缺口超过99％，全国都在“火爆”上马

2026世界机器人大会展区，一块屏幕正在播放“擦桌子”的特写。机械手指触碰桌面，力度、角度实时微调。但这并非机器人自主决策。屏幕旁，现场观众正头戴采集设备，手持手柄遥控操作，体验“教”机器人干活。机器人的第一视角画面同步传到屏幕上，这段视频经处理后将成为训练机器人干活的教材。

与去年厂商争相展示跳多高、跑多快不同，今年大会焦点悄悄让位给了那些“教机器人干活”的数据采集展位。一批定位为“数据基础设施”“物理AI数据基座”的专业服务商首次集中亮相，它们不造整机，不训大模型，只为机器人产业提供最底层的数据支撑。“现在的具身智能机器人相当于十年前的自动驾驶。”北京人形机器人创新中心具身智能数据与训练基地负责人夏华林告诉《中国新闻周刊》，机器人所需数据比自动驾驶多数个量级。真实世界的物理交互数据，是具身智能从看懂世界迈向改变世界的关键。中国信息通信研究院发布的《具身智能训练场研究报告（2026年）》显示，截至2026年6月底，全国建成启用超70家训练场，在建或规划46家，但这还远远不够。

8月6日，安徽合肥市具身智能机器人数据采集预训练场内，83台来自不同企业的机器人在家居、商超、工业等领域的30余个复刻场景中开展实训。摄影/本刊记者 韩苏原

“任务越来越难”

“拿起桌上浅蓝色盘子，放在白色托盘上。”在华东某机器人训练场，一位“00后”训练师正对着麦克风下达训练指令，随即操纵机械臂完成抓取、平移、放下。这一个看似简单的动作，她一天要重复上百次。仅这一个零件分拣任务，该训练场已采集了三四万条数据。

这些由视频、力反馈和关节角度组成的“教学素材”，经清洗后成为高质量数据喂给大模型，目标是把机器人的“大脑”训练得更聪明。“现实中，高质量数据支撑不到位，机器人就永远摆脱不了遥控大玩具的标签。”该训练场数据采集负责人郑鑫坦言。

由此带来的变化正在全国各地的训练场中悄然发生，一线数据采集师最直接的感受是：任务越来越难，容错率越来越低。

8月10日，位于北京市石景山区的人形机器人数据训练中心内，上百台机器人正在训练师的带领下学习人类的生产生活技能。图为训练师带领机器人练习快递分拣。摄影/本刊记者 贾天勇

在北京石景山，全国规模最大的人形机器人训练中心内，数采组组长付金珑注意到，今年以来，数据采集任务的复杂度和质量要求都在变高。以前练习夹取物体，没夹住可以重试一两次，只要最终完成任务，就算一条合格数据。现在动作必须一次成功、流畅自然，稍有迟疑或抖动，整条视频就作废。

这种“苛刻”源于场景需求的升级。付金珑举例，在家庭场景中，“端盘子”这一动作的训练标准，已从简单的“抓—拿—放”进阶为“行进间盘子里的东西不能洒、不能晃”。

需求侧的变化非常明显。刻行时空联合创始人郑宇靖近期介绍，早年用ARX机械臂就能采数据，今年市场对全身控制数据的兴趣明显上升；采集末端从夹爪升级到灵巧手，现在连“手的大小”都有要求。这些都说明，机器人正进入物理世界更丰富的场景。

夏华林回忆，去年一家对数据质量要求极高的客户，在全国考察一圈后又选回该中心，今年不仅复购，数据采购量更是翻了10倍以上。

数据需求变化的背后，是具身智能从“重展示”到“重训练”的转变。智元合伙人王闯曾在2026世界人工智能大会期间回顾，2024年行业还在做演示Demo，2025到2026年，重心已经转向量产和真实场景落地。

