作者|深眸財經 鄭施婧 

當下，AI行業最常被提及的焦慮，非算力短缺莫屬。英偉達GPU一卡難求的新聞屢見不鮮，價格也隨之高漲。以H100為例，市場價一度被炒至4萬美元以上，是其官方定價兩倍以上，同時交貨周期拉長至數月。這種供需錯配推高了AI企業的訓練成本，也讓市場瀰漫着焦慮的情緒。

然而，當我們把視線從大模型移至具身智能，就會發現，算力荒在這裏更像「成長的煩惱」。更令從業者夜不能寐的，是另一個早已降臨的深層瓶頸「數據荒」。

據行業測算，要訓練出具備通用泛化能力的具身模型，需要千萬，甚至億小時級別的真實操作數據；而截至2026年初，全球可用的高質量物理交互數據總量僅約50萬小時，缺口超過99%。這意味着，具身智能當前的數據基礎，距離真正意義上的通用泛化能力還差兩個數量級以上的距離。這不是漸進式的差距，而是根本性的斷檔。

具身智能已經撞上了一堵比算力短缺更難翻越的「數據荒漠」。

01「算力荒」是工程問題「數據荒」是維度災難

過去，摩爾定律讓單芯片晶體管數量每18個月就能翻一番。算力成本持續下降，英偉達H100的FP8算力接近2petaFLOPS，相較五年前的V100，單位算力成本大幅下降；台積電CoWoS封裝產能也在有序擴產，月產能從2023年的約1.4萬片晶圓，在2025年提升至約7萬片，預計2026年底增加到13萬片。

如此來看，算力瓶頸是產能問題，有明確的擴產周期。但具身智能面對的是物理世界的無限複雜性，這更像是一場維度災難。

首先就是數據無法被「爬取」。大語言模型可以吞噬互聯網上人類千年積累的文本資料，例如GPT-3就有約45TB數據。但機器人要理解物理世界，卻沒有現成的「教科書」。

單論「擰瓶蓋」這個人類憑直覺完成的日常動作，背後是物理世界的無數隱藏變量，機器人需要理解瓶蓋的材質、螺紋摩擦力等多變量。而這些變量恰恰是互聯網這個「大模型糧倉」從未儲存過的。 

所以當大模型用「文字」丈量世界時，具身智能需要用「動作」來感知物理現實。這種性質上的差異，讓數據荒漠遠比算力競賽更為棘手。

另外，具身智能對數據「質量」的要求也遠比大模型嚴苛。在大模型訓練中，錯別字或語法瑕疵尚能處理。比如說，GPT-3的訓練數據裏可能混入了像「偶今天真滴好開森」這種口語化、帶錯詞甚至缺標點的句子，但大模型依然可以從大量規範文本中提煉出主謂賓的規律，學會正常的表達方式。

而具身智能的數據規律就遠不如文字清晰，噪聲的類型、嚴重程度、對模型的影響都難以定義。例如，採集時攝像頭幀率抖動、關節編碼器延遲、力控傳感器漂移等，這些噪聲不像文本錯別字那樣可以檢索替換。

鹿明機器人聯席CTO丁琰就曾指出，市面上大量UMI數據採集設備因硬件能力不足，畫面與動作無法嚴格對齊，導致產出的數據根本「不具備進入訓練管線的條件」。這意味着，具身智能的數據採集從一開始就面臨「質量門檻」，低質數據不僅無法助力訓練，反而會污染模型。後者是「費力」，前者則可能是「無用」。

除此之外，具身智能的數據還無法像算力一樣遷移複用。例如，英偉達的GPU架構從A100到H100，能針對不同任務的計算效率持續提升，模型訓練可以無縫升級。但具身智能具有極強的硬件依賴性，一台1.6米高的機器人與1.8米高的機器人，在執行同樣的「彎腰撿拾」動作時，關節角度、重心偏移、抓握角度等可能完全不同。所以前者採集的數據，對後者而言可能無效。這也導致具身智能數據之間有天然的隔離，形成了一個個獨立的「數據孤島」。

