萬億具身智能賽道，被數據卡住了

當前，通用人工智能的討論逐漸從文本與圖像轉向物理世界，具身智能——賦予AI以物理身體，使其能感知、理解和交互真實環境，而這些正成為全球科技競賽的下一個關鍵戰場。

然而，與語言模型時代“數據天然存在”的繁榮景象不同，具身智能的“大腦”模型正陷入一場前所未有的“數據饑渴”。訓練一個能在復雜、長時序任務中泛化的具身智能大腦，需要的不再是萬億級的文本Token，而是高質量、多模態、時空對齊的“人類行為數據”。這背后，是一場從硬件架構、數據采集到處理范式的系統性革命。

資本熱追，但仍不“完美”

據國務院發展研究中心?預測，中國具身智能2030年達4000億元人民幣，2035年突破萬億元。與此同時，中國信通院?《具身智能發展報告（2025年）》中，首次將具身智能納入國家未來產業重點，2025年全球市場規模195.25億元人民幣。

2026年開年僅前三個月，國內具身智能賽道融資規模已近300億元，融資事件同比增長63%。光輪智能斬獲超5億美元融資，創下國內該領域融資紀錄；逐際動力完成2億美元B輪融資，估值超過10億美元；星海圖再獲20億元B+輪融資——資本正以加速度涌入這條賽道。

與賽道火熱相對的，具身智能在真正走進生活，走進產業的過程中，卻并不是一帆風順。英特爾研究院副總裁、英特爾中國研究院院長宋繼強曾明確指出：“當前具身智能的發展，正處于‘提升能力上限’與‘保障能力下限’的雙重攻堅期。大家都在展示機器人的智能能力，但很少有人關注它表現不佳時該怎么辦——這正是產業化必須跨越的鴻溝”。

雖然我們已經有了諸如宇樹科技、銀河通用這些具身智能“本體”的制造商，他們造的機器人已經具備了充分的靈活度，能完成翻跟斗、跳舞等“表演”，但這些技術的背后更多的是通過提前預編輯好的程序執行的。換句話說，雖然當前的具身智能“小腦”已經足夠發達，但在“大腦”層面，如何能讓機器人更具有“活人感”，更像人一樣，通過自主思維去執行指令，是接下來產業關注的焦點。

對此，簡智新創聯合創始人朱雁鳴告訴筆者：“今天大家看到的所有具身智能公司，其實它們真正模型化的能力，仍然停留在一些非常短時序的簡單任務上，比如疊衣服、倒水、拿杯子。” 這揭示了當前產業的普遍現狀：演示驚艷，但實用尚遠。這些精心設計的演示任務，往往在受控環境下完成，距離能夠應對家庭、工廠、物流等真實場景中復雜、多變、長鏈條的任務要求，還有巨大差距。

朱雁鳴認為，當前具身模型在學術上仍需突破，而在產業化和商業化上的差距更大。這種差距的核心在于，現有模型缺乏對物理世界的深刻理解和魯棒交互能力。去年行業普遍推崇的VLP（視覺-語言-規劃）路徑，其底層是語言模型，擅長基于文本指令進行規劃，但其生成的行動“本質上只是基于語言規劃出的軌跡和行為”，與真實物理世界中“認知-行動-獲得物理反饋-產生新認知”的持續閉環相去甚遠。

因此，產業共識正在轉向構建 “世界模型”。世界模型的核心是讓AI理解底層的物理規律，如摩擦力、剛體動力學、空間關系等，而不僅僅是進行語言描述下的軌跡規劃。這標志著具身智能的發展從“模仿語言邏輯”進入“學習物理法則”的深水區。

這個過程中，一個有趣的趨勢是：大量智能駕駛（智駕）領域的人才涌入具身智能賽道，簡智機器人核心成員便多來自智駕背景。朱雁鳴指出，這種遷移并非偶然，而是因為兩者在技術棧（如視覺-語言-動作模型VLA、環境模擬）和產品方法論上存在深刻共鳴。更重要的是，智駕領域所錘煉出的 “數據驅動閉環” 的產品迭代架構，即“通過真實數據持續訓練、測試和優化模型”，正是當前具身智能從演示走向實用所亟需的工程化能力。智駕從業者對物理環境交互反饋、系統測試與迭代的實踐經驗，能夠加速具身智能產品的開發進程。

然而，無論是追求世界模型的理論突破，還是借鑒智駕的工程經驗，都指向同一個核心瓶頸：高質量訓練數據的極端匱乏。

具身智能的“數據困境”

