2026 年 4 月，斯坦福 HAI 發(fā)布的《AI Index Report 2026》揭示了具身智能的殘酷現(xiàn)狀：機器人操控在仿真環(huán)境中的成功率高達 89.4%，但在真實家庭場景中驟降至 12%。

這 77 個百分點的“遷移鴻溝”（Sim-to-Real Gap）成為行業(yè)當下所有動作的注腳：特斯拉在 2025 年 Q4 財報會上坦言，Optimus 目前的首要任務并非干活，而是通過實地運行進行數(shù)據(jù)采集；“十五五”規(guī)劃綱要明確提出統(tǒng)籌布局具身智能實訓場；不到一年時間，國內在建或建成的具身智能訓練場接近 30 家。

最強勢的玩家、最高層的政策、最密集的基礎設施投入，全部圍著同一件事打轉：那 77 個百分點要靠什么補上。

去年比模型，今年比數(shù)據(jù)

步入 2026 年，具身智能的行業(yè)敘事發(fā)生了變換。

最直觀的體現(xiàn)，在于全球權威機構對“人形機器人數(shù)據(jù)”地位的重新定義�！堵槭±砉た萍荚u論》在 2026 年度 AI 洞察中，將其列為當下最重要的命題。其核心邏輯在于：大語言模型靠海量文本學會了生成語言，那人形機器人能不能靠海量運動數(shù)據(jù)學會在真實世界里干活？

然而，描述人類運動方式的數(shù)據(jù)集遠不像互聯(lián)網文本那樣現(xiàn)成。智元機器人創(chuàng)始人之一、覓蜂科技 CEO 姚卯青曾在 4 月的一場發(fā)布會上給出一組對比數(shù)據(jù)，大語言模型 GPT-5 訓練語料折合約 100 億小時，而全行業(yè)匯聚的高質量具身數(shù)據(jù)僅約 50 萬小時，差距以萬倍計。

樂聚機器人技術總監(jiān)王松也曾深度剖析具身智能行業(yè)的核心痛點。他指出，當前人形機器人產業(yè)發(fā)展面臨本體與小腦技術趨于成熟，但“大腦”進化嚴重受阻于數(shù)據(jù)的困境。真機數(shù)據(jù)是模型落地的最后一步，也是關鍵一步，而訓練場則是規(guī)�；⑾到y(tǒng)化生產真機數(shù)據(jù)的基礎設施。

為了湊出這個數(shù)據(jù)集，全行業(yè)開始走出實驗室：在中國的訓練場，工人穿戴外骨骼和 VR 設備重復著枯燥的動作；在阿根廷和印度，零工們通過拍攝家務視頻換取報酬......

這種集體轉向并不是偶然�！拔覀兛梢詤⒖甲詣玉{駛做一個粗略的對照。訓練一個 L4 級自動駕駛模型，所需數(shù)據(jù)量通常以百萬小時計；而人形機器人的自由度、操作復雜度、場景多樣性比自動駕駛高出 1 到 2 個數(shù)量級，對應的數(shù)據(jù)規(guī)模差距也在這個量級。也就是說，訓練一個具備開放世界泛化能力的具身基座模型，所需真機數(shù)據(jù)量大致在數(shù)百萬到上千萬小時之間�！蓖跛杀硎�。

那能不能用仿真來補？

仿真擅長足式運動等剛體動力學任務，但在“接觸豐富”（contact-rich）的場景下力有不逮。2025 年的一項研究指出，仿真器難以建模零件形變、非線性摩擦及柔性物體（如衣物、流體）的物理特性。工業(yè)精密裝配或家庭折疊衣物時，由于建模成本和算力開銷甚至高于真機采集，仿真無法完全替代現(xiàn)實。

在真實部署的“最后一公里”，真機數(shù)據(jù)仍是跨不過的門檻。仿真環(huán)境是理想化的，而現(xiàn)實充滿變量：光照改變、物體移位或杯子重了 50 克，都可能導致模型失效。補齊 77% 的成功率缺口，依靠的不是更大規(guī)模的模型，而是覆蓋多變量、多樣本的真機數(shù)據(jù)。

這一行業(yè)共識，在樂聚的實踐中得到了最直接的驗證：400 條高質量真機數(shù)據(jù)訓練效果遠超 1,300 條低質量數(shù)據(jù)，模型迭代時長由 7-10 天縮短至 2-3 天，整體飛輪效率提升 3 至 4 倍，設備部署成功率從不足 60% 提升至 90% 以上。

此外，樂聚率先跑通了真機數(shù)據(jù)的商業(yè)化閉環(huán)。依托規(guī)�；柧殘鲶w系，數(shù)據(jù)服務成為獨立業(yè)務，落地服務一汽、海晨物流、兆豐等實體企業(yè)。其以真實產業(yè)場景、成熟商業(yè)交易，切實證明：真機數(shù)據(jù)既是技術迭代的核心抓手，也是具身智能走向規(guī)�；逃玫年P鍵支撐。

機器人的“練兵場”

采集真機數(shù)據(jù)并不容易，單臺機器人動輒數(shù)十萬的成本、關節(jié)磨損的維護開銷，以及低效的遙操作，使得數(shù)據(jù)采集成為一種高壁壘的行為。

這也是為何數(shù)據(jù)“訓練場”已從企業(yè)內部設施演變?yōu)榫呱碇悄墚a業(yè)的公共基礎設施。2025 年以來，建設具身智能訓練場這一產業(yè)共識正在快速轉化為國家層面的戰(zhàn)略部署，“十五五”規(guī)劃綱要明確提出統(tǒng)籌布局具身智能實訓場，推進虛實融合協(xié)同訓練。

