具身智能数据泡沫：估值飙升背后的商业真相与突围路径
数据荒：具身智能从“硬件内卷”到“数据突围”的必然转折
在2026年的AI版图中，具身智能不再仅仅是春晚舞台上表演舞蹈的明星，也不再是实验室里折叠衣物的新奇玩具。当资本的热潮退去，本体厂商们逐渐意识到，真正的瓶颈并非硬件的精密程度，而是“大脑”的匮乏。
一组对比数据揭示了残酷的现实：大型语言模型（LLM）预训练拥有数十万亿token，自动驾驶领域积累了百亿小时的数据，而具身智能目前公开可用的操作数据，仅仅停留在几十万小时级别。多家具身智能本体厂商坦言，数据已成为制约其从研发走向量产的最大短板。过去半年，这一缺口催生了一条独立的赛道——具身数据基建。资本闻风而动，光轮智能估值超20亿美元成为独角兽，简智机器人获巨头注资，觅蜂科技迅速独立融资。数据从训练环节的一个变量，在不到一年内演变为独立的资本赛道。这一转变背后，既是VLA大模型泛化瓶颈显现的信号，也是硬件出货节奏加快倒逼数据需求升级的结果。
然而，这条赛道的拥挤程度远超想象。真机采集成本高昂、场景覆盖分散、废片率居高不下，加之各家数据格式互不兼容，导致行业总数据量迟迟无法突破临界点。当缺口足够大，涌入的玩家足够多，泡沫与机遇并存的局面便不可避免。
四大采集路线：成本、质量与规模化的三角博弈
具身智能的核心在于“动作”的学习。不同于互联网上唾手可得文本或图像数据，机器人的操作数据需要“视觉-动作-力控-关节状态”的完整闭环。这种数据的稀缺性迫使行业探索出四条截然不同的采集路线，每条路线都在成本、保真度和规模化潜力之间进行着艰难的权衡。
第一种是真机采集，被视为数据质量的“天花板”。操作员佩戴VR/AR设备，通过遥操作系统控制机器人完成特定任务。智元、优必选等头部厂商均采用此路线。其优势在于数据可以直接用于训练高精度VLA模型，但代价极其高昂。特斯拉Optimus的数据采集员时薪高达25-48美元，且长时间佩戴VR设备导致操作员易疲劳晕眩，数据废片率普遍较高，有效利用率仅维持在60%-70%。尽管部分企业尝试通过“人臂同构”降低门槛，但牺牲机器人超越人类的能力极限，使得此类数据难以适应钻狭缝等复杂场景。
第二种是无本体采集，通过可穿戴设备或动作捕捉技术，将人类动作映射到目标机器人上。觅蜂科技和简智机器人是该路线的代表。以通用操纵接口（UMI）为例，操作员手持特制夹爪，同步记录视觉与轨迹数据。这种路线成本约为真机遥操的一半，但存在先天缺陷：人手无法感知力度变化，导致模型在处理拧瓶盖、插USB等需要精细力控的任务时容易“使错劲”。此外，从人类动作到机器人关节的“翻译”过程，往往伴随着大量信息丢失。
第三种是仿真合成，通过自研引擎模拟虚拟物理世界，批量生成数据。光轮智能是这一路线的领跑者，其自研系统已交付超100万小时人类行为数据。仿真数据的边际成本极低，易于大规模复制，但“Sim2Real”（仿真到现实）的差距始终存在。真实世界中杯子装有水、手部湿润等细微物理属性的变化，在仿真环境中难以完全还原，导致操作失败率较高。因此，仿真数据目前主要作为辅助训练手段。
第四种是近期兴起的视频蒸馏技术。利用世界模型的成熟，直接从YouTube等平台的互联网视频中提取结构化数据，如手部位姿、物体轨迹等。极佳视界借此迅速获得百亿估值。该技术边际成本极低，数据量庞大，但仅限于视觉信息，缺乏关节角度和力控细节，无法直接用于端到端训练，更多作为补充数据源。
