集中采购少数稳定交付高质量数据的供应商”。与此同时，一种新现象正在浮现：训练场建设速度明显快于付费意愿。李帅在乌镇峰会上提到，一些企业建好了数据采集设施，却难以找到愿意为高质量数据支付溢价的买家。

业内对未来数据分工已有初步共识：Ego视角视频、人类演示视频与UMI（Universal Manipulation Interface）数据适合低成本扩大场景与行为覆盖；仿真与世界模型用于规模化扩充；而真机数据则聚焦本体对齐、接触动力学建模、精细操作验证等关键环节。这种分层策略既可缓解成本压力，也有助于提升数据效用。

国家层面正加速补短板。除9月10日召开具身智能专题座谈会外，国家数据局还提出将适时推动该领域标准体系建设，支持企业加大数据投入。张向宏委员在乌镇峰会指出，通用大模型、行业大模型、智能体、世界模型与具身智能五类AI对数据的需求各不相同，高质量数据已成为整体发展的关键瓶颈。

可以预见，随着政策引导与产业协同深化，具身智能数据赛道将从粗放式采集转向精细化治理。但短期内，“贵”与“缺”的双重约束仍将主导行业节奏——谁能率先突破低成本高质量数据生产与跨本体复用的技术瓶颈，谁就将在下一阶段竞争中占据先机。