今年6月，工业和信息化部、国务院国资委联合印发通知，正式启动2026年度人形机器人与具身智能实景实训专项行动，行动明确要求，到2026年底形成百个以上高价值应用场景，并带动万台级规模落地能力。

在这一背景下，各地陆续建设的机器人训练场，不再只是机器人的练功房，而是被赋予了破解产业核心瓶颈的战略意义。

在北京人形机器人创新中心的数据与训练基地，这种训练规模更为壮观。这里有150台真机、40种不同构型的机器人，以及近百台无本体虚拟设备同步采集数据。基地负责人夏华林将这种模式称为“矩阵式采集”，旨在打破数据壁垒，实现跨机型、跨场景的复用。

“机器人来训练场相当于上学。”夏华林喜欢用学校作比：从走路、抓拿放这类简单任务，到复杂的工厂电路板、精细设备操作，“训练场更像是一个循序渐进的综合性学校，而不再只是机器人幼儿园”。

数据严重匮乏

“机器人做什么，取决于喂给它什么数据。”郑鑫介绍，机器人用旁观视角的数据训练，看到的是动作外在形态，却无法感知执行者的内在决策，而这些隐藏在动作背后的逻辑，才是具身智能需要学习的核心。

这也是京东云在今年大会展台一比一还原家庭场景，让家政阿姨以人类第一视角（Egocentric）整理台面的原因。她擦拭桌角的手臂动作、身体姿态，乃至在多个任务间切换的操作节奏，通过多路传感器被完整记录下来，转化为机器人可学习的数据。

然而，即便是海量的人类第一视角视频，也存在天然的感官缺陷。“视频里只有看到，没法摸到。”夏华林指出，一个合格的抓取动作，不仅需要视觉信息，更需要实时力反馈、分布式触觉感知以及电机扭矩的连续变化，而头戴式摄像头无法记录这些物理交互信息。

在2026世界机器人大会上，各种人形具身机器人亮相展示。左图：机器人跳绳。右图：墨奇智能的一台机器人在演示将洗衣机内的衣物取出放入烘干机。

正因如此，北京人形机器人创新中心的训练基地同时保留了VR遥操、穿戴式动捕、头戴式采集、虚实结合等多种方式。“目前行业还没有收拢到哪种方式采集质量最高，能最大程度满足模型要求。”夏华林预测，未来很可能不是单一某种采集方式就能完成很好的模型训练和落地，而是综合性采集融合的方案。他把这套结构形容为“数据金字塔”，最底层是人的视频和无本体采集，中间是仿真数据，塔尖是真机数据。

事实上，业内对数据金字塔分层并未形成定论。但所有金字塔都指向同一个事实：数据严重匮乏。目前，国内真实物理交互场景合规数据仅50万小时，行业内部认为，机器人商业化落地需要数千万小时数据，缺口超过99％。

“具身智能无法像大语言模型或自动驾驶那样坐享其成。”夏华林举例，大语言模型可以“吃”已有的文本，自动驾驶数据可以通过车辆采集，而汽车是相对成熟的消费品。相比之下，具身智能需要数据从零开始“喂养”。即便有互联网上的教学视频或日常录像，但因缺乏关键标注，无法直接映射到机器人的感知—控制链路。

“越往金字塔顶端，数据越昂贵，采集难度也呈指数级上升。”付金珑到训练中心工作不满一年，已经轮转过工业、厨房、家庭服务等多个类型场景，现在管着10个工位、10台机器人和10名采集师。采集数据要变成最终教材，中间隔着清洗、标注、结构化处理等一长串环节。以他的经验，一名熟练采集员一天工作8到10小时，有效数据往往只有三分之一到二分之一。

更深层的挑战在于物理世界的复杂性。美国机器人企业发布的Figure 03，官方称其指尖触觉传感器可感知低至3克的压力，并据此展示出对鸡蛋等易碎物品的抓取能力。而在仿真环境中表现优异的模型，一旦结合真实场景，往往出现水土不服的情况。

