21世纪经济报道记者 孙燕
“数据采集从去年上半年到今年上半年一直非常火热，但到了今年下半年，热度反而降了不少。”一位地方发改部门人士坦言。
热度降温的背后，是一个绕不开的矛盾：需求的缺口依然巨大，供给的质量却参差不齐。
中国信通院《具身智能训练场研究报告（2026年）》（以下简称《报告》）指出，模型要实现机器人“ChatGPT时刻”，至少需要千万小时级有效数据，而当前全球可用的高质量真实数据仅为数十万至百万小时级。
一位数采中心人士告诉21世纪经济报道记者，高质量真实数据之所以需求缺口巨大，与供给端的粗放式发展模式密切相关。以第一人称视角数据采集为例，这一赛道入局者众多，做法五花八门：找一个家庭主妇在闲暇时头戴采集头环，一天能产出三四小时的数据；如果几万人同时采集，一天就能产出几万小时的数据。然而，数字的膨胀并不等于价值的增长，对于训练模型而言，几万小时的重复数据意义有限。粗放式量产的数据与真正有价值的数据之间，仍然存在巨大差距。
与此同时，行业里还普遍存在“数据竞赛”式的宣传：不管是模型厂商、本体厂商还是各类数据厂商，都宣称自己拥有数万、数十万甚至上百万小时的数据量。为了撑起这些宣传数字而堆量生产出来的数据，质量必然参差不齐。“说到底，具身智能数据采集行业仍处于粗放的发展期，国家尚未针对具身智能行业数据出台标准，这也是行业亟待解决的问题。”
一边是千万小时级的真实需求，一边是粗放量产的低效供给，数据采集这一被寄予厚望的赛道，正在经历一轮从狂热到理性的祛魅。
双重动因
数据采集之所以热门，既源于具身智能落地的实际需要，也源于产业链上真实的盈利需要。
先看落地这一面。具身智能机器人从“拆箱”到“上岗”，并非一蹴而就，大致要经历“采数据—训模型—测场景”三步。
首先要采集数据，为模型训练供语料。以遥操作为例，操作员使用遥操臂等设备实时控制机器人本体，实现机器人与操作臂的动作同步，从而示范完成任务。在采集过程中，系统会同步记录多模态数据流，包括机器人摄像头录制的环境视觉信息、机器人本体状态（如关节角度、位姿、力矩）、操作输入指令以及力觉触觉数据等，并将这些数据严格按时间戳对齐，打包成一条条完整的任务演示轨迹。每条这样的数据即为一条训练具身智能模型的完整语料。
模型训练完，还需要接受真实场景的检验。通常，需要先搭建一个与真实场景高度相似的模拟环境，或直接在真实场景中进行部署测试。测试过程中，机器人会持续开展数据采集与模型训练，研发团队通过分析采集数据，能够精准发现其实际运行中暴露出的问题；随后，再回到模拟环境中，针对这些问题进行有针对性的数据补充采集与模型优化迭代——通过“场景测试—数据反馈—模拟优化”的闭环流程，机器人的任务执行能力才得以不断提升，实现从实验室到真实工作环境的平稳落地。
这套闭环能转多快，取决于任务的复杂度。前述数采中心人士指出，分拣螺丝等简单任务，可能只需要采集十几二十个小时，成功率就能做到90%以上。整车环视等复杂任务，则需要数百小时，才能支撑任务成功率超过90%。这数百小时并非对同一动作的简单重复，而要涵盖不同的光照条件、不同的作业位置以及不同的任务挑战，即让机器人能够适应各种环境。
再看盈利这一面。目前，机器人行业还远未实现规模化生产。以国内一些主流的头部集成厂商为例，一年的交付量在万台左右——规模效应发挥不出来，机器人的生产成本就降不下来，这也是绝大多数机器人本体厂商都在亏损的根本原因。
但企业要生存下去，总得找到自己的盈利方式。前述数采中心人士指出，数据采集这门生意是有利润空间的——虽然它是个辛苦活，但可能是目前最可行的赚钱途径。除了直接卖数据之外，另一个相关的盈利方向是卖数据生产的设备，比如头戴式采集设备等。
真机与无本体，支撑“预训练+后训练”
目前，业内真实数据的采集手段主要分为两类：一类是基于机器人本体的真机采集，包括遥操作、自主作业回流数据等方式；另一类是无本体采集，包括人类第一视角视频、末端操作数据、动作捕捉等方式。
