所有具身智能公司，都在争夺同一个数据闭环- 大数跨境

首页

所有具身智能公司，都在争夺同一个数据闭环

九顶创业生态圈

2026-07-08

导读：未来 12 到 18 个月，谁能率先在半开放场景跑通第一个真实数据闭环，谁就掌握了下一阶段的竞争主动权 ——

未来 12 到 18 个月，谁能率先在半开放场景跑通第一个真实数据闭环，谁就掌握了下一阶段的竞争主动权 —— 这将直接影响资本与客户对行业玩家的重新估值和押注。

上海创智学院副教授、智元首席科学家罗剑岚直言：“未来 12~18 个月，行业的一个关键节点就是真实部署带来的数据闭环。不管部署规模多大，只要数据是真实的；谁能真正在半开放场景里把第一个闭环跑通，这将是决定性因素。”

今年以来，海内外头部具身智能企业都在全力冲刺，在家庭、工厂、商业三大场景争抢落地部署机会。为了抢节奏，多数公司选择走软硬件一体化路线：从机器人本体、智能大脑，到数据采集设备、灵巧手与核心关节，全部攥在自己手里，避免因依赖第三方拖慢进度，核心目标就是把数据闭环牢牢掌握在自己手中。

为什么全行业都在抢数据闭环？

赛道玩家的动作密度已经说明了一切。智元机器人完成了业务赛道的重新布局：主线侧重工业场景，实控的上纬新材以 “上纬启元” 品牌切入消费市场，同时布局灵巧手公司临界点。6 月底，智元开启工厂产线作业直播，落地龙旗科技南昌工厂；“启元 Q1” 个人机器人正式发布，主打便携可折叠，并将在深圳、上海开设线下体验店。

千寻智能的推进节奏同样迅猛。创始人兼 CEO 韩峰涛透露，公司已组建上千人的数据采集团队，年底将扩充至四千人，目标今年采集百万小时数据，明年冲击千万小时量级，战略上按 6:3:1 的比例推进家庭、商用、工业场景齐头并进，目前已拿下博世、宝马等标杆合作客户。

银河通用则从去年起落地无人零售、无人药店点位超百个，工业重载机器人进入极氪、宁德时代、奔驰等工厂，还联合智源研究院在酒店落地清洁机器人。值得注意的是，宁德时代同时是多家机器人企业的采购方，产业布局野心显著。

这股风潮并非国内独有。美国具身智能领头羊 PI（Physical Intelligence）也开始在全球包括中国大量建厂采集交互数据。业内分析，PI 受限于美国本土制造业场景不足，不得不通过海外建厂弥补数据采集短板。

全行业疯狂抢数据的底层逻辑，是对标特斯拉的 “数据飞轮” 效应

过去十年，特斯拉通过大规模部署车队构建了完整的数据飞轮：车辆行驶产生真实数据，数据回流训练模型，优化后的模型再下发车队解决更长尾的问题，循环往复形成正向闭环。这给具身智能行业的启示非常明确：真实数据是模型能力的核心来源，而真实数据只能通过真实部署获得。

当前具身智能领域的真实数据储备还极度匮乏，有业内人士形容 “连一颗黄豆的体量都没到”。而数据飞轮一旦转起来，就是极深的护城河 —— 追赶者需要投入同等的时间、资源和场景积累才能追上，但先行者已经持续向前迭代。

罗剑岚坦言，全球资本都在观望具身智能领域的爆发信号，一旦有企业真正跑通闭环，大量资金就会快速涌入。对创业公司而言，速度就是最大的优势，正如 OpenAI 在谷歌的护城河内撕开缺口，Anthropic 靠规模化成长到谷歌、Meta 都无法轻易撼动的体量。

从技术路径看，今年下半年到明年上半年将是世界模型的训练高峰期，模型泛化能力是核心竞争点 —— 没有规模化的真实数据，就没有模型泛化；没有泛化能力，就谈不上规模化商业部署。

银河通用 CTO 王鹤解释，所谓基础模型的泛化能力，就是把人类无需专门学习的通用技能做到 70%-80% 的成功率，再搭配极低的部署门槛，让普通操作人员就能一键完成模型落地。

千寻智能将行业发展分为两个阶段：第一阶段打磨基础模型泛化性，把后训练成本降到分钟级，大幅压低边际部署成本，让场景落地的后训练数据需求降低 60%；在此基础上进入第二阶段，数千万乃至上亿台机器人进入真实世界作业，数据持续回流，实现零样本解决更多问题。

有具身智能独角兽 CTO 直言，做具身智能的优先级非常清晰：先做数据，再做基础设施，最后探索模型结构。规模尚小时，基础设施的价值无法体现，投入数据采集的收益最大；等到部署量上来，再完善基础设施；两者都夯实了，再去优化模型结构才是事半功倍。

具身智能的 “大脑”，到底需要什么数据？

大语言模型靠 30 万亿 token 训练出了 GPT，具身智能则需要一整套覆盖不同场景、不同能力维度的数据体系 —— 这也是各家企业同时布局工业、家庭、商业多场景的原因，不同场景的数据对模型的训练价值、训练方式完全不同。

工厂场景
追求极致节拍与高精度，对模型的工艺适配能力要求极高。产线容错率低，一次失误就可能影响整条产线效率，因此需要针对具体场景做强化学习与后训练，保障作业成功率与生产节拍。
家庭场景
不追求作业速度，核心价值是训练模型的泛化能力与多场景适应性。每个家庭的环境都不相同，对成功率的容忍度相对更高，甚至无需大量后训练即可部署，是快速积累开放环境数据的最佳场景。
无人零售、药店、酒店清洁等限定商业场景
是当前最务实的落地路径。无需全场景泛化，即可通过数据闭环实现落地商用，一边产生收入一边积累数据，是多数企业的选择。

