物理AI卡在数据上，真机采集一千元一小时

本文解读：《2026物理AI：优质数据先行-国联民生证券》 · 共 57 页 · 原文

物理 AI 现在最缺的不是算力，是能拿去训模型的干净数据。国联民生证券这份报告的切口和主流写法不一样：市场大多在算物理 AI 能有多大空间， 它先问一个更前置的问题——数据够不够。

空间当然不小。思略特预测 2030 年全球物理 AI 市场规模达 4300 亿欧元，覆盖自动驾驶、工业、 人道服务、航空国防、娱乐、健康医疗六大领域；黄仁勋认为它对应超过 50 万亿美元的产业机会。

但数据这一侧的量级差得很远。最大的真实机器人轨迹数据集 Open X-Embodiment 只有约 100 万条， 图文数据集 LAION-5B 是 50 亿条，现代语言模型的语料是万亿级 Token。

差的不只是数量，是数量被拉开了四五个数量级。

图源：《物理AI》（第1页）

一、物理AI是什么，和生成式差在哪

报告的定义是：在物理世界中运行、并与之交互的 AI 系统。技术能力上它包含四个模块：物理感知、物理推理、世界建模、具身交互，分别对应识别环境属性、 理解物理规律与因果、对现实建模并预测、以及通过机器人和自动驾驶执行动作。

它与生成式 AI 的分野写在一张对比表里。工作行为上，物理 AI 感知物理世界运行规律并在内部建模交互， 生成式 AI 掌握语言规律与符号知识完成文本理解生成。

接收的信息也不一样：一边是连续的空间、运动、传感器时序信号和交互反馈， 另一边是离散的文本、代码、图像视频。训练数据同样分叉，前者靠仿真空间数据、真机数据和虚实融合数据， 后者靠互联网文本与音像。

这类报告的原文件，运营动脉（www.yydm.cn）收得比较全，按行业分好了类，翻起来不费劲。

想核一个具体数字，或者补一张原图，直接搜报告名就能定位到相应的那一页。

报告由此推出价值判断：生成式 AI 主要是对现有工作的提效替代，而物理 AI 能完成原本无法执行的事， 比如危险作业，也能带来现实消费需求，比如自动驾驶和家庭陪护。

一个是把已有的事做得更快，一个是让原本做不到的事变得可做。

图源：《物理AI》（第2页）

二、产业链五层，数据层是最短的板

报告把产业链拆成算力、数据、模型、硬件、应用五层，每一层都列了代表玩家。算力层是云端训练、云端推理和端侧芯片，涉及英伟达、华为、寒武纪、摩尔线程、海光信息等。

数据层再分三块：采集端有觅蜂科技、真觉万象、奥比中光、灵心巧手； 处理端由 Scale AI、光轮智能、枢途科技、海天瑞声提供高质量训练数据方案； 仿真端有英伟达、51WORLD、光轮智能、Parallel Domain、松应科技。

模型层分世界模型和 VLA。世界模型再分四条路线：具身路线是 1x 和智元， 原生世界模型是英伟达和 World Labs，视频模型是 Runway 和 Google DeepMind，3D 空间模型是腾讯 HY-World 等。

硬件层分感知、控制、执行：速腾聚创、禾赛、奥比中光做多模态感知，汇川、雷赛智能做控制， 绿的谐波、兆威机电、三花智控做减速器与灵巧手。

应用层从机器人本体、自动驾驶、工业制造，一直铺到仓储物流、家庭服务、智慧城市和医疗健康。 五层看着齐全，缺口集中在第二层。

产业链不缺公司，缺的是让这些公司都能用上的那批数据。

图源：《物理AI》（第3页）

三、三个大佬的判断其实是同一件事

报告引用了三位业界专家，说法不同，指向一致。

李飞飞 2026 年 2 月在思科 AI 峰会上说，单纯的大语言模型无法通往 AGI，空间智能才是最优路径。 她的类比是，语言在生物进化史上只是最近 50 万年的产物，而视觉与触觉代表的空间智能， 早在 5 亿年前的寒武纪就开启了神经系统演化竞赛。

黄仁勋把 AI 演进分成四段：感知 AI、生成 AI、代理 AI、物理 AI，物理 AI 是下一阶段。 他在 GTC 2026 上判断，物理 AI 迎来转折点，机器人、车辆和工厂正从单一场景向跨行业的企业级工作负载拓展。