如此來看，算力是可複用的標準化資源，隨着工藝進步和產能擴張，其成本與獲取難度必然趨近於下降；而數據卻是與特定硬件、特定場景深度綁定的「非標品」，每一款機器人、每一次部署都可能需要重新積累。從本質差異上來看，算力荒是暫時的、可解的，而數據荒是長期的、結構性的核心瓶頸。

02真機、UMI、仿真三路並進數據採集路線尚在突圍

面對「數據荒」的困境，目前業界主要探索出三條技術路線，即真機遙操作、無本體UMI採集、仿真合成數據。它們分別代表了精度、規模與成本的權衡，但尚未有一條能完美兼顧三者。

先來看真機遙操作。這是最早的方案，通過VR設備、動捕服等遙操作真實機器人，逐條記錄動作數據。優點是數據真實度高、可直接用於同款機器人訓練。例如，宇樹科技的基於輪式人形機器人G1-D的數採訓練全棧解決方案，其採集數據可直接用於同款G1-D機器人的模型訓練。

但代價同樣驚人。北京人形機器人創新中心投資建設了近5000平方米的數採場地，投入了120台機器人用於數據採集，僅場地和設備投入就達數千萬元。智元機器人建有大規模數採中心，部署約200台機器人，數百名數據採集員的輪班運營。場地、設備折舊加上人力薪酬，構成了長期且高昂的固定支出。

（圖源：智元機器人）

目前來看，真機遙操作好比手工精雕，精度雖高，但速度慢、花費大。這種模式或許更適合在高附加值場景，如醫療手術、特種作業中擔任主力數據源。如果要靠它撐起億級數據的底座，以目前機器人廠商的資金儲備來看，或許難以承擔。

UMI方案則將採集設備與機器人本體解耦，用人手持輕量化的夾爪和攝像頭，在真實場景中操作採集。大衍科技就曾通過與無人超市、前置倉合作，讓工作人員佩戴採集設備正常上班，在日常生活中就把數據採集了。如此，UMI更像用上了半自動工具，雖然仍需人力，但採集速度快了不少，花費也大幅下降。

然而，上海交大盧策吾團隊卻指出，具身模型規模化卡在數據採集的「真實性與質量平衡」難題。具體而言，UMI採用手持設備，難以保證每次採集時攝像頭角度、夾爪姿態的一致性，導致數據格式不統一；大規模採集後，海量低質量數據需要大量人工後處理進行篩選和對齊，反而可能使綜合成本不降反升。如此來看，UMI雖然降低了採集門檻，卻把數據質量的「雷」埋在了更隱蔽處。

而仿真合成這條路則徹底拋棄真機，直接在仿真引擎中生成海量訓練數據。例如，跨維智能開源的工具鏈EmbodiChain，100%使用合成數據訓練VLA模型，且能直接部署於真實機器人，實現了虛實遷移；諾基亞聯合英偉達，基於Isaac仿真平台構建「AI數據飛輪」，將智能體訓練速度提升近10倍。

但問題在於仿真畢竟是「仿」的。仿真環境再精細，也無法完全復現現實生活。斯坦福大學《2026 AI Index Report》顯示，仿真環境下任務完成率可達89.4%，但在真實家庭場景中驟降至約12.4%。這揭示了一個殘酷的現實，仿真訓練出的模型在實驗室裏是「優等生」，可一旦踏入真實世界的「考場」，成績便大打折扣。虛實鴻溝仍是仿真路線上繞不開的硬門檻。

（圖源：斯坦福大學《2026 AI Index Report》）

三條路線各有優劣，短期內將在不同場景中並行探索，真機遙操作守住精度上限，UMI主攻規模化採集，仿真合成負責覆蓋極端場景。長期看，UMI兼顧真實性與可低成本擴充規模，或許是突破數據荒的主力。

03陷入「囚徒困境」的數據採集與不明朗的行業最優解

無論哪條路線，似乎都卡在同一個死結上，數據無法同時滿足「規模、質量、成本」三角。每家公司都在投入，卻都走不遠。面對如此困境，從全行業理性角度出發，或許最優解是將數據開源，即共享數據、攤薄成本、避免重複採集。

