具身智能卡在数据上，一小时真机数据要几百块

本文解读：《2026人形机器人系列专题之具身数据：物理AI核心资产，模型迭代孕育数据产业新蓝海-国信证券》 · 共 41 页 · 原文

具身智能真正的卡点已经不在本体，而在数据：报告给出的口径是，行业要做到真正可用 至少需要 1000 万小时真实交互数据，而当前全行业高质量真实物理交互数据只有约 50 万小时。

国信证券这份专题把数据当成物理 AI 的核心资产拆开看，先问 Scaling Law 有没有实证， 再问数据从哪来、多少钱一小时、谁能规模化交付。

五条采集路线的价格差得很开：互联网视频几十元一小时，Ego 与 UMI 几十到几百元， 遥操作几百到上千元，仿真几乎不花钱但有 Sim-to-Real 鸿沟。

报告测算明年需求若迈向亿小时级，按数百元一小时算大约对应百亿元市场； 远期参考特斯拉 FSD V13 积累的 60 亿小时，规模有望超过千亿元。

数据不是本体的附属品，而是这门生意里最贵、也最难标准化的一段，谁先攒够谁先跑通。

图源：《物理AI核心资产，模型迭代孕育数据产业新蓝海》（第1页）

一、瓶颈从本体挪到了数据端

报告开篇的判断很直接：随着硬件本体逐步成熟，算法迭代的瓶颈逐渐转移到了数据端。 这句话在 2026 年听着已经不新鲜，但背后有具体的数字撑着。

亿欧智库的口径是，具身智能要达到真正可用至少需要 1000 万小时级别的真实场景交互数据， 而当前全行业高质量真实物理交互数据总量仅约 50 万小时，人类视频数据约 100 万小时。

缺口是结构性的。具身数据没法从互联网直接抓，只能靠采集、仿真这些高成本路径获得， 于是价格被抬到了真机有效数据 500 至 1000 元一小时，比标注语料贵出好几个量级。

报告由此把数据定义为物理 AI 的核心资产：它既是模型训练的起点， 也是机器人数据飞轮转起来的第一推动力，没有它，感知、决策、执行的闭环根本启动不了。

本体可以买、算法可以追，只有数据要一家一家场景去攒，这也是最难绕过去的一段。

图源：《物理AI核心资产，模型迭代孕育数据产业新蓝海》（第6页）

二、具身 Scaling Law 等来了第一个实证

数字 AI 的规模定律早就被验证，物理世界是否同样成立，一直是行业里最大的假设。 报告给出的第一个实证来自 Dyna Robotics 在 2026 年 8 月发布的 Dyna-2。

它用第一视角人类操作视频做预训练，当数据规模从千小时扩展到百万小时， 模型在机器人数据上的离线预测表现，以及经过真机数据后训练后的任务表现，都呈现改善趋势。

另外两组研究补上了量化关系。清华 ManiBox 指出空间泛化所需的数据量与空间体积呈幂律关系， 要在 38 倍的空间内实现泛化，数据量大约需要扩展 38 的 0.35 次方倍。

Generalist AI 的 GEN-0 模型研究更直白：每增加 10 倍数据，模型性能也成比例改进。 这类结论对产业的直接含义是，数据采购会持续放量，而不是一次性投入。

报告还画了一张数据飞轮：机器人被部署到真实场景、执行任务时收集行为数据、 高质量数据用于训练、更通用的模型再被部署到更多机器人上，如此循环。

规模定律在物理世界初步站住脚，数据就从成本项变成了可以复利的资产。

图源：《物理AI核心资产，模型迭代孕育数据产业新蓝海》（第3页）

三、需求往亿小时走，存量还停在百万小时

各家本体厂商给出的数据规划，量级已经从百万小时往亿小时抬。星海图提出百万至千万小时的 模型能力突破区间，并启动 100 万小时真实数据计划，目标三年做到千万小时规模。

银河通用计划到 2028 年把训练数据由 100 万小时提升至 1000 万小时；优必选 2026 年的收集目标是 100 万小时；智元姚卯青则估计，物理世界的「GPT 时刻」可能需要约 1 亿小时数据。

供给侧的进展可以量化。中国信通院的数据显示，2026 年 10 月全国已建成启用 70 多家具身智能 训练场，另有 40 余家在建或规划，相关数据平台已交付 150 万小时人类视频数据。

企业口径差异很大：自变量披露的操作视频规模为数万小时；Figure 的 Index 平台到 2026 年 8 月 收到超过 1600 万条用户上传视频，披露的预训练与中期训练数据接近 100 万小时。

