过去三年，行业各方把大量资本和人才投入到硬件本体与模型算法上——谁能做出更灵活的机器人，谁就能占据资本与舆论的制高点。
刚刚举办的 2026 世界机器人大会上，机器人制造商“百家争鸣”，纷纷亮出看家本领，集中展示最新技术与产品。随着具身智能加速走出实验室、迈向真实场景，行业竞争也正在从“比技术”转向“比落地”，一场围绕实际应用与商业化能力的较量正全面展开。
到了 2026 年，战局正在悄然扭转，竞争的重心正在从硬件和大脑转向数据。行业逐渐意识到一个残酷的事实：没有足够多的高质量训练数据，再好的机器人也只是中看不中用。如果把具身智能比作士兵，那么数据就是粮草，而“粮草”问题，远比想象中严峻。
当前具身智能训练数据形式并未收敛，各种各样的数据内容层次出现、正是话语权争夺的“春秋战国”时代。
数据为什么已经成为具身智能的核心瓶颈
有一组对比可供参考：大语言模型可以依靠互联网上数十年积累的海量文本数据完成训练，GPT-2 和 GPT-3 的训练数据分别对应约 79 万小时和 1100 万小时。但具身智能呢？截至 2026 年初，全球高质量真实物理交互数据总量仅约 50 万小时。
2026 年 7 月，李飞飞在 a16z 的访谈中也提到：机器人面临一个极其困难的问题，就是非常缺乏数据，无论是训练数据还是评估数据都严重不足，大语言模型只需要理解语义，但机器人必须理解物理世界，一个物体的重量、摩擦力、形变，以及空间中的位置关系、障碍物布局。这些信息不是"看到"就能获取的，必须通过真实世界的物理交互才能采集。
而真实世界的采集，远比想象中困难。不同型号的机器人、不同的工作场景、不同的光照和物体条件，采集到的数据几乎不通用。一台机器人在 A 工厂学会的抓取技能，换到 B 工厂的产线上就要重新训练。
数据的紧缺，就阻碍了具身智能快速、规模化的进入真实世界。
具身智能训练数据的“粮草”都有什么种类？
第一类是真机数据。
真机数据是目前数据质量最高的方案，它的采集逻辑很直接：人通过 VR 头显和遥操设备远程操控真实的机器人，让真实机器人完成各种任务，同步采集动作与环境数据。
真机数据的优点是数据保真度高，它直接来自真实机器人的传感器反馈，采集的数据能直接反映机器人操作习惯，为复杂动作提供可靠的数据基础。
缺点也十分突出，一个字——贵。一台机器人硬件成本动辄几十万，采集员需要全天候值守。更致命的是，不同型号机器人的数据不通用，难以跨本体使用。
（图源网络）
第二类是 EGO 数据，也就是第一视角人类数据。
人类每天都在拿东西、开门、做饭、整理物品，这些行为本身就是巨大的具身智能数据来源。Ego-Exo4D 等项目已经开始大规模记录人类第一视角行为。EGO 数据的优势是规模大、成本相对低，可以帮助模型理解人类如何与世界交互。
（图源网络）
第三类是 UMI 数据，即通用操作接口数据。
UMI 的核心思路是把“人的示范”和“机器人”进行捆绑。人类可以通过一个类似夹爪的小型操作设备完成真实操作，系统再把这些动作转化为机器人能够学习的数据。这样可以降低机器人数据采集成本，对于聚焦单一操作任务的中小企业而言，UMI 数据成本更低、可用性更强。
（图源网络）
第四类是仿真合成数据。
仿真合成数据是在虚拟物理世界中批量生成的机器人操作数据。它有点像打电子游戏——在电脑里构建一个虚拟的物理世界，让机器人在里面反复练习。
仿真数据的优点是成本极低、可无限生成、可覆盖各种危险或难以在现实中复现的场景。仿真数据生成成本仅为真机采集的约百分之一，且能快速切换任意环境，这是真机采集无法比拟的效率。
但它的缺点是存在显著的 Sim2Real Gap——由于仿真环境很难 100% 还原真实世界的物体形变和物理特性，仿真数据往往存在偏差，直接迁移到机器人上时会出现“水土不服”，训练出来的策略搬到真机上往往表现不佳。
（图源网络）
未来趋势：仿真合成会成为最终答案吗？
面对上述四种数据类型的各自短板，行业一直在探索最优解。
