當業界集體呼喚具身智能的“ChatGPT時刻”，數據正成為整個行業最大的“渴點”。

洗碗做飯、負重搬運、精密制造……在2026世界機器人大會上，機器人集體打工“班味兒”越來越濃。然而，熱鬧背后，一道現實考題亟待解答——具身智能如何擺脫“數據飢渴”，真正走向規模化“上崗”？

數據缺口，到底有多大？

真實世界的物理交互數據，是具身智能真正從“看懂世界”邁向“改變世界”的關鍵要素。

數據顯示，當前國內真實物理交互場景合規數據僅50萬小時，而機器人商業化落地需要數千萬小時數據，缺口超過99％。

這是一個從“十萬”到“千萬”量級的差距。

“這種缺口，直接導致模型泛化能力不足。”京東雲總裁曹鵬表示，當前機器人產業仍處於爆發前夜，遲遲未能真正爆發，原因是機器人“大腦”的泛化性不足，而根源正是真實場景數據的匱乏。

數據供給，究竟卡在哪？

世界機器人大會期間，多家參展企業對記者表示——場景、成本是數據供給的核心卡點。

在RoboScience機器科學展台，同一套模型能夠支持不同的靈巧手換裝、作業。公司創始人田野介紹：“這些抓取看似基礎動作，卻同時考驗視覺理解、空間定位、接觸判斷與運動控制。”

“物理世界的性質，通常很難通過其他模態獲得。”在自變量機器人創始人王潛看來，真實世界的物理交互數據具有“不可替代性”，與互聯網語言、視覺數據存在本質差異。

對初創企業而言，具身智能數據採集面臨效率低、成本高兩大核心挑戰。比如，傳統的真機數據採集依賴真實場景，不同場景難以復用﹔在成本方面，傳統遙操作數據採集單條有效數據成本約10至50元，而訓練一個機器人通常需要數萬到數十萬條數據。

數據困局，突破口在哪？

“我們要建立統一的數據底座。”

開放原子開源基金會理事長謝少鋒指出，當前數據格式的異構性導致了嚴重的數據孤島，需要建立一套涵蓋數據採集、標注、格式、質量的通用標准，構建大規模、多模態標准的數據集，源源不斷地共享高質量的數據集。

墨奇智能聯合創始人兼CTO黃青虯表示，當前行業接觸到的具身數據質量是不夠高的，並且缺乏統一的標准，“真實場景的數據質量，遠比數據數量更重要。”

“仿真是一個關鍵技術。”在曹鵬看來，仿真技術可以進一步放大數據體量，同時能夠高效地做效果評測，讓模型使用過程中部署成本和模型訓練成本都可以極大降低。

原力靈機聯合創始人范浩強表示，核心突破口是“真機數據閉環+具身原生架構+仿真與合成數據聯動”：以高質真機數據建立物理直覺﹔利用物理引擎生成海量極端場景，補充長尾數據﹔在真實場景中先“跑起來”，持續吸納反饋自我迭代。

“飢渴”背后，蘊藏機遇

具身智能的“數據飢渴”，也在催生新的機遇。本屆大會期間，眾多參展商宣布了關於數據採集的行動計劃。

依托超級供應鏈，京東將在兩年內採集超過1000萬小時人類真實場景數據，同時採集超過100萬小時機器人本體數據。

港股上市公司仙工智能正式成立具身智能數據子公司，依托超50萬小時真機數據，專注打造真實世界數據基礎設施。

在奧比中光展台，無本體EGO第一視角、UMI手持操作、WristCam腕部近場、Hub同步中樞等數據採集硬件矩陣集中亮相。

……

當數據從“瓶頸”變為“引擎”，具身智能的規模化落地或將迎來真正的拐點。誰能率先填平這道數據鴻溝，誰就有可能在這場智能革命中搶佔先機。