这些数字放在一起看，缺口不在需求侧而在交付侧。谁能稳定产出百万小时级、 场景覆盖够宽的数据，谁就握住了这一轮数据定价的话语权。

需求已经在讲亿小时，供给还停在百万小时，中间这段距离就是市场空间，也是最难填的一段工程活。

四、五条路线，五个价格带

报告把采集路线拆成互联网视频、Ego 第一人称、UMI 通用操作接口、真实遥操作和仿真合成五类， 它们的成本、精度和可复用性完全不同，硬凑在一张表里比较没有意义。

互联网视频是数据底座。人类视频在互联网上已沉淀超过百亿小时，获取成本低、场景真实， 但缺了力和触觉，只能让模型看懂世界，没法支撑精准的物理交互。

Ego 数据由采集者佩戴头戴或颈挂设备，在日常环境里自然完成任务，不依赖特定本体。 未标注数据约几十元一小时，处理后几百元一小时，设备是千元级别。

UMI 靠操作员手持夹爪采集末端操作信息，几十到几百元一小时，核心装备万元级； 遥操作最贵，几百到上千元一小时，设备单套购入价超过 20 万元。

仿真数据几乎不花钱，靠物理引擎批量生成，效率高、多样性好，但 Sim-to-Real Gap 始终存在， 质量还不足以支撑可靠的行为学习和真实场景泛化。

五条路线不是替代关系，报告判断未来会走向多源融合，各管一段。

图源：《物理AI核心资产，模型迭代孕育数据产业新蓝海》（第1页）

五、Ego 是最便宜也最像人的一条

Ego 之所以被看重，是因为它便宜且规模化潜力大。特斯拉的做法很典型：数十名员工在 8 小时 轮班里重复日常动作数百次，头盔和背包上固定 5 台摄像机全程记录。

效果有研究背书。2024 年的 EgoMimic 研究显示，在 Ego、三维手部轨迹与遥操作数据联合训练下， 连续拾取入碗任务得分从 68 分升到 128 分，增幅约 88%。

同一项研究里，叠衣任务成功率从 73% 提升到 88%；拾取入碗任务中，人类示范每小时的采集数量 约为机器人遥操作的 10.4 倍，效率与效果同时占优。

2026 年英伟达的 EgoScale 研究进一步验证了扩张效应：预训练 Ego 数据从 1000 小时加到 20000 小时，真机平均任务完成度评分从 0.30 提升到 0.71，相对提高约 137%。

短板也清楚：视频数据缺精细力和触觉，还需要 SLAM 轨迹恢复、三维手部姿态估计、 逆运动学与动作重定向一整套后处理，破晓智能干脆用四目头环加触觉手套补全身模态。

便宜、快、场景真实，Ego 的代价是把最难的活全部推给了后处理，这一步做不好，数据就只是一堆视频。

六、UMI 能跨本体，遥操作最保真

UMI 的价值在于跨本体复用：一套采集数据可以适配多种机器人形态，相当于给不同本体做了一个 通用的类人操作接口，采集时也不需要机器人本体在场。

精度上它并不含糊。智在无界的 UMI 灵巧手 BeingBeyond U1 可以采视觉、动作、力、触觉数据， 动态追踪最大误差小于 1 毫米，平均误差小于 0.1 毫米。

问题是动作空间和真实机器人有差距。UMI 多为夹爪，人形机器人末端主要是灵巧手， 夹爪数据在灵巧手训练中可复用性不高，这是路线本身的错位。

遥操作是另一头。它由人通过 VR 设备或外骨骼控制本体执行真实任务，视觉、力觉、触觉同步记录， 与本体结构一致性强，主要用于模型后训练和精细作业。

代价是贵。设备购入价超过 20 万元一套，规模化运营后单小时有效数据成本约 275 元， 小规模采集可达数千元；8 小时工作平均只产出 2 到 3 小时有效数据。

要通用性就选 UMI，要保真度就上遥操作，这两条路的钱都省不掉。

图源：《物理AI核心资产，模型迭代孕育数据产业新蓝海》（第2页）

七、触觉最稀缺，也最难用

具身数据目前以视觉为主，触觉供给明显不足。触觉要在交互过程中同步记录接触状态， 采集时得把传感器集成到机器人末端、手持设备或可穿戴手套上，围绕不同物体和材质组织交互。

