本文來源：時代周報 作者：朱成呈 閆曉寒

100多支戰(zhàn)隊、300余臺人形機器人、超人類世界紀錄的成績，剛結(jié)束的北京亦莊人形機器人半程馬拉松再掀熱度。

與進步明顯的運動控制相比，數(shù)據(jù)之渴正成為影響人形機器人“大腦”進步的關(guān)鍵障礙。

生成式AI把“寫作”“輔助辦公”等能力推向高點之后，物理AI正嘗試邁進更難的一步，走進真實世界。不過，與互聯(lián)網(wǎng)語料天然可獲取不同，物理世界的數(shù)據(jù)既稀缺，也難以標準化，這使得具身智能從一開始就面臨“無米之炊”。

3月16日，英偉達推出物理AI數(shù)據(jù)工廠。該數(shù)據(jù)工廠的核心邏輯是：希望通過一套參考架構(gòu)，統(tǒng)一并自動化訓(xùn)練數(shù)據(jù)的生成、增強和評估流程，從而降低大規(guī)模訓(xùn)練物理AI系統(tǒng)的成本、時間和復(fù)雜性�！拔锢鞟I是AI革命的下一個前沿，其成功的關(guān)鍵在于生成海量數(shù)據(jù)的能力�！庇ミ_高管直言。

相比之下，國內(nèi)企業(yè)的切入點更貼近落地路徑。

“一個機器人只要在真實的環(huán)境里面運行，它每時每刻都在感知、推理、決策、控制，這背后都是持續(xù)的token的流動�！�4月17日，智元聯(lián)合創(chuàng)始人彭志輝在一場演講中表示。在他看來，未來的機器人既會是一個執(zhí)行器，也會是一個流量的入口，機器勞動者也是連接AI的模型與物理世界的接口，誰能率先把這個閉環(huán)跑通，誰就有機會定義下一代的生產(chǎn)力的平臺。

這一判斷對應(yīng)著智元機器人的另一種路徑：將數(shù)據(jù)供給本身定義為新的生產(chǎn)力的基礎(chǔ)設(shè)施。其旗下公司覓蜂科技4月16日發(fā)布的一站式物理AI數(shù)據(jù)服務(wù)平臺，試圖以平臺化方式提供數(shù)據(jù)生成、處理與調(diào)用能力，使數(shù)據(jù)像水電一樣成為可持續(xù)供給的資源。

從英偉達試圖用仿真“制造數(shù)據(jù)”，到智元機器人嘗試以平臺化方式“運營數(shù)據(jù)”，中美頭部企業(yè)正在不同路徑上回應(yīng)同一個問題：如何讓數(shù)據(jù)供給跟上機器走入現(xiàn)實世界的速度。

物理AI數(shù)據(jù)供不應(yīng)求

物理AI數(shù)據(jù)有多稀缺？有業(yè)內(nèi)人士表示，物理AI數(shù)據(jù)量僅為大語言模型的十萬分之一。這一數(shù)量級差距，并非簡單的“積累時間不夠”，而是由數(shù)據(jù)生成機制的根本差異所決定。

“人形機器人與大語言模型之間在數(shù)據(jù)訓(xùn)練上存在顯著落差�！盩rendForce集邦咨詢分析師曾伯楷向時代周報記者表示，大語言模型可通過網(wǎng)絡(luò)文本進行大規(guī)模搜集與清洗，訓(xùn)練語料動輒達到數(shù)兆token，且具備高度可擴展性。相較之下，人形機器人所需的是結(jié)合視覺、動作、強制反饋與時序決策的‘具身數(shù)據(jù)’，取得成本高、標注困難，且高度依賴實體運行與場景覆蓋�！�

供給約束迅速傳導(dǎo)至需求端。多位從業(yè)者的直觀感受是，數(shù)據(jù)市場正呈現(xiàn)出近似“現(xiàn)貨搶購”的狀態(tài)。

“實際接觸下來，大型需求方普遍是‘你有多少我就要多少’，甚至是‘什么時候有我就馬上要’。”覓蜂科技董事長兼CEO姚卯青在接受包括時代周報在內(nèi)的媒體采訪時表示，當前數(shù)據(jù)供給明顯跟不上需求增長，市場處于典型的供不應(yīng)求階段。

在姚卯青看來，數(shù)據(jù)的屬性正在發(fā)生變化。從輔助性資源，轉(zhuǎn)變?yōu)轭愃扑懔Φ幕A(chǔ)生產(chǎn)要素�！皵�(shù)據(jù)會像算力一樣，成為一種通用的底層資源，同時也具備投資屬性和回報周期�！�

