主旨报告
2026DAC全球数据资产大会
在9.9主论坛上，许杰焜老师从“编程范式”到“数据范式”的转变切入，系统阐述了数据如何驱动物理世界智能化。
为什么要“数据驱动”？
许杰焜老师指出，传统机器人需工程师逐行编写代码，将动作拆解为精确指令，开发周期长且难以应对非预设场景。而数据驱动的具身智能通过模仿人类行为数据自主习得技能，能快速适应新环境并掌握复杂的物理交互能力。
他进一步指出数字世界与物理世界的数据鸿沟：大模型坐拥约100亿小时人类文本语料，而具身智能的高质量交互数据仅约50万小时，万倍差距导致机器人泛化能力受限。唯有打破数据采集的成本壁垒，才能突破物理智能的“冷启动”瓶颈。
数据如何驱动物理智能？
三条路径的演进与融合
真机遥操作：操作员通过同构设备或外骨骼远程操控真实机器人，实时同步采集“状态-动作”精准配对数据，是VLA模型行为克隆训练的核心真值来源，但依赖人工操作导致成本高昂。
无本体采集：利用轻量化穿戴设备或手持终端，直接复刻人类操作逻辑，数据采集与机器人本体完全分离，大幅降低采集成本，全球超2/3顶尖具身智能团队已采用此模式。
仿真与合成：在虚拟空间中复刻真实物理规则，让智能体进行低成本、无风险的海量试错，覆盖长尾场景与极端工况，作为低成本、规模化的数据“燃料库”。
三者协同互补，构建低成本、高效率、高精度的数据闭环体系。
数据驱动在产业中怎么落地？
许杰焜老师分享了三个产业信号：
数据即商品：四川自贡卖出首笔具身智能数据集订单，300条“撕飞边”数据成交价3万元，100元/条；
数据即估值：光轮智能2026年估值突破150亿元，成为全球首个具身数据独角兽；
数据即基建：三大运营商集体入局，戴盟机器人获中国电信亿元投资。
他同时介绍了数据飞轮的核心逻辑：机器人部署到真实场景产生数据（尤其是失败数据）→数据回流驱动模型迭代进化→更优模型赋能更多场景与设备→采集更多高质量数据，如此往复实现智能系统的持续升级。
瓶颈与未来方向
许杰焜老师指出，数据可用性挑战依然突出：原始数据很多，但真正能进入模型并稳定复用的数据很少。世界模型与“预测驱动”正成为核心范式——从“被动反应”到“主动预测”，赋予模型“想象”能力，在行动前评估并选择最优策略。
他提出三个确定性趋势：
场景适配：无唯一解，“完全无本体”与“真机依赖”将长期共存；
商业跃迁：数据即价值，商业模式从“卖硬件”向“卖数据服务”转型；
渐进演进：数据定上限，这是一场以十年为尺度的“马拉松”。
在产业布局上，他建议关注底层·数据基础设施、中层·数据工具链、顶层·垂直场景闭环三个层次。他特别提到，厦门市已发布《具身智能产业发展三年行动方案（2026—2028年）》，明确支持打造具身智能数据集、推动数据共享。
为什么要“数据驱动”？
“数字世界坐拥100亿小时文本语料，物理世界仅有50万小时交互数据——万倍数据鸿沟，是具身智能必须跨越的冷启动瓶颈。”
“仿真并非替代真实数据，而是作为低成本、规模化的数据‘燃料库’。”
“谁能率先跑通数据飞轮，谁就能最快实现商业化落地。”
EAIA具身智能公共服务平台发布
2026DAC全球数据资产大会
精彩回顾
2026DAC全球数据资产大会
精彩内容
往期推荐
点赞关注不迷路
