99%的具身智能公司，都困在「数据」里

高质量具身智能数据缺口近千万小时。

具身智能热点依旧，但风口之下，绝大多数机器人创业公司都面临一个绕不开的现实难题：缺数据。这已经成为制约产品落地的最大短板。

某具身智能技术负责人直言，“行业里有个很普遍的现象，机器人永远是实验室表现更好”。

他表示，同款算法、同款硬件，在测试环境里运行稳定、精准度高，可一旦落地真实场景，不管是工厂车间还是普通家庭，出错概率大幅上升，整体稳定性拉垮。

我们观察发现，这不是算法不行，也不是硬件短板，本质是机器人见过的真实场景太少，没有足够数据应对物理世界的各种复杂变化。

相比AI大模型，具身智能想要自主完成抓取、移动、精密操作，必须依靠视觉、力觉、触觉结合的实景动态数据支撑。

当前全球范围内，适配机器人物理交互的高质量数据极度稀缺，完全支撑不了通用机器人模型的训练需求。

对一众初创公司而言，这已经不是单纯的技术问题，而是关乎生死的问题，由此，行业的成本结构早已悄然改变。

如今具身智能机器人，最烧钱的环节不再是算法研发、硬件打磨，而是数据相关工作。数据交易网调研数据显示，初创公司40%至60%的研发投入，都花在了数据采集、清洗和标注上。

中小型团队没有足够资金搭建常态化、规模化的数据采集体系，只能依靠少量公开数据集和小范围测试数据勉强训练模型。直接导致产品适配场景极窄，只能用于展会、实验室演示，很难投入真实商用。放眼全行业，整个具身智能赛道暂无统一的数据采集标准，也没有通用的标注规范。各家企业都是独立研发、独立采集，数据格式、参数标准完全不互通。

时间一长，行业形成了无数个数据孤岛。不同品牌机器人的传感器布局、关节结构各不相同，就算企业拿到同行的数据，也无法适配使用。更何况线下实地采集的数据里，近四成都是存在错位、缺失问题的脏数据，无法投入使用，消耗团队的人力、资金。

为了使具身智能更好的智能，业内企业只能根据自身实力，摸索不同的数据积累方式。

资金雄厚的头部企业选择重资产模式，自建专业数据工厂，通过真机反复实操采集数据。这种方式产出的数据精准度高、实用性强，但投入成本极高，是中小团队完全复制不了的模式。

多数初创公司只能退而求其次，采用低成本的众包采集模式。依托广大用户、社会人力，批量采集物流、家庭、商超这类标准化简单场景的数据。这种方式可以快速做大数据体量，但弊端十分突出，采集标准混乱、数据精度参差不齐，只能满足基础模型训练，适配不了工业精密作业的商用要求。

仿真合成数据，是目前行业最通用的折中方案。

企业搭建虚拟物理引擎，在数字场景中批量生成机器人动作数据，不用线下实地采集，大幅压缩成本，解决了初创团队初期无数据可用的困境。

但虚拟场景无法百分百复刻真实世界的细微偏差、突发状况和各类边缘案例。这也是很多机器人仿真测试数据完美，落地实景就频繁失灵的核心原因。另外，通过视频、可穿戴设备提取动作数据的方式，只能补充视觉信息，缺失关键的力觉、力度控制数据，只能治标，不能治本。

互联网大厂的入局，正在慢慢打破行业的数据僵局，各家的布局路径十分清晰。

京东盘活线下零售、物流的实景资源，搭建起完整的数据采集、训练、交易体系，对外开放海量真实场景数据。百度聚焦算力和大模型底层配套，为硬件创业团队提供全方位训练支撑。

6月5日，华为云在INSPIRE创想者大会上，发布全球首个全流程具身智能开发平台CloudRobo，同步上线具身智能专属专区，平台已于当月开启公测，正式布局具身智能赛道。

该平台主打全流程国产化能力，搭载PB级数据底座、云原生模型生产引擎，配套国内首套Real-Sim数据生产与评测体系。开发者可直接调用平台内置的百万级现成数据资产，以及20余款适配昇腾架构的模型资产。目前新松机器人、乐聚机器人、优艾智合、亿嘉和等行业头部企业，以及上海交大等高校机构，均已入驻专区。

华为云不涉足机器人本体制造，专注做行业底层服务商，通过数据、算力和开发工具，降低全行业的研发门槛。

头部具身智能厂商，如智元、宇树等大厂相继开放具身智能数据集，在某种程度上确实缓解了中小团队的燃眉之急，但解决不了行业根本痛点。通用标准化数据，只能适配简单、大众化的落地场景。工业生产、特种作业等垂直赛道，场景特征高度个性化，没有现成数据可以复用，相关企业依旧需要自主投入成本，采集专属场景数据。

数据短板，直接拖住了整个行业的商业化进度。

赛道陷入一个难以破解的循环：实景数据不足，产品稳定性不达标，拿不到商用订单；缺少真实落地场景和订单，企业又无法持续积累有效数据。不少在实验室测试表现优异的机器人，落地客户现场后故障频发，达不到商用交付标准，规模化落地更是无从谈起。

资本市场的风向也早已转变。

过去机构盲目追捧算法优势的时代彻底结束，如今评判项目只看两个核心硬指标，一是企业自有数据存量，二是真实场景落地能力。只掌握算法技术，没有数据、没有落地案例的初创团队，基本无法获得融资。

现阶段，行业依旧没有能彻底破解数据难题的最优解。头部企业持续重金扩建数据工厂、迭代仿真系统，中小团队则通过抱团合作、数据共享、轻量化采集的方式补齐短板。

物理世界的复杂性，注定了具身智能的数据积累无法速成。

这场长期行业竞争，早已脱离单纯的算法比拼，能否长期、低成本积累高质量实景数据，才是企业站稳赛道的核心关键。