杨立昆的判断更直接：仅靠文本无法实现人类级 AI，需要能理解物理世界、并通过视频等感官输入自主学习的系统。三个人的共同点是，都认为纯文本路线到不了终点，必须补上对三维世界的理解。

争论的不是要不要做物理AI，而是它的瓶颈到底在模型还是在数据。

图源：《物理AI》（第4页）

四、VLA 的 Scaling Law 已经被初步验证

报告认为，模型和数据是互相促进的。技术路径一旦明确，产业就会加码投入，反过来又催生数据需求。大语言模型是现成的参照：2018 年的 BERT 只有 1.1 亿参数、训练数据约 33 亿 Token； 到 2025 年，头部模型参数达到万亿级，训练数据拓展到 10 万亿 Token 以上。

VLA 领域正在重复这个曲线。2024 年 Sartor 等人的研究指出，随着数据增加，VLA 模型能力呈提升趋势； Kwok 等人在 2025 年发现，在特定验证器下还能观察到推理时间的 Scaling Law，生成动作越多，错误率越低。

Light-O1 的实验更具体：预训练数据从 3.75B Token 逐步扩到 120B Token， 动作预测误差在公开第一视角人类数据、公开机器人数据和自有 LightBot 数据上持续下降。 报告强调，单纯增加后训练，替代不了扩大预训练规模带来的提升。

产业侧的泛化实验同样指向数据量。Generalist 的 Gen-1.5 只需演示一次，单次示范平均成功率 59%， 用约 5 分钟数据、10 步梯度更新微调后升到 83%。Figure 的 Helix 2.5 在 30 个没见过的家庭里做客厅整理、折毛巾和铺床，零样本成功率 9%， 加上 Index 数据平台预训练后提到 56%。

零样本 9% 到预训练后 56%，差的这一截就是数据买来的能力。

图源：《物理AI》（第5页）

五、世界模型还没收敛，四条路并行

和 VLA 不同，世界模型的技术路径尚未统一。报告引用 Qi lyu 等人 2026 年的归纳，现有路线主要有四条。

观测层生成式世界模型起步最早、覆盖时间跨度最长，直接在高维空间预测未来的视觉、语言和 3D、4D 观测， 一般采用自回归、NeRF、扩散等架构，大量主流视频与 3D 生成模型走的都是这条路。

潜在空间世界模型不直接重建未来观测，而是把高维观测压成潜在表示，在潜空间里建模环境动态，Meta 的 JEPA 是代表。

强化学习驱动的世界模型学习环境动态，再引入奖励建模做规划和策略优化， 减少智能体在真实环境里反复试错的依赖；对象中心世界模型则把复杂环境拆成结构化对象集合， 学习对象自身状态变化和对象之间的关系。

路径没收敛，投资节奏就会慢半拍。报告的判断是，等方向相对明确之后，产业投入热情才会真正起来。近期的催化是，李飞飞联合创办的 World Labs 在 2026 年 9 月 1 日发布了新一代世界模型 Atlas； 9 月 28 日，AMD 宣布以约 82 亿美元收购 World Labs。

82亿美元买一家还没定型的技术路线，买的是身位不是产品。

图源：《物理AI》（第6页）

六、数据缺口有多大：100万条对50亿条

这是整份报告最硬的一段。IBM 在 2025 年 11 月的文章里指出，大语言模型、计算机视觉和视频都有大规模资料来源， 唯独机器人所需的数据来自现实世界，获取难度更大，这个缺口正在拖慢机器人发展。

量级对比非常刺眼：Open X-Embodiment 是最大的真实机器人轨迹开放数据集，汇集约 100 万条数据、 由 30 多个研究实验室贡献，是该领域最接近共享语料库的尝试。

而 LAION-5B 的图文组合数量是 50 亿条，现代语言模型的语料是万亿级 Token。 报告用对数坐标画了这张图，因为线性坐标根本画不出差距。

更麻烦的还不是总量，是结构。北大等机构的研究显示，机器人数据存在对齐度与规模化的权衡： 越贴近真实机器人执行过程的数据，对训练和部署越有价值，但采集成本和规模化难度越高。

所以报告的结论是，当前缺的不是数据数量，而是高质量、可复用、与动作对齐的供给。

不是数据太少，是能用的数据太少。

图源：《物理AI》（第7页）

七、五种采集路径，价格差两个数量级

报告把采集方式分成五类，每一类的优势与局限都写得很直白。真机遥操作由人操控真实机器人同步记录，反馈最真实，观测与动作对应直接， 但依赖真机和人工，扩展受成本效率约束。

