万亿具身智能赛道,被数据卡住了

2026-04-08 | 来源: 钛媒体APP | 转到微信 | 有0人参与评论 | 字体: 放大缩小 | 收藏 | 打印

然而，无论是追求世界模型的理论突破，还是借鉴智驾的工程经验，都指向同一个核心瓶颈：高质量训练数据的极端匮乏。

具身智能的“数据困境”

如果说算力是引擎，算法是蓝图，那么数据就是燃料。没有合适的燃料，再强大的引擎和精妙的蓝图也无法驱动具身智能驶向现实的彼岸。这促使一批像简智机器人这样的创业公司，没有选择去“卷”模型本身，而是转向了为行业提供“数据基座”这一更具差异化价值的基础设施赛道。

拓斯达具身智能业务线-矩阵智拓CMO王琪也曾表示，数据痛点主要体现在三个方面：一是数据标准不统一，不同企业的机器人本体构型不同，产生的数据难以互通，形成数据壁垒，“比如当前构型产生的数据能用，但是对另外的构型来说是有门槛和壁垒的”；二是数据采集难、成本高，工业场景的复杂性导致数据采集难度大，且采集设备与人力成本高昂，尤其是对于中小企业而言，难以承担大规模数据采集的成本；三是数据隐私与安全问题，企业担心开放产线数据会泄露核心工艺，导致其不愿配合数据采集，“部分头部企业，其核心产线里面一些东西，他们自己人都进不去，我们只能暂时先等待行业规范进一步成熟，先把眼前开放的场景做完”，王琪直言。

训练一个强大的具身智能大脑，尤其是世界模型，对数据提出了近乎苛刻的要求。单从数据采集这一点来看，其需求可以概括为三个关键维度：多模态、高精度、强因果。而当前主流的数据采集方案，在这三个维度上均面临显着痛点。

多模态层面，人类通过与世界的交互来学习，这个过程融合了视觉、听觉、触觉、力觉乃至本体感觉（知道四肢位置）。同样，具身智能模型需要重建这套多感官输入。朱雁鸣强调，触觉等非视觉模态的价值“更多是作为监督，或者作为结果的校验与反馈”。例如，区分两毫米和一毫米的螺丝，视觉可能难以分辨，但触觉反馈的差异是明显的。然而，当前许多采集方案严重依赖单一视觉，导致触觉、力觉等关键模态数据缺失或质量低下。

高精度层面，模型训练需要数据在时间和空间上高度对齐。时间上，不同传感器的采集频率不同，如何确保“手触摸到杯子”的触觉信号与视频画面中的接触帧严格对应？空间上，需要将手部动作精确还原到以头部或环境为基准的绝对坐标系中。传统方案存在固有缺陷：柔性手套因佩戴差异和自身形变，导致每次测量的绝对精度不稳定；纯视觉方案在手被物体遮挡（如伸入抽屉取物）时立刻“失明”，数据中断。朱雁鸣指出，这些精度漂移和遮挡问题，在家庭或工业场景中是导致方案“不可用”的重要原因，采集到的低质量数据甚至会向模型注入“物理幻觉”。

美移民执法局借机场安检数据逮捕逾800人

CNN曝:中国超级计算中心疑遭史上最大数据窃取

被掩盖的真相——苏联那些年,斯大林的数据政治

强因果层面，最终用于训练的数据，必须是一条条完整的、可解释的“行为链”。它不仅仅包含“做了什么”（动作序列），还要包含“为什么这么做”（认知与决策），以及“结果如何”（物理反馈）。例如，数据需要记录“看到水杯（视觉）-决定去拿（认知）-移动手臂并调整手指姿态（动作）-感受到杯子的重量和滑移趋势（触觉/力觉反馈）-微调握力（调整）-成功拿起（结果）”这一完整闭环。传统采集方式只能记录动作和部分视觉，因果链是断裂的。后期若依靠大量人工进行标注和串联，成本极高且难以规模化。简智机器人方面透露，以他们每周处理超2万小时数据的需求估算，若全靠人工，需要近5000人的标注团队，这完全不现实。

显然，现有的采集技术却无法高效、高保真地生产这种数据。相对于具身智能硬件“本体”的发展迅速而言，数据瓶颈，已成为锁住具身智能大脑进化速度的那把最沉重的锁。

传统方案满足不了“新需求”

面对模型训练的严苛需求，数据采集技术本身必须进行一场深刻的范式转移。传统的数据采集方案已经难以适应当下的需求。比如柔性穿戴设备精度不足、视觉采集易受遮挡、多模态数据难以对齐、采集效率低下等问题，严重影响了数据的质量与规模。要解决这些问题，必须通过技术创新，重构数据采集的硬件架构与软件流程，构建一套高精度、多模态、高效率、低成本的数据采集体系。

在硬件层面，针对手部姿态捕捉的精度与稳定性问题，主流方案是柔性手套+IMU，其本质是通过算法估算关节角度，存在物理形变带来的固有误差。而将传统柔性采集设备迭代成与人类骨骼更相似的刚性采集设备。这种仿生学设计，通过刚性连接直接测量关节的相对位移，从物理上消除了柔性变形误差。

朱雁鸣表示，通过外骨骼式刚性结构+磁编码器的方式，从根本上解决了柔性结构带来的精度问题。“人的手是由骨骼构成的，我们就用骨骼的方式去捕捉人的数据，”朱雁鸣解释道，简智机器人采用外骨骼结合磁编码器的刚性连接结构，测量所有关节的相对位移，这种方式能够实现高稳定性和高精度的姿态捕捉，避免了柔性变形带来的误差。