2026，卖数据比卖机器人先赚钱

人形机器人能在春晚上跳舞，能跑马拉松，却拧不开一个陌生的瓶盖。这背后的症结，恰恰在于数据不够“见过世面”。

时间来到2026年，当资本狂潮席卷具身智能赛道，一个残酷的真相正在浮出水面：高质量具身数据，已经成为锁住整个行业进化的最大枷锁。面对

，赛道内的玩家们都在卯足了劲儿搞数据建设。这一年，也因此被业界普遍视为具身智能的“”。

所谓“元年”，并非意味着问题已经解决，而是标志着行业第一次从“做Demo”的阶段，正式迈入了“构建规模化数据系统”的新征程。有三件事正在同步发生：

的有效高质量数据，已成为头部团队的入场门槛；数据投入从边缘预算，一跃成为企业的；越来越多的真实产业，开始为训练、评测和部署机器人所需的数据基础设施买单。

历史经验表明，技术浪潮中，最先赚钱的往往是那些“卖铲子的人”。2026年，一场围绕具身智能的数据生意，正在悄然沸腾。

具身数据，需求爆发

进入2026年，具身智能领域的数据需求正在快速升温，其热度远超去年。作为该领域的头部服务商，光轮智能2026年一季度的订单额已突破5.5亿元，超过了去年全年总额，刷新了行业纪录。目前，国际主要具身智能团队中，超过80%的仿真资产与合成数据都来自该公司。

这背后，是数据正被提升至前所未有的战略高度。行业已清晰认识到，决定模型能力上限和场景落地速度的，不只是算法和硬件本体，更在于有没有一套持续、可迭代、可评测的数据供给体系。数据业务，已成为客户预算中增长最快的板块之一。

智元机器人旗下觅蜂科技的负责人也感受到了这股热浪。需求方普遍处于一种“你有多少我就买多少，你什么时候有，我马上要”的急切状态。市场共识正在形成：数据将像算力一样，成为AI时代的基础生产要素，并且带有投资属性和回报周期。参考基础设施先行的逻辑，

。

这股需求爆发的背后，主要有三大驱动引擎：

第一，“大脑”进化倒逼数据“口粮”。制约机器人规模化落地的核心瓶颈，已逐渐从硬件和底层运控，转向了“大脑”——即具身智能模型本身的能力欠缺。随着具身视觉语言模型与世界模型快速突破，开始进入更复杂的任务空间，必须以海量数据持续喂养。

第二，产业落地加速，数据需求从实验室级别转向部署级别。当机器人开始走进工厂、物流、商业等真实场景，其对数据规模的要求呈指数级提升。完成一个单一任务可能需要千小时级的训练数据，复杂任务的需求量则更为庞大。

第三，非本体数据的价值被验证，采集效率实现跃升。过去，数据采集主要依靠实验室手动操作，效率低下；如今，VR遥操作、外骨骼、UMI、Ego-centric等技术逐渐成熟，数据采集正从小规模、低效率的“手工作坊”，走向规模化、高效率的工业化生产阶段。

然而，与爆发式需求形成鲜明对比的，是严重的“数据荒漠”。行业共识是，要训练出具备通用泛化能力的具身模型，至少需要千万小时级的数据支撑。但截至2026年初，全球高质量的真实物理交互数据总量仅约50万小时，不足大语言模型训练数据的两万分之一。综合来看，

。

机遇与卡点并存之下，一场关于具身数据的争夺战，已经全面打响。

数据金字塔，玩家卡位

面对99%的庞大缺口，供给侧已告别零散试水，迅速掀起了数据基建的狂潮。“百万小时”成为了入局的标配门槛，多家企业宣布冲刺百万甚至千万小时级的数据产能。

行业大规模扩产的背后，是一套被普遍认可的“

”共识：金字塔尖是，精度最高、最贴合真实场景，但成本高昂、供给稀缺；中层是，低成本、易规模化量产，但面临从虚拟到现实的迁移难题；底层是互联网视频、人类行为等，泛化性强但精度较低，需大量清洗与对齐。这三类数据缺一不可，行业玩家正围绕这座金字塔进行全面卡位布局。

供给侧的行动，最先落在了金字塔尖的真机数据上。其中，主流的遥操作数据被视为“黄金数据”。截至2026年4月初，全国规划或拟建成的具身智能数采中心、创新中心与训练场已达到64座，覆盖至少27个城市。

头部企业已成为建设主力军，在多地布局数采中心与工厂。地方政府也积极参与，例如上海张江建成了全国首个异构人形机器人训练场。不过，受限于高昂的采集成本与有限的效率，真机数据很难快速实现规模化。因此，行业加速转向“强化中层仿真数据+夯实底层人类数据”的混合策略，以降低对昂贵真机数据的绝对依赖。

目前，

是实现规模化生产的主流路线。未来的分工可能是：仿真数据承担规模化预训练、评测和强化学习任务；人类视频数据提供行为先验；真机数据则更多用于最终的场景对齐和精细调优。

与此同时，以UMI、Ego-centric数据为代表的无本体数据正在异军突起。这类数据仅需采集员佩戴可穿戴设备即可记录操作轨迹，兼具高效、低成本与强泛化性。市场数据显示，国内真机数据市场价格约为500-1000元/小时，而无本体数据的采集效率大概是真机的两三倍，虽然曾因规模化不足出现过报价更高的情况，但预计最终成本将收敛至真机数据的三分之一到二分之一。