根據(jù)中國信通院聯(lián)合清華大學電子工程系發(fā)布的《具身智能發(fā)展報告（2025年）》，國內已建成或計劃在建的訓練場已接近 30 家。石景山人形機器人數(shù)據(jù)訓練中心作為目前全國最大的中樞，通過“采集-清洗-標注”的全流程閉環(huán)，年產高質量訓練數(shù)據(jù)超 600 萬條；上海張江則聚焦異構機器人訓練，計劃形成千萬級數(shù)據(jù)集，力圖打破不同本體間的數(shù)據(jù)孤島。

頭部企業(yè)在這場數(shù)據(jù)飛輪競爭中表現(xiàn)尤為激進。

比如，樂聚在全國參與建設了十個訓練場，年產真機數(shù)據(jù) 2,500 萬條。數(shù)據(jù)覆蓋輪臂、靈巧手、全身運控全維度，橫跨工業(yè)、商服、家庭、康養(yǎng)四大類，共 219 種場景、1,751 個任務、5,592 個物體。

LET 數(shù)據(jù)集全平臺下載量突破 100 萬次。60,000 分鐘真機數(shù)據(jù)免費開源，另有數(shù)萬小時真機數(shù)據(jù)已交付行業(yè)客戶——從開源影響力到商業(yè)變現(xiàn)，一面服務開源生態(tài)，一面服務具身基模數(shù)據(jù)產業(yè)。

根據(jù)公開信息，其近期發(fā)布的訓練場 2.0，提出了 LET 三級數(shù)據(jù)體系，覆蓋輪臂、靈巧手與全尺寸人形，并要求全信號同步誤差控制在 10ms 以內，并通過 1:1 還原智能制造和智慧物流場景，極大地縮短了模型在現(xiàn)實環(huán)境中的進化周期。這種“訓練場模式”不僅壓低了單條數(shù)據(jù)的生產成本，更實現(xiàn)了跨本體、跨場景的知識遷移。

而更深層的戰(zhàn)略在于與模型廠商的深度綁定。作為螞蟻靈波等核心團隊的合作伙伴，樂聚為其 LingBot-VLA 模型提供了覆蓋多種構型的萬小時真機數(shù)據(jù)。這種合作不僅讓樂聚的數(shù)據(jù)深度嵌入了主流算法的成長路徑，也讓其硬件本體成為了模型訓練的標配載體。加上近期推出的科研框架 2.0，通過降低動作采集門檻來賦能整個科研圈，樂聚的野心已經很明顯：不只是賣機器人，而是要成為具身智能時代那個不可或缺的基座平臺。

搶灘真機數(shù)據(jù)

其他公司如智元試圖通過獨立實體覓蜂科技來解決行業(yè)的數(shù)據(jù)荒漠問題；宇樹招股書顯示，計劃將近一半的募資投向模型和數(shù)據(jù)；京東規(guī)劃建設大規(guī)模數(shù)據(jù)采集中心，計劃兩年內儲備千萬小時級優(yōu)質數(shù)據(jù)......

海外巨頭的動向同樣印證了這一趨勢。特斯拉在工廠內部署大規(guī)模 Optimus 真機測試與數(shù)據(jù)采集體系，以真實產線場景反哺模型迭代；Figure AI 則通過真實工業(yè)產線長期部署與多樣化真實世界環(huán)境數(shù)據(jù)采集，構建了高效的數(shù)據(jù)飛輪，持續(xù)反哺模型的迭代升級......

要訓練一個真正通用的機器人“大腦”，高質量的真機數(shù)據(jù)是必不可少的燃料�！�2026 全球具身智能產業(yè)投資風向標》中明確提到， 2026 年是具身智能的交付元年，投資應聚焦具備“真機數(shù)據(jù)閉環(huán)”的團隊；最早構建“場景-數(shù)據(jù)-成本”自強化飛輪的企業(yè)，將獲得定義未來的非對稱優(yōu)勢。

當然，在現(xiàn)階段，仿真數(shù)據(jù)在大規(guī)模預訓練和策略探索中依然不可替代，行業(yè)仍需面對真機與仿真的閉環(huán)對齊、數(shù)據(jù)隱私、以及跨平臺復用等現(xiàn)實難題。但目前的共識已經非常明確：要補上那 77 個百分點的成功率差距，不能只靠增加模型的參數(shù)規(guī)模，必須靠覆蓋更多場景、更多變量、甚至更多失敗樣本的真機數(shù)據(jù)。

真機數(shù)據(jù)的稀缺是行業(yè)最大的制約，但同時也是最大的機會點。在這一輪競速中，誰能率先通過訓練場模式實現(xiàn)高效、低成本的數(shù)據(jù)獲取，誰就更有機會率先跑通通用人形機器人的量產之路。

1.https://www.caict.ac.cn/kxyj/qwfb/bps/202601/P020260130541978285206.pdf

2.https://www.ndrc.gov.cn/fggz/fzzlgh/gjfzgh/202603/U020260317369114704096.pdf

3.https://hai.stanford.edu/assets/files/ai_index_report_2026.pdf

4.https://www.technologyreview.com/2026/04/21/1135656/humanoid-data-robot-training-ai-artificial-intelligence/

5.http://jjckb.xinhuanet.com/20260202/47b05862a0e340abab5a516775917bc0/c.html

運營/排版：何晨龍

注：封面/首圖由 AI 輔助生成