如果說算力是引擎，算法是藍圖，那么數據就是燃料。沒有合適的燃料，再強大的引擎和精妙的藍圖也無法驅動具身智能駛向現實的彼岸。這促使一批像簡智機器人這樣的創業公司，沒有選擇去“卷”模型本身，而是轉向了為行業提供“數據基座”這一更具差異化價值的基礎設施賽道。

拓斯達具身智能業務線-矩陣智拓CMO王琪也曾表示，數據痛點主要體現在三個方面：一是數據標準不統一，不同企業的機器人本體構型不同，產生的數據難以互通，形成數據壁壘，“比如當前構型產生的數據能用，但是對另外的構型來說是有門檻和壁壘的”；二是數據采集難、成本高，工業場景的復雜性導致數據采集難度大，且采集設備與人力成本高昂，尤其是對于中小企業而言，難以承擔大規模數據采集的成本；三是數據隱私與安全問題，企業擔心開放產線數據會泄露核心工藝，導致其不愿配合數據采集，“部分頭部企業，其核心產線里面一些東西，他們自己人都進不去，我們只能暫時先等待行業規范進一步成熟，先把眼前開放的場景做完”，王琪直言。

訓練一個強大的具身智能大腦，尤其是世界模型，對數據提出了近乎苛刻的要求。單從數據采集這一點來看，其需求可以概括為三個關鍵維度：多模態、高精度、強因果。而當前主流的數據采集方案，在這三個維度上均面臨顯著痛點。

多模態層面，人類通過與世界的交互來學習，這個過程融合了視覺、聽覺、觸覺、力覺乃至本體感覺（知道四肢位置）。同樣，具身智能模型需要重建這套多感官輸入。朱雁鳴強調，觸覺等非視覺模態的價值“更多是作為監督，或者作為結果的校驗與反饋”。例如，區分兩毫米和一毫米的螺絲，視覺可能難以分辨，但觸覺反饋的差異是明顯的。然而，當前許多采集方案嚴重依賴單一視覺，導致觸覺、力覺等關鍵模態數據缺失或質量低下。

高精度層面，模型訓練需要數據在時間和空間上高度對齊。時間上，不同傳感器的采集頻率不同，如何確保“手觸摸到杯子”的觸覺信號與視頻畫面中的接觸幀嚴格對應？空間上，需要將手部動作精確還原到以頭部或環境為基準的絕對坐標系中。傳統方案存在固有缺陷：柔性手套因佩戴差異和自身形變，導致每次測量的絕對精度不穩定；純視覺方案在手被物體遮擋（如伸入抽屜取物）時立刻“失明”，數據中斷。朱雁鳴指出，這些精度漂移和遮擋問題，在家庭或工業場景中是導致方案“不可用”的重要原因，采集到的低質量數據甚至會向模型注入“物理幻覺”。

強因果層面，最終用于訓練的數據，必須是一條條完整的、可解釋的“行為鏈”。它不僅僅包含“做了什么”（動作序列），還要包含“為什么這么做”（認知與決策），以及“結果如何”（物理反饋）。例如，數據需要記錄“看到水杯（視覺）-決定去拿（認知）-移動手臂并調整手指姿態（動作）-感受到杯子的重量和滑移趨勢（觸覺/力覺反饋）-微調握力（調整）-成功拿起（結果）”這一完整閉環。傳統采集方式只能記錄動作和部分視覺，因果鏈是斷裂的。后期若依靠大量人工進行標注和串聯，成本極高且難以規模化。簡智機器人方面透露，以他們每周處理超2萬小時數據的需求估算，若全靠人工，需要近5000人的標注團隊，這完全不現實。

顯然，現有的采集技術卻無法高效、高保真地生產這種數據。相對于具身智能硬件“本體”的發展迅速而言，數據瓶頸，已成為鎖住具身智能大腦進化速度的那把最沉重的鎖。

傳統方案滿足不了“新需求”

面對模型訓練的嚴苛需求，數據采集技術本身必須進行一場深刻的范式轉移。傳統的數據采集方案已經難以適應當下的需求。比如柔性穿戴設備精度不足、視覺采集易受遮擋、多模態數據難以對齊、采集效率低下等問題，嚴重影響了數據的質量與規模。要解決這些問題，必須通過技術創新，重構數據采集的硬件架構與軟件流程，構建一套高精度、多模態、高效率、低成本的數據采集體系。