“具身智能不是更难版本的自动驾驶，而是一个完全不同的技术轨道。”夏华林总结，智驾的对手是复杂道路，而具身智能的对手，是整个物理世界的无序、柔性、多模态和长尾。这也是为什么这个领域的规模化法则（Scaling Law），没法简单复制智驾的成功路径。

2026年7月，贵州贵阳市，一些数据采集师为具身智能设备、智能穿戴设备进行数据采集。图/新华

“自己造自己”

把一张纸板折成纸盒，付金珑只用了两三分钟。但他把这个动作交给机器人，用了14个小时，失误率高得让他一度以为“这个动作教不会机器人了”。

直到两周前，他的领导发来一段视频：机器人折纸盒，全程零人工干预，动作丝滑。这是付金珑今年最有成就感的一次教学体验，“见证了机器人如何变得更聪明”。

一个折纸动作，从采集数据到看见模型“干成”，隔了七个月。整个行业的“ChatGPT时刻”还要等多久？

佐治亚理工学院助理教授、NVIDIA AI研究员徐丹飞给出一个参照：机器人要迎来类似GPT-3的能力跃迁，可能需要1亿小时的高质量人类数据。酷哇科技联合创始人彭湃分析，这些数字多是拿语言模型的Token转化效率去猜的，“行业还没到那个阶段，很难被证伪”。

2026年7月，贵州贵阳市，一些数据采集师为具身智能设备、智能穿戴设备进行数据采集。图/新华

“拐点出现前要堆多少小时数据，行业没有定论。”夏华林的感受是，当前机器人的智能水平相当于10年前的自动驾驶，真机数据眼下只有数十万小时，年底可能到百万小时。

在北京人形机器人创新中心训练基地二楼，机器人正在学“自己造自己”。近5000平方米的训练场，一比一复刻了工业智造等六大类30余个细分场景，包括插电源线、搬箱子、拿扫码枪扫码，机器人在产线上反复练习。这些机器人在训练场里采的每一组数据，训练出的模型，都将装进下一代机器人的大脑。

机器人行业分析人士Georg Stieler估计，2026年生产的人形机器人中，可能有50％至70％进入“数据工厂”，主要用于采集训练数据。这意味着大量昂贵的机器人本体当前的首要用途不是干活，而是采集数据训练下一代机器人。

“真实工作场景中，眼下还需要人与机器人配合，且必须先从容错率较高的环节切入。”夏华林说，即便在训练阶段已经把真实设备搬进场景，部署到工厂环节后，适配率也很难达到100％。真实产线会出现各种特殊工况，极端情况需要在真机干活过程中被发现，再回流到数据管线，重新训练模型、重新部署。

宇树科技创始人王兴兴在2026世界机器人大会上分析，目前全世界范围内的很多AI模型，在一个固定场景上做足够的采集训练，成功率基本上可以做到接近100％。但只要操作的物品或者环境稍微换一下，成功率就会严重下降。

在王兴兴看来，当前具身智能最大的瓶颈在于AI模型的输入输出与真实物理世界的对齐程度严重不足。宇树自己也承认，目前机器人虽然能做一些简单的装配，但效率跟人比起来还是低一些；每遇到新任务就要重新训练，泛化能力有限。这也是机器人产品至今未在工厂、家庭大规模推广的根本原因。

王兴兴的定义很具体，当一台机器人在80％的陌生场景中，仅凭语音或文字指令，能顺利完成约80％的任务，那就是具身智能的“ChatGPT时刻”。

在受访从业者看来，眼前最重要的事不是等一个“时刻”降临，而是把数据飞轮先转起来。展示能力，拿到订单，一点点扩展场景，进一步积累数据，才有可能智能涌现。“这是一个过程，可能随着模型能力增强，不会等太久。”夏华林说。

（应受访者要求，文中郑鑫为化名）