行业普遍有 “一旦家庭场景的活儿能干好，其他场景都能适配” 的判断，但也有观点认为，工厂要求的高成功率与家庭要求的强泛化性是两种不同的能力，当前模型层面尚无法统一，只能双线并行迭代。

落地难度上，工厂场景的门槛最高。无锡数据集团总经理陈青表示，工厂数据采集需要直接对接企业一把手，企业核心顾虑是工艺泄密，而非采集补贴。目前无锡数据集团已与 12 家工业伙伴签订长期采集协议，目标锁定 30-50 家以上市公司为主的企业，通过长期合伙人机制，从数据采集试点逐步走向产线智能装备升级。

家庭场景的独特价值，在于能让真机在开放环境中探索真实的交互数据。人类能模拟的训练环境可能不到真实世界的 1%，机器人会在什么地方犯错，只有它自己进入环境后才知道。让机器人自主探索、试错，再由人工兜底纠正，这类探索式数据的价值凌驾于其他数据之上。

数据光谱：从高精到泛化的不同价值

业内常用 “数据金字塔” 形容不同数据类型的定位，也有人将其比作 “光谱仪”—— 不同类型的数据对应不同的能力价值，全场景落地几乎需要覆盖全光谱数据。

当前行业的数据采集重心，正从传统的遥操作、仿真，转向 EGO+UMI 的 “内容数据”，用更低成本驱动更强的模型泛化与落地能力。

其中，EGO 第一视角数据今年热度极高，京东、蚂蚁、美团等企业正通过众包模式快速扩张规模，有业内人士判断未来单日采集量即可达到 100 万小时。而千寻智能副总裁丛源良认为，UMI 数据将成为未来主流 —— 它通过轻量化设备采集人类真实操作，与机器人本体解耦，同一套数据可被不同机器人复用，相比 EGO 精度更高，相比遥操作成本低得多。

触觉数据也是全行业公认的必攻方向。上海交通大学长聘教轨助理教授穆尧表示，像穿针引线这类精细操作，触觉反馈的作用至关重要。但触觉数据集的构建难度极大，穆尧团队多次尝试后转向仿真引擎，通过仿真实现了螺纹配合、齿条啮合、柔性衣物处理等复杂任务的力与触觉数据规模化生成。

数据采集模式也在发生变革。北京智源人工智能研究院理事长黄铁军认为，世界模型与具身智能时代，实时交互数据占比会越来越高，传统建数采中心、专人操控机器人的模式成本并不合理。

更可行的方向是让数据采集融入真实生产生活：比如让工厂工人佩戴采集设备边工作边采集，只需小幅增加薪资；未来智能眼镜等穿戴设备普及后，人们工作与生活的第一视角可以自然完成数字化，和自动驾驶的数据采集逻辑一致 —— 车辆在路上跑，数据就同步完成采集。甚至像乒乓球陪练机器人这类产品，在提供服务的同时就能零成本甚至盈利式地完成数据积累。

为什么非要把闭环攥在自己手里？

行业一个显著的变化是：去年还有不少企业走产业链分工路线，有人做大脑、有人做本体；今年越来越多公司转向软硬一体化，从本体、模型、数采设备到灵巧手、核心关节全部自研。

银河通用 CTO 王鹤的观点很有代表性：所有的技术秘籍，最终都会变成公共知识。行业终局一定是巨头的赛场，创业公司唯一的竞争优势就是速度。要快就必须做全链路闭环，硬件环节如果依赖第三方，就会被拖慢节奏，因此必须把核心环节控制在自己的环路里。

数据采集设备就是各家自研的重点。千寻智能从 2024 年开始研发数采设备，至今已迭代七个版本，去年 12 月正式落地，预计今年下半年成本还能实现 10 倍下降。穆尧也表示，数采设备与方案必须自己掌握，否则很多创新想法会因为硬件不匹配而无法落地 —— 从相机布置、传感器配置到人机协同方式，每一个细节都会影响数据质量。

它石智航联合创始人、首席科学家丁文超将整个系统比作梯度传递的链路：具身行业尚处早期，模型与应用的需求还没有充分传导到上游硬件，市面上的通用硬件完全满足不了规模化应用的要求。因此必须自研软硬件，将末端传感器配置、硬件形态、数据采集方式、部署推理效率放在同一个系统里联合优化，这些细节才是 VLA、世界模型这些概念背后真正的技术壁垒。

数据管线，是当前具身公司比拼的另一个核心焦点。

市面上 EGO、UMI 数据供应商的质量参差不齐，优质供给极少，企业不得不自建完整的数据质检与规范体系，搭建专属数据管线。如果数据质检、过滤、标注全靠人工，成本会高到无法承受，必须靠模型闭环提升效率、降低成本。数据管线的核心目标，是把人类的单点经验沉淀进系统，让数据迭代逐步走向自主化，其中最关键的是实时性 —— 在采集过程中同步完成质检，而非事后补救。

对比海内外，海外企业在闭环上反而遇到了瓶颈。业内人士分析，海外企业普遍软硬分离，模型训练与数据采集分处不同地区，沟通成本高，数采设备也难以快速迭代，无法形成高效的数据反馈。相比之下，软硬一体化是国内具身企业的核心优势：当前各家模型层面的差距并不大，真正拉开差距的是数据积累速度，而国内企业在真机数据积累上明显更快。