市場上已經有了先行者。樂聚牽頭聯合宇樹、阿里雲等共建國內首個國家級具身智能開源數據社區OpenLET，已開源超6萬分鍾真機數據集，供業界使用；均普智能於2026年6月開源了面向真實機器人強化學習的大規模數據集RW-RL-Dataset。這些嘗試為行業提供了寶貴參照，也在證明數據共享在技術層面並非不可行。

然而，開源仍是少數派的理想主義，更多企業選擇了商業變現之路。京東將數據採集作為獨立生意，計劃發動最多60萬人參與，兩年內積累1000萬小時視頻數據，並已上線具身智能數據交易平台，首批定向開放2000小時高精標註「數據集」；箸境智能在江蘇省數據交易所完成全國首筆具身智能數據集交易，包含約2.5萬條結構化數據，覆蓋辦公、商超、餐飲、家政四大場景；鹿明機器人則打造了「數據超市」，供客戶在線採購標準化操作數據。星海圖CEO高繼揚就曾明確指出，當前行業對於數據具有強烈的「私有化屬性」。由此看來，數據在當下更被視為企業的核心資產和可交易的商品，而非開源的公共資源。

（圖源：LUMOS鹿明）

數據共享雖然能讓全行業受益，但商業邏輯下，誰先開源，誰就可能被對手低成本複製成果。於是這家不願為別人作嫁衣，那家擔心對手反超。個體都保護自身利益，最終導致全行業重複採集、效率低下。這正是經典的「囚徒困境」。共享是烏托邦式的理想，現實卻正滑向「各自為戰」。目前來看，除非出現強有力的行業標準與利益分配機制，否則行業「最優解」可能將長期停留在願景中。

04從「數據餵養」到「自我迭代」數據「奇點」何時到來？

如果行業註定要各自突圍，那最有可能的方向是什麼？或許我們可以從大模型的進化中尋找啓示，比如讓機器從「被投餵」走向「自主覓食」。

大模型的發展已驗證這條路徑。英偉達研究團隊開發的Eureka系統，讓AI能生成多個解決方案並自我篩選，像程序員一樣進行「自我批評」和改進。Eureka在83%的任務中超越人類專家，使機器人性能平均提升52%；Kimi K2則通過構建工具模擬器讓智能體在「沙盒」中練習，在與模擬環境的持續交互中積累經驗並自我迭代。

這兩個案例的共同邏輯是，智能體不再被動等待人類投餵數據，而是通過與環境互動自主生成訓練信號。或許可以借鑑這一邏輯，通過某種機制實現具身智能的自我迭代。

具身智能的「數據奇點」，可能不在於數據量的堆砌，而在於形成一個「採集→訓練→落地→再採集」的閉環。

上海創智學院與智元具身研究中心聯合提出的LWD系統，正是這一理念的實踐。它讓機器人在真實任務中持續積累交互經驗，包括成功軌跡、試錯後的自我恢復，以及人為引導的失敗案例，全部回傳，持續微調優化模型。通過這一機制，LWD訓練的單一通用策略在長程複雜任務中的平均成功率達到0.95，遠超傳統行為克隆的0.76和離線強化學習基線的0.86。

這一結果表明，閉環迭代並非紙上談兵，而是已被驗證的有效路徑。循此思路，可以設想一個場景：機器人學會「扭瓶蓋」後，應用時遇到一個滑絲瓶蓋，經微調扭矩後成功擰開。這個「意外經驗」被記錄下來並回傳，模型更新後再部署給所有機器人。此後，所有機器人都學會了處理滑絲瓶蓋。擴展後，每個機器人遇到的特殊狀況，都可以變成整個機器人群的共同經驗。當跑通這個閉環，或許機器人將不再依賴人類的持續投餵，而是在真實世界的場景中自主進化。

總而言之，對於具身智能來說，算力可以購買，但物理世界的經驗必須親身積累。誰能率先讓機器人在真實世界中跑通「自我迭代」的飛輪，誰就將更可能定義下一階段的行業格局。這場漫長的馬拉松，或許比的不是誰擁有更多GPU，而是誰能讓機器人更好地「理解」這個物理世界。