從需求結(jié)構(gòu)看，當前主要買方集中在幾類主體：一是處于技術(shù)前沿的大模型團隊，二是布局具身智能的海內(nèi)外科技公司，三是快速迭代中的初創(chuàng)企業(yè)。盡管規(guī)模與資金實力不同，但共性在于對數(shù)據(jù)的高度依賴與緊迫需求。

這種格局與早期AI算力市場較為相似。在模型尚未收斂、應(yīng)用路徑尚不清晰的階段，產(chǎn)業(yè)鏈利潤率最先體現(xiàn)在“基礎(chǔ)設(shè)施”環(huán)節(jié)。算力如此，數(shù)據(jù)亦然。

姚卯青將其歸納為一種“先行邏輯”：在技術(shù)探索期，只有足夠規(guī)模的數(shù)據(jù)，才能支撐模型訓(xùn)練、方案驗證與場景試錯，進而推動應(yīng)用的出現(xiàn)與擴散。

仿真與現(xiàn)實的鴻溝

國金證券研報認為，破解人形機器人“大小腦”成熟度低的問題根源在于數(shù)據(jù)。

根據(jù)數(shù)據(jù)金字塔理論，底層數(shù)據(jù)量龐大的互聯(lián)網(wǎng)數(shù)據(jù)獲取門檻最低，數(shù)量最多，但質(zhì)量良莠不齊，同時缺乏物理語義對齊；中層仿真合成數(shù)據(jù)和人類視角的VR軌跡數(shù)據(jù)由于可以高效生成，獲取成本不高，但仿真與現(xiàn)實之間存在不可忽視的物理差距，質(zhì)量一般介于真實數(shù)據(jù)與互聯(lián)網(wǎng)數(shù)據(jù)之間；上層真機數(shù)據(jù)一般通過遙操作采集，物理精準、任務(wù)語義完整，在任務(wù)泛化和精度要求上具有無可替代的價值，但獲取成本高、標注難、數(shù)量少。

英偉達的解法是仿真數(shù)據(jù)，結(jié)合NVIDIA Cosmos 世界基礎(chǔ)模型與 Omniverse 仿真技術(shù)，在虛擬世界中生成海量符合真實物理規(guī)則的合成數(shù)據(jù)。

但即便如此，仿真數(shù)據(jù)的邊界依然清晰。

“仿真對真實世界的替代性仍存在邊界，尤其在涉及精細操作、接觸力學與長時序交互時，現(xiàn)實環(huán)境中的噪聲、不確定性與極端情境，仍難以被完整建模，最終仍需真實數(shù)據(jù)進行校準與驗證。”曾伯楷指出，產(chǎn)業(yè)實務(wù)上并不將仿真視為“替代”，而是“前置放大器”與“加速器”。為避免低質(zhì)量仿真數(shù)據(jù)導(dǎo)致模型學習偏誤，關(guān)鍵在于建立系統(tǒng)性的風險控制機制，如通過少量高質(zhì)量真實數(shù)據(jù)進行遷移與微調(diào)，以及建構(gòu)死循環(huán)數(shù)據(jù)回收流程，將實際運行中的失敗案例回饋至訓(xùn)練系統(tǒng)。

換言之，仿真可以“擴展邊界”，但無法“替代落地”。

從數(shù)據(jù)供給側(cè)來看，市場也在形成分層結(jié)構(gòu)。姚卯青向時代周報記者表示，目前公司并未將仿真數(shù)據(jù)作為主要交易品類。

在具體供給結(jié)構(gòu)上，企業(yè)正根據(jù)需求動態(tài)調(diào)整產(chǎn)能。以覓蜂平臺為例，其數(shù)據(jù)來源覆蓋真機遙操作、無本體采集以及仿真數(shù)據(jù)等多種范式，但當前重心明顯向成本更低、效率更高的“無本體采集”傾斜。

姚卯青透露，在公司年度約千萬小時的數(shù)據(jù)規(guī)劃中，超過60%至70%將來自無本體采集，真機數(shù)據(jù)則維持在200萬至300萬小時規(guī)模，用于高精度任務(wù)訓(xùn)練。

這一結(jié)構(gòu)本身，正是現(xiàn)實約束的映射：在規(guī)模與真實性之間，行業(yè)仍不得不反復(fù)權(quán)衡。

曾伯楷認為，隨著世界模型與行動模型的發(fā)展，未來一個重要方向，是讓模型具備“辨識仿真與現(xiàn)實差異”的能力，而非單純依賴數(shù)據(jù)一致性。