早期工业依赖实物制造和反复试验，研发成本高、周期长。随着标准化实验、工程测试和计算机技术的发展，越来越多的试错从生产现场转移到实验室和数字空间，CAD、CAE、CFD 等设计仿真工具由此成为现代工业研发的重要基础。进入物理 AI 时代，工业时代这一发展历程同样也在悄然发生。
2026 年 7 月，李飞飞的 World Labs 发布“Real-to-Sim-to-Real”引擎。它的核心逻辑是：在仿真环境里批量生成那些在真实世界中极难采集的训练数据。整个策略完全在仿真中完成训练，全程不使用任何真机数据，仅靠仿真数据就完成了从仿真训练到多种机器人真机迁移，真正实现了 0 样本真机训练。
在此之前，艾伦人工智能研究所（AllenAI）发布相关实验论文《MolmoBot: Large-Scale Simulation Enables Zero-Shot Manipulation》已经表明：在机器人训练任务中，构造一个零真机数据的仿真训练场，并生成海量多样化场景——随机变换房间布局、物品类别、光照条件、视角角度和物体位置，模型在训练中掌握的是任务底层的通用逻辑，完全不需要接触真实世界数据。训练完成后直接迁移到实体机器人上，效果甚至超过用昂贵真机数据训练出的顶级模型。
（图源网络）
从过去一年具身行业的发展来看，春秋战国终将走向统一。从工业发展的历史规律来看，仿真的规模化应用，几乎是必然的终局。仿真不是替代了真实，而是让昂贵的真机数据被高效地放大和利用。因此，未来的竞争重点可能不再只是“谁拥有更多机器人”，而是谁拥有更多、更丰富、更还原真实世界的世纪模型。
从众趣科技，为具身智能建一座对齐真实世界的“训练场”
在过去，三维扫描的主要价值是把房间、园区、建筑等真实空间数字化，让人能够在数字世界中查看和管理现实空间。而能更快、更精准、更低成本地把真实世界的空间结构“搬”进数字世界，是行业一直在努力的方向。在这个方向上，众趣科技已经积累了十余年。
在进入物理 AI 时代以后，这些空间数据有了新的价值：它们可以进一步成为具身智能理解、训练和模拟真实世界的模拟器。
截至目前，众趣科技已累计复刻超 50 亿平方米的真实三维数字空间，覆盖从百平米室内到大型园区的各类场景，形成了国内规模领先的真实空间数字化资产库。
但仅仅把空间“搬”进数字世界还不够，众趣正在做的是第二步：基于真实世界扫描生成的三维模型可转换为兼容 OpenUSD 标准的数字资产，接入基于 NVIDIA 机器人生态的 Isaac Sim/Lab/Newton 等开放框架开发的智能体和应用，并进一步用于具身智能训练和大规模评测，最终形成“Real-to-Sim-to-Real”完美闭环。
这意味着，众趣科技已积累的海量数字孪生空间，不再只是给人看的世界模型渲染器，而是可以直接成为具身智能可以进去训练、试错、迭代的“世界模型模拟器”。
我们判断，随着仿真引擎的不断进步，正如高端制造业过去 30 年发展经历一样，具身智能的训练数据之争终究会走上“仿真+真机”的成长路线：机器人要在真实世界工作，首先得有一个足够真实的仿真环境，这将是具身学习最扎实的底座（正如我们的学校教育一样），最后再加上有限高质量的真机数据（岗前培训），就形成机器人完美的成长教育体系。
而众趣科技，正在用十几年积累的海量真实空间数据和领先的空间智能能力，铺下这场战役的第一块基石。
参考文章：
《构建用于人形机器人学习的合成运动生成流程》康纳·史密斯，Peter Du——NVIDIA
《具身智能进入数据竞争下半场：千万小时真实交互数据成核心瓶颈》DONEWS
《当Github7万星标遇上产业老兵》36氪品牌
《在宿迁，窥见世界模型争夺战的数据采集前线》周远方——科工力量
《破解具身智能数据瓶颈：哪条技术路线才是最优解？单选Or并行？》机器觉醒时代——维科网
《MolmoBot: Large-Scale Simulation Enables Zero-Shot Manipulation》艾伦人工智能研究所（AllenAI）、华盛顿大学、普林斯顿大学等
在线咨询
400-779-7900
空间采集设备
云平台
房产营销
展会展厅
智慧园区
公共安全
文博旅游
电商零售
电力能源