硬件路线还没收敛。压阻、电容、压电、霍尔、视触觉各有取舍，传统电信号方案在高空间分辨率下 会遇到布线、串扰和电磁干扰，视触觉则把接触信息直接编码成图像。

更难的是融合。2026 年 6 月发布的 T-Rex 论文发现，把单时刻指端力信号直接拼接到 π0.5 的 状态输入后，12 项接触密集型任务的平均评估得分由 17 降到 6。

同一项研究的消融实验反过来说明触觉的价值：完整模型得分 65，移除触觉后降到 42。 也就是说，触觉给的方式不对是负担，给对了才是能力。

报告因此判断，触觉数据的难点不止在采集，还在于它与其他模态的融合方式， 这决定了触觉数据能不能真正进入训练管线，而不是停在论文里。

视觉数据可以靠买，触觉数据只能靠自己搭一套采集链路，这就是为什么它的缺口一直补不上。

报告原文都放在运营动脉（www.yydm.cn）上，图表、口径说明和样本量写得清清楚楚，可以对着核。

遇到拿不准的数据，建议回原文翻一眼，比被二手解读带着走要稳妥得多。

八、数采工厂重资产，众包把成本摊薄

数采工厂是重资产生意。以天津帕西尼的具身智能超级数据工厂为例，空间达到 1.2 万平方米； 一个部署 100 台机器人的训练场，仅本体投入就上千万元。

成本结构里还有人和场地。采集员要懂产业场景、会操作设备、能做人在环的质量把控， 门槛高于普通标注员；算力与存储则要匹配数百 PB 级的容量。

众包走的是另一条路。2026 年 9 月 23 日，觅蜂科技发布众包平台觅蜂派，用户在 App 上领任务， 佩戴 MEgo 设备采集，按审核后的有效时长拿报酬。

价格已经算得很细：设备租金 39 元一天，单次任务报酬 20 到 50 元，时长 2 到 60 分钟， 完成两项任务就能覆盖当天设备租金，用户当天基本可以回本。

觅蜂自己的产能是这条路的注脚：2026 年 8 月 31 日第 20000 套 MEgo 设备下线，累计生产超过 100 万小时无本体数据，覆盖 22 大类场景、1 万余个真实环境和 500 余种细分任务。

集中式保证质量，分布式保证多样性，报告认为两者会长期并存。

九、百亿到千亿，这个数怎么算出来

近期口径比较直接。报告测算，展望明年若行业需求向亿小时级迈进，按数百元一小时的价格测算， 数据市场对应约百亿元的市场空间潜力。

远期口径借了智能驾驶的参照系。在车辆持续在用、单车日均行驶 1 小时的假设下， 特斯拉到 2024 年 FSD V13 能力明显突破时，全球车队累计行驶时间约 60 亿小时。

报告认为机器人的数据复杂度远高于汽车，若出现同等量级的能力突破，数据需求大概率超过 60 亿小时；叠加采集成本下降，远期市场规模有望超过千亿元。

商业模式仍以定制化服务为主。客户对数据类型、采集方式和交付标准的要求差异很大， 项目制是最现实的形态，数据授权、工具订阅、场景运营都还在探索阶段。

盈利能力取决于三件事：数据复用程度、生产自动化水平，以及场景资源和交付成本的控制。 靠单纯堆人力采集，很难做出可持续的毛利。

百亿是明年的账，千亿是这条赛道把采集成本打下来之后的账。

图源：《物理AI核心资产，模型迭代孕育数据产业新蓝海》（第39页）

十、产业链上的位置与几处风险

产业链分三层。上游是算力与云服务、采集硬件与传感器、训练场；中游做真机遥操作、无本体采集、 仿真合成，再经治理、标注和流通形成供给；下游对接整机、模型与行业客户。

竞争壁垒落在三个能力上：能不能持续接入真实场景，能不能做数据筛选与加工， 能不能验证模型效果。这三件事决定了客户会不会续单。

报告在上市公司层面也做了梳理，从数据平台、仿真合成到工业与家庭场景回流， 各环节都有企业在布局，但多数仍处在早期投入、产能爬坡的阶段。

风险列了六条：具身智能模型进展不及预期、机器人出货量不及预期、数据采购需求低于预期、 技术路线变化、数据价格下降，以及行业竞争加剧。

其中价格风险值得单独看。数据一旦被标准化、被众包摊薄，单价下行会比需求上行来得更快， 靠信息差赚差价的中间环节最先被挤压。

这门生意的终局不是谁采得多，而是谁的数据能被模型反复用得上。