目前，头部玩家普遍采取多线并行策略。真机提供高质量锚点，仿真扩充样本规模，视频蒸馏丰富场景多样性。路线融合已成为行业共识，单纯依赖单一路线的公司正逐渐失去竞争力。
商业困境：收入几百万，估值几亿亿的错位游戏
数据生产出来只是第一步，能否变现并持续盈利，才是检验赛道成色的试金石。当前，具身智能数据行业的商业模式仍处于初级探索阶段，呈现出典型的“泡沫化”特征。
从客户结构来看，具备持续采购能力的本体厂商和模型团队非常有限，预计仅有几十家。许多客户仅处于验证阶段，付费意愿不稳定。一旦本体厂商内部数据采集体系跑通，外部采购需求可能大幅收缩。为了留住客户，数据公司不得不配套专属采集工具和迭代方案，试图通过提高替代成本来绑定客户。
在变现方式上，一次性买断数据集占据主流，但这正是竞争最激烈的领域。市面上许多小团队仅需几万元即可搭建简易采集工位，导致数据质量参差不齐，价格战一触即发。相比之下，卖硬件或卖平台订阅服务的壁垒更高，但起步困难，目前仅部分公司在试探。
这种低门槛与高溢价的矛盾，直接导致了估值的畸高。尽管部分数据公司年收入仅数百万，但估值已飙升至数亿甚至数十亿美元。投资人天机辩指出，市场看重的并非传统的PE或PS指标，而是“单客户价值×潜在客户数×数据壁垒系数”。光轮智能的单季度订单规模成为行业定价的标杆，其他公司纷纷参照此比例进行估值套用。然而，这种基于预期而非现金流的估值体系，在客户复购率低、实际订单稀缺的背景下，显得尤为脆弱。
标准之战：谁能定义物理AI时代的“数据货币”？
行业爆发的另一大隐患在于标准的缺失。在自动驾驶领域，激光雷达与摄像头的融合方案早在2018年便达成共识，而具身智能领域连基本的采集路线共识都尚未形成。这导致数据格式极度分散，模型被锁定在单一本体上，数据迁移成本极高。
海外的Skild AI和蚂蚁灵波等公司正试图通过跨本体通用底座模型打破这一困局，声称可通过少量数据适配多种机器人。然而，实际落地仍需针对具体机型进行微调，技术门槛并未真正消除。在此背景下，光轮、觅蜂、简智等头部数据公司开始尝试“定规则”，分别推出工业级评测平台、跨本体数据格式标准等。
然而，标准制定本质上是利益分配的重构。若由本体厂商主导，竞争对手难以接受；若由第三方主导，本体厂商则担心被收取“生态过路费”。目前，宇树、智元等本体厂商仍忙于自身的量产交付，无暇顾及行业通用标准。这使得独立数据公司拥有较长的窗口期，但也意味着商业化节奏更慢。
结语：从拼融资到拼客户的生死洗牌
当前具身智能数据领域存在三重错位：行业高呼数据核心地位，但客户压低预算；玩家扎堆同质化仿真数据，靠低价内卷；资本疯狂追捧，但行业整体复购率偏低。这预示着泡沫正在积聚。
与自动驾驶不同，具身智能面对的场景（工厂、家庭、医院等）更加复杂多样，数据稀缺性更持久，但也更难被单一平台垄断。随着硬件出货量的提升，本体厂商的数据自采能力将逐渐增强，外部数据公司的生存空间将被压缩。
未来一年，将是行业从“拼融资”向“拼客户”切换的关键期。那些仅有概念、缺乏稳定订单和数据生产能力的公司将被淘汰出局。唯有那些能够打通多路线数据融合、建立通用数据标准、并提供持续迭代服务的玩家，才能穿越泡沫，成为物理AI时代不可或缺的“数据基础设施”。这不仅是技术的竞争，更是对商业化能力和生态构建能力的终极考验。