作者 | 黄昱
尽管近年来具身智能发展如火如荼，但只要谈及具身智能数据供给问题，行业往往会被泼上一盆冷水。
作为具身智能数据服务商，艾欧智能联合创始人丁哲章近日在与华尔街见闻等媒体交流时坦言，2023年公司刚进入这个行业时会发现，具身智能各类数据全面紧缺。这几年具身智能在基础能力上有了一定填补，但训练专有任务的数据仍然稀缺。
也正是因为高质量具身智能数据的稀缺，人形机器人如今在完成一些看似非常简单的动作时，仍会显得有些笨拙。
为破解具身智能数据供给瓶颈，行业出现了新范式。
丁哲章表示，2025年全年真机数据的“浓度”非常高，国内数采场建设、关键论文成果、各家推进的重点，几乎都围绕真机采集展开。但2025年底以来，大家发现了另一条更容易规模化、采集更有效率的范式——“以人为本”（人类数据）的采集。
在此背景下，丁哲章观察到，2025年之前，有些公司用来训练的具身大模型的数据大部分是真机数据或者是“10%-20%真机数据+ 80%到 90%仿真合成数据”，而到2026年人类数据浓度和认可度明显提升，仿真合成的声音则有些减弱。
从仿真合成数据到人类数据，看似只是数据来源的结构性调整，背后却意味着具身智能训练体系、数据产业链乃至商业化路径都开始进入新的阶段。
一场围绕“训练燃料”的竞争已经悄然展开。
人类数据站到聚光灯下
如果把具身智能模型比作一名正在成长的“机器人学生”，数据就是它认知真实世界的核心教材，完整训练流程分为预训练、后训练微调、运营部署三个核心环节。
与大语言模型主要依赖互联网文本数据不同，具身智能需要学习真实世界中的“动作逻辑”。这类数据来源极为稀缺，当前行业最大的发展瓶颈，就是如何规模化采集高质量的具身智能训练数据。
丁哲章用一个简单的例子解释了过去几年数据采集的进展：想训一个"帮我拿水杯"的简单任务，现在数据很容易找到、训练也很快；但想让它去最底层柜子里拿一双鞋，数据就非常稀缺、训练也难。
与此同时，丁哲章透露，在其公司所收到的数据需求中，最受关注的有两类，一类是包含灵巧手长程精细操作的数据。之前灵巧手不够成熟、不好用，想用它采出高质量的任务数据就更难，而最近灵巧手硬件有迭代，初步能满足需求，于是进一步需要这类数据。
第二类是机器人全身运动的数据。丁哲章指出，大约半年多以前，行业内开始涌现出一些全身遥操作、全身操作的基础模型，让机器人初步具备了“接受全身输入、做全身跟随”的能力。在这个基础上，如果想进一步提升，就更需要机器人全身操控的数据。
目前，行业用于训练具身智能模型的数据主要包括三类：真机数据（Robot Data）、人类数据（Human Data）以及仿真合成数据（Synthetic Data）。
其中，真机数据来自机器人在真实环境中的操作，能够完整记录机器人的关节运动、传感器反馈以及与物理世界的交互过程，被认为是价值最高、最接近真实部署场景的数据。
人类数据则通过摄像头、智能眼镜等设备采集人类第一视角操作过程，帮助机器人学习人类完成任务的方式；仿真合成数据则依托模拟环境或生成模型快速生成大量训练样本，用来解决真机数据难采、量不足的问题。
丁哲章指出，2025年真机数据“浓度”高，是因为去年大家认为真机数据比较容易规模化：对本体公司来说，批量输出本体，真机数据就能批量迭代。
然而，真机数据昂贵、采集效率低，而且受限于机器人数量。对于需要数十万小时乃至百万小时训练数据的具身基础模型来说，仅依靠机器人采集几乎无法满足需求。
丁哲章观察到，过去半年来，具身智能模型厂商的数据需求更多转向人类数据，并以此作为预训练的核心“燃料”。因为这种方式采集更容易、规模可以更大，天然与高算力、高云端存储、预训练大模型的需求更契合。
与此同时，丁哲章指出，仿真合成数据的声量也减弱了。相较于仿真合成数据，人类数据的场景丰富性、物理属性、任务泛化度来得更容易。仿真合成数据最大的难度是在仿真环境里重建物理规律、尽可能拓宽任务范围，现在无本体采集下，人穿戴很简单的一个设备，放到任何场景就能把场景数据采下来。
“所以原先用来填量的仿真数据，一部分转换到了无本体、人类数据。”