UMI 及其衍生接口是用手持操作接口示教，采集与本体解耦、部署便捷， 代价是依赖定位与同步，落地仍需本体适配。

人体与手部动捕保留自然动作、支持全身与手部记录，但需要跨本体映射，精度易受遮挡和漂移影响； 第一视角采集设备轻便、场景多样，但动作标签要额外处理。

仿真与合成数据可批量扩展、条件可控，问题是存在现实差距，必须验证物理一致性。价格把这五种方式的定位说得很清楚：Ego 数据行业报价约 100 元每小时，UMI 约 300 至 400 元每小时， 真机约 500 至 1000 元每小时，部分行业披露的 30 秒真机数据采集成本已达 10 至 15 元。

仿真合成是唯一能把成本打到另一个量级的路径，松应科技披露单条数据采集成本约 0.2 至 0.3 元， 光轮智能的 EgoSuite 则在全球 7 个国家、500 多个环境并行采集，覆盖 1 万多项任务， 数据生产能力超过 2 万小时每周。

一条数据的成本差五个数量级，注定要走仿真加真机微调的混合路线。

图源：《物理AI》（第8页）

八、标准不统一，数据全成了孤岛

数据标准尚未统一，是报告点出的第二道坎。不同厂商的数据格式和标注规范存在差异，形成数据孤岛，直接制约跨平台流通与复用。 这也意味着，谁先做成标准，谁就拿到了数据侧的定价权。

当前最接近统一答案的是 OpenUSD。英伟达等联合创立 AOUSD，由皮克斯、苹果、Adobe、英伟达、 Autodesk 共同推动，成员已覆盖 Meta、微软、西门子、索尼、Epic Games、Unity 等。

2025 年底发布 OpenUSD Core Specification 1.0，为 3D 生态确立了统一的描述框架， 使仿真、数字孪生和世界构建能在同一标准下实现数据互通。规范已获 Adobe、苹果、Autodesk、英特尔、 Meta、英伟达、皮克斯、索尼、西门子等机构参与支持。

相比 OBJ、FBX、Alembic 这些主要用于资产交换的传统 3D 格式，OpenUSD 支持多类场景数据的组织与组合。 Open Robotics 还进一步提出了基于 OpenUSD 的机器人仿真资产互操作规范。

标准不是技术问题，是谁来当那个记账的人的问题。

图源：《物理AI》（第9页）

九、三家数据公司和一个投资建议

报告挑了三家公司作为数据侧的样本，讲法各不相同。

Scale AI 是全球 AI 数据基础设施龙头，2016 年成立，业务覆盖数据、评测和应用 AI 三大领域， 累计产生 150 亿次人类决策数据、向全球贡献者支付 10 亿美元，2026 年估值达 290 亿美元。 2025 年 Meta 以约 143 亿美元取得 49% 股权，估值从 2024 年的 138 亿美元进一步抬升。

光轮智能是中国具身数据首只独角兽，2023 年 1 月成立，围绕 Real-to-Sim-to-Real 建立数据采集、 仿真训练、模型评测和部署反馈的闭环。2026 年 3 月完成 10 亿元 A++ 及 A+++ 轮融资、投后估值破 10 亿美元， 5 月融资后估值突破 20 亿美元；2026 年第一季度订单 5.5 亿元，已超过 2025 年全年。

松应科技的核心产品是 ORCA OS，定位国产 Omniverse。它采用 1:8:1 的数据合成策略， 即 10% 专家示教、80% 全自动仿真合成、10% 真机微调，把单条数据采集成本从 3 至 5 元降到 0.2 至 0.3 元， 数据有效率达 98%，Sim2Real 迁移精度控制在正负 2% 以内。

投资建议上，报告推荐宝通科技、风语筑，建议关注中控技术、奥比中光、索辰科技、凡拓数创、丝路视觉， 逻辑是看好与产业优秀公司合作密切、已经开始相关业务落地的标的。

风险也写得直白：物理 AI 技术发展不及预期、数据标准推进缓慢、相关公司主业波动。 报告特别提示，多数企业仍主要靠原有业务切入数据领域，新业务对收入利润的贡献还很有限。

这份 57 页报告的完整产业链表、数据成本表与全部图表，都在运营动脉（www.yydm.cn）上，搜报告名即可打开。

数据公司都在赚卖铲子的钱，但没人保证脚下一定有金矿。