这两类数据，对应着机器人训练的两个阶段：第一阶段是通用模型预训练，即把整个模型的框架搭建起来，让机器人具备抓取、放置、识别物品等基础能力，这一阶段主要依靠无本体数据。第二阶段是针对具体场景的开发，比如分拣、搬运、喷涂等任务。由于具体场景中要使用某一特定型号的机器人，因此需要用真机去采集数据，对模型进行后训练——在这个阶段，无本体采集的数据依然会作为辅助手段发挥作用。
值得注意的是，无本体数据采集的角色正在悄然升级。
“今年年初，业内还是以真机采集为主，大家在讨论数据采集时普遍认为是个伪命题。到了今年6月份，厂商的态度变成‘真机数据已经够了，我们需要的是无本体数据’。”前述数采中心人士回忆道。
在他看来，这一转变有两个原因：一是大模型训练的数据需求发生了变化，随着预训练阶段的推进，行业对海量、低成本通用数据的需求被激发出来；二是无本体采集这条路最早由美国推广，国内厂商看到国外的发展趋势后慢慢跟进，需求随之被带动起来。
不过，尽管真机数据价值突出，它却与本体的构型强绑定，迁移整合难度大、泛化成本高，通用性始终是个难题。
前述地方发改部门人士也指出，数据采集中心这一集中采集模式在运转中暴露出两大问题：其一，数据的通用性不足——用某一家机器人本体采集的数据，往往只有这家公司自己能用，一旦更换本体，数据便几乎失效；其二，成本高昂。
数据采集“生意经”
这门生意的成本，主要压在设备与人力两端。前述数采中心人士指出，一是设备折旧成本。以一台40万~50万元的机器人为例，其有效服役寿命一般仅为2~3年，折算下来，仅设备成本每年就约20万元。二是人工成本，即便是不依赖机器人本体的无本体采集，同样高度依赖人力投入，这也是一笔持续的开支。
而真机采集的数据与本体型号强绑定，换一台型号不同的机器人，数据就无法继续使用。这意味着，当一台机器人被淘汰时，它此前采集的数据也随之失去价值。因此，厂商必须在这2~3年的周期内，将机器人本体的成本全部赚回来，摊销压力非常大。
高成本、高摊销，直接反映在定价上。依据《报告》，简单非定制化无本体数据采集费用在每小时百元左右，真机数据因质量与成本原因，每小时数百元到上千元不等，复杂数据则根据需求定价更高。
尽管价格不菲，但数据的刚性需求依然催生出活跃的买方市场。记者了解到，目前采购真机数据的主体主要有三类：第一类是机器人本体厂商，他们需要训练自己的机器人；第二类是具身开源大模型厂商，他们希望做出一套通用化的开源具身智能模型；第三类是数据商。
之所以存在数据商这一中间环节，一方面是因为，大模型训练对数据量的需求极大，短期内可能就需要几十万小时；而单个数采中心的产能有限，一个月满负荷约能产出一两万小时，远不能满足需求。另一方面，生产出来的数据也不一定百分百符合模型训练的具体场景要求。因此，机器人厂商和模型厂商将来往往需要通过数据商去采购数据，数据商则从各个采集方整合货源，起到了供需匹配的桥梁作用。
数据生意的火热，也催生了一些备受争议的模式。上个月，“具身智能眼脑手第一股”梅卡曼德创始人兼CEO邵天兰的微信朋友圈截图，在行业内广泛传播。
“当前行业里存在一种商业模式：机器人厂商在卖出机器人的同时，承诺回购机器人采集的数据。客观来说，这种商业模式确实存在，而且看上去逻辑很合理——卖出去机器人，再回收数据，似乎是双赢。”前述数采中心人士表示，其本质上是“多次倒手”，更接近一锤子买卖。客户买了一批机器人，实际上只是把机器人当作数据采集的工具来用，等数据采得差不多、回购完成后，就不会再有后续的采购需求了。厂商并不是想让机器人落地，而是借卖机器人完成数据回收的闭环。
“这种模式可以让厂商短时间的业绩变好看，但不可持续。”他认为，健康、可持续的商业模式，核心在于机器人要能落地使用，而不是停留在表演层面。只有让机器人真正在工业、生活服务等各个方面落地使用，这个行业的商业价值才能真正成立。
具身智能，仍困在数据里。但困住它的，不只是数据本身。