当然，对于数据类型的选择，每家具身智能公司的策略存在区别。
丁哲章指出，现在也还有一部分主要用仿真合成数据的公司，有些人也会采用混合方式，在预训练阶段用“仿真合成数据 + 人的数据”混合，在后训练阶段用真机数据，再混一点仿真合成的边缘案例（corner case）。
丁哲章表示，仿真合成数据最大的优点是在仿真环境中训练、迭代和测试不会损伤机器人本体，所以涉及小脑运控、危险环境交互的场景，还是会用仿真来加速训练过程。
“但大体上的趋势是：一，以人为本的数据，它的浓度和大家对它的认可度明显提升了；二，真机数据是这里面永远扔不掉的——不管在哪条路线下，最后到真机那一块，都需要用真机数据来确保它在物理世界落地实施的效果。”丁哲章说道。
不过，丁哲章也强调，人类数据虽然采集更容易、数据获取更快速，但后端“到本体的转化”过程更重要，整个“从采集到训练转化”的总代价其实差不多。所以如果只看采集的量，人的数据显然更好采；但深入到后处理和转化，代价就补回来了。
飞轮未启动但产业机会已来
尽管具身智能数据采集范式在不断调整，但整个行业发展仍处于非常早期的阶段、数据飞轮尚未启动，高质量数据的稀缺性仍会在很长一段时间内持续存在。
在这一背景下，即便过去一年来机器人市场热度持续走高，丁哲章也认为，市场对具身机器人能做的事的期望，和它真正的能力之间存在差距。
“今年找我们聊机器人落地的人明显变多了，但真正已经大规模落地的案例有没有明显增加？我打问号。”
在他看来，当前机器人能力提升的最大瓶颈，就是缺少真实场景下的持续数据迭代。
因此，艾欧智能更看好一种渐进式商业化路径：机器人以部分自主方式进场，人类通过遥操作完成剩余任务，随着机器人不断积累真实运行数据，再逐步提升自主能力。
这一思路，与自动驾驶的发展路径颇为相似。
自动驾驶真正实现快速迭代，并不是因为一次性拥有了足够多的数据，而是量产车辆不断回传真实道路数据，形成了"采集—训练—部署—再采集"的数据飞轮。
而具身智能，目前仍处于数据飞轮启动之前。
丁哲章预计，未来两到三年内，随着越来越多机器人进入真实场景，通过“部分自主+部分人工遥操作”的方式完成任务，真实世界的数据将持续回流，行业有望逐步建立起自己的数据飞轮。
虽然数据的稀缺让具身智能离真正走入千家万户还有很长时间，但对于具身智能产业链而言，机会则在大量涌现。
据华尔街见闻了解，因为人类数据采集需求持续且大量，很多以前做传统数据服务或大模型数据服务的公司，突然开始大力推进具身方向的数据业务。这背后是因为，人类数据采集的门槛相较真机数据门槛更低。
腾讯云异构计算产品副总监黄阳也透露，2026年腾讯云具身智能相关算力消耗规模相比2025增长约4至5倍，其中数据清洗占大头。“具身智能模型训练本身的算力需求变化其实并不是很大，最近的增长都发生在数据采集这个阶段。”
黄阳表示，具身智能数据处理需求量大，客户在选择云厂商合作时会关注未来可持续供给的能力以及性价比。腾讯云可以提供不同规格和不同水平的芯片，同时提供一些软件来帮客户提高算力利用率。给艾欧智能用的方案整体成本能下降30%以上。
此外，像艾欧智能这样的数据服务商也更紧密地与云厂商捆绑在一起。
据悉，艾欧智能与腾讯云的合作已深入到数据平台的底座层面——腾讯云提供底层的存储与算力，艾欧智能负责前端的入口与管理，双方共同支撑从采集、清洗、标注到训练调度的全链路；艾欧智能的数据平台工具也已入驻腾讯云的应用入口。
在艾欧智能跨境远程遥操作的场景里，腾讯云通过TRRO 方案为控制流与图像流提供稳定、安全的传输，并在弱网条件下做基础保障，让“人在深圳、机器人在美国”的跨国遥操作成为现实。
有云厂商人士指出，数据越是往“以人为本”的方向走，对底层基础设施的依赖就越强。
换言之，当行业把人类数据当作预训练燃料时，云端的存储、算力与传输技术栈，正是让这批数据真正“跑起来”的底层条件。
具身智能竞赛不仅仅属于机器人整机厂商。数据服务商、云计算平台、算力提供商等，都加入了战场。而围绕数据展开的新一轮竞争，也将成为决定具身智能商业化速度和产业格局的重要变量。
Comments