在硬件層面，針對手部姿態捕捉的精度與穩定性問題，主流方案是柔性手套+IMU，其本質是通過算法估算關節角度，存在物理形變帶來的固有誤差。而將傳統柔性采集設備迭代成與人類骨骼更相似的剛性采集設備。這種仿生學設計，通過剛性連接直接測量關節的相對位移，從物理上消除了柔性變形誤差。

朱雁鳴表示，通過外骨骼式剛性結構+磁編碼器的方式，從根本上解決了柔性結構帶來的精度問題。“人的手是由骨骼構成的，我們就用骨骼的方式去捕捉人的數據，”朱雁鳴解釋道，簡智機器人采用外骨骼結合磁編碼器的剛性連接結構，測量所有關節的相對位移，這種方式能夠實現高穩定性和高精度的姿態捕捉，避免了柔性變形帶來的誤差。

這正是簡智機器人Gen DAS Dex的核心硬件設計邏輯，據朱雁鳴介紹，其外骨骼結構不僅能實現全自由度覆蓋，還能依托自研磁編碼器實現超高精度檢測，同時兼顧輕量化設計，將自研磁編碼器尺寸壓縮至僅3mm，整體體積與常見滑雪手套相當，實現穿戴無感，不影響用戶正常操作；采用合金與彈性聚合復合物材質，結合重心與結構的輕量化設計，設備整體重量僅210g，即便面對復雜操作、精準抓取等場景，也能完美記錄手部動作，無負重感干擾。

同時，為了進一步提升精度與穩定性，團隊還引入了實時校準與補償機制。在每個編碼器和剛性角度檢測環節，實現端側實時校準；同時，通過編碼器內置的絕對溫度檢測，對溫度變化產生的漂移進行補償。此外，通過振動反饋、觸覺反饋和視覺反饋的多特征融合，將整體漂移量降至接近于零的水平，確保在不同手型、不同場景、不同環境下，數據的精度穩定性都能得到保障。

在觸覺層面，他們摒棄了低分辨率的方案，自研了高分辨率磁觸覺傳感器。其目標不僅是感知“有無接觸”，更要實現面陣式的三維力感知（法向力與切向力），以捕捉滑動、紋理、硬度等豐富信息。朱雁鳴解釋，這能讓模型學習到“微應變”等臨界狀態信息，對于理解摩擦力等物理規律至關重要。

與此同時，為解決視覺遮擋這一致命問題，簡智機器人設計了“端側定位+頭手協同”的解決方案。在手背位置集成IMU，并在手部下方配備獨立的攝像頭，通過單手SLAM（同步定位與地圖構建）技術，結合頭與手的相對位置信息，進行時空坐標的還原。這種方式能夠在短時遮擋或部分遮擋（如手伸入抽屜取物、手攥成團等場景）下，維持良好的持續定位能力，定位漂移量達到毫米級，確保數據采集不中斷。

在更底層的系統同步上，他們通過自研SoC和通訊協議，實現了硬件的嚴格時鐘同步，并將多設備間通訊延遲控制在1毫秒以內。在軟件層面，利用“觸覺接觸”等高置信度事件作為“真值”，對多模態數據進行動態校準與因果對齊，形成了 “端側雙循環動態校準”機制，確保長時間采集的精度不漂移。

采集只是第一步，將原始數據加工成模型可用的“人類數據”是更大的挑戰。朱雁鳴分享了簡智機器人的解決辦法：他們開發了一個端到端的處理模型，輸入是原始多模態數據流，輸出即是時空對齊、因果閉環、帶有語義解釋（COT）的標準化數據包。

這套系統帶來了效率的指數級提升：首先，在采集端通過算法進行實時質檢，過濾無效動作；其次，自研壓縮算法將多路視頻流數據壓縮至原始大小的2%，且不損失關鍵信息；最后，通過流式傳輸和云端的數據基礎模型自動化處理，將原本需要數千人年的標注工作，壓縮到一個小型團隊即可管理。這使得大規模、多樣化的數據采集成為可能。

當行業集體意識到“世界模型”需要數據來喂養時，一場圍繞數據基座的深度創新已然展開。從剛性仿生硬件到端側智能融合，再到數據基礎模型驅動的自動化處理，這些系統性突破正在試圖回答一個根本問題：如何高保真地記錄人類在物理世界中的經驗，用于訓練機器人。這場“數據基座”的革命正悄然奠定著具身智能融入物理世界的基石。誰掌握了高效生產“人類數據”的能力，誰就可能掌握了打開通用具身智能時代的鑰匙。

（文｜Leo張ToB雜談，作者｜張申宇，編輯丨楊林）