具体而言，UMI方案通过人工手持标准化夹爪演示操作，并由摄像头记录，只要夹爪外观与摄像头参数一致，数据即可通用于不同机械臂。Ego-centric数据则通过头戴、腕戴设备采集第一人称视角与动作信息。这两种方案都更容易实现“众包采集”，从而快速扩大数据规模。

市场正在加速爆发，但百万小时远非终点。行业真正的瓶颈并非单一数据源，而是缺乏统一、可流通、可持续的数据基础设施。为此，多家企业推出了数据全链路基础设施、交易平台或一站式服务平台，旨在构建从数据生产到应用的价值闭环。

什么样的数据，能喂饱具身智能？

随着数据争夺战愈演愈烈，一个关键问题浮出水面：什么样的数据，才是当下行业最迫切需要的“好数据”？

今天，客户采购具身数据时，关注的焦点早已不是“量大不大”或“单价高不高”，而是这批数据能不能真正转化为模型能力的提升。

。行业正追求一种“AI ready”的状态，即数据拿来就能直接用于模型训练和效果验证。

具体来看，客户首先会关注数据种类，其次是数据是否已经过处理并标注，标注了哪些维度、精度如何。这些细节都成为选择数据的重要参考。

业界观察发现，真正高质量的具身数据，通常需要同时满足四个条件：

第一，

。这是底线。与互联网图文数据不同，具身数据不仅要画面真实，更要能精准还原接触、受力、状态变化等关键物理信息。缺乏物理真实性的数据，训练出的机器人在真实世界中极易出现抓取落空、操作失衡等问题。

第二，

。数据必须能支撑模型的预训练和持续迭代，而不是只够做几个演示Demo。同时具备足够可规模化、足够可以终身学习潜力的，才是好数据。

第三，

。模型需要看到世界的全貌，这就要求数据覆盖的场景、任务、执行路径、操作习惯要足够多元。一个反直觉但至关重要的点是：失败、有瑕疵的数据同样具备极高价值。市场上不乏这样的案例，曾有客户愿意以1.5倍的价格收购那些“不那么成功”的案例数据。其逻辑在于，在预训练阶段，数据的“多样性”比“正确性”更重要。如同婴儿在试错中学会走路，具身智能也需要从正误混杂的数据中，自主习得物理规律与因果逻辑。

第四，

。当前具身数据的标注普遍过于简略。对比传统多模态图文模型中单张图片配数千字精细化标注的做法，现阶段多数具身视频数据仅有基础动作标签，缺少对环境语义、任务过程的细致描述，远不能满足高质量模型训练的需求。

除了这四个维度，行业还提出了一个更深层的标准：

。具身数据的终极使命，是更好地表征人类行为，让模型与人类行为模式对齐。真正有价值的数据，应高保真、多样化地捕捉并记录人类的真实行为，包括那些无意识的隐蔽细节——比如拿水杯前先下意识地判断它是否干净。这类细节正是当前多数模型与数据体系所缺失的。

从需求结构看，目前最迫切的数据需求，主要集中在生产制造、仓储物流等场景，尤其是柔性装配、搬运，以及一些环境恶劣、重复单调的任务。这类场景一方面真实落地价值明确，客户付费意愿强；另一方面，对物理交互、稳定性和泛化能力要求极高，也正是当前高质量具身数据最稀缺的地方。

还有哪些卡点？

尽管热度持续攀升，但不可否认，当前具身数据的规模化进程仍面临诸多挑战。

首先，行业内存在大量“非共识”。对于实现通用人工智能究竟需要多少数据、哪些模态、如何评价数据质量等根本性问题，大家还没有想清楚。行业在数据科学层面仍有诸多问题尚未解答，远未到单纯通过数据工程进行规模扩张的阶段。

是最直观的障碍。采集一小时真机数据的成本高昂，按此计算，采集数百亿小时的数据几乎是天方夜谭。新兴的UMI、Ego等采集模式虽能降本提效，但也带来了数据对齐和价值筛选的新挑战。

是另一个严峻问题。从海量原始数据中筛选出真正可用于模型训练的部分，比例往往很低，有时甚至不足5%。这导致企业投入巨资采集和存储的数据，大部分处于“沉睡”状态。如果数据规模扩大百倍甚至千倍，其存储和计算成本将是创业公司难以承受的。

，是数据采集中的隐性卡点。例如，人类操作员依靠肉眼或VR视角，而机器人依赖手眼相机，两者的视角偏差若未加校准，可能导致采集的数据完全“不可用”。此外，还存在学习对象与数据不对齐、任务分布与数据不对齐、不同机器人本体间不对齐等多种“无法对齐”的情况。

最底层的痛点，在于

。当前，数据采集格式、标注规范、质量评估都缺乏统一标准，不同厂商的数据千差万别。大量时间被耗费在数据格式转化和坐标系统一等基础处理工作上。标准的缺失也使得数据价值难以准确衡量，企业在采购时如同“挑花了眼”，却很难说清自己到底需要什么、还缺什么。

目前，国内已加快标准建设步伐，从地方到部委相继出台相关标准文件。企业侧则通过构建“仿真生成、评测验证、真实对齐”的闭环能力，或推出覆盖“采、存、标、训、评、仿、测”全流程的数据基础设施，来提升数据复用效率，压缩开发周期。

可以确定的是，行业目前距离“数据充足”还很遥远。真正稀缺的不是数据的数量本身，而是高质量、可复用、可评测、能进入价值闭环的数据。谁能率先打通从数据采集到商业价值的完整闭环，谁就能在下一阶段的竞争中占得先机。

2026年，站在规模化的关键拐点上，具身智能数据的故事，其实才刚刚开始。