所有具身智能公司，都在爭奪同一個數據閉環

所有具身智能公司，都在爭奪同一個數據閉環

未来12到18个月，一场关于数据闭环的争夺战正在具身智能行业全面打响。无论是海外的Physical Intelligence，还是国内的智元、千寻、银河通用，几乎所有头部的具身智能企业都不约而同地将战略重心押注在同一件事上：让机器人真实部署到场景中，跑通“部署—数据—模型—部署”的闭环。上海创智学院副教授、智元首席科学家罗剑岚直言：“谁能真正在半开放场景里把第一个闭环跑通，这将是决定性因素。”千寻智能创始人兼CEO韩峰涛也向数智前线强调，公司正在家庭、商用、工业三大场景齐头并进，今年要完成的重点任务就是大规模采集真实数据。 这场竞赛的紧迫感从各家公司的动作中可见一斑。智元机器人去年底对业务进行重新排兵布阵，在工业侧继续深耕的同时，通过上纬新材品牌锁定消费市场，并推出可折叠装进书包的个人机器人Q1；千寻智能则组建了上千人的数采团队，计划到年底扩展至四千人，并已与博世、宝马等企业展开合作；银河通用的无人零售与无人药点已铺设超过百个，工业机器人进入了极氪、宁德时代、奔驰等工厂。即便在美国，PI（Physical Intelligence）也开始在海外包括中国大量建厂，以弥补本土制造业数据采集的短板。 为何各路玩家都在抢同一个闭环？答案藏在数据飞轮的逻辑里。特斯拉过去十年通过车队部署构造了一个巨大飞轮：车跑出真实数据，数据回流传给模型，更好的模型再下发给车，解决更长的尾问题。具身智能行业同样需要这样的飞轮，而且当前的真实数据少得可怜——有行业人士比喻“连一颗黄豆都还没到”。一旦飞轮转起来，后来者要追赶就必须付出同样的时间与资本，先发优势会转化为护城河。罗剑岚直言：“大家都在等一个信号，一旦出现，大把美元就会从天而降。”这个信号，就是第一条成功跑通的数据闭环。 机器人大脑究竟需要什么样的数据？行业里流行“数据金字塔”的说法，但更准确的比喻是光谱——不同场景、不同来源的数据承担着不同作用。工厂数据要求极致节拍与高成功率，强化学习是关键；家庭数据则强调泛化，成功率可以稍低，但需要应对完全非结构化的环境；商用场景则介于两者之间，同时需要快速回报。银和通用CTO王鹤指出，所谓基模泛化能力，就是把人类不需要专门学习的技能做到70%至80%的成功率，再配合极低的部署门槛。 在具体数据类型上，真机数据最接近最终部署态，但成本高昂、难以跨本体复用；仿真数据在工业场景中用于环境扩增，但在力控和形变方面仍有局限。今年EGO数据（第一人称视角操作视频）变得火热，京东、蚂蚁、美团等正通过众包快速上量，但千寻智能副总裁丛源良认为，UMI数据（手执轻量设备采集的低成本方案）将逐步成为主流，因为其与本体解耦、一套数据可被不同机器人复用。触觉数据同样被多家企业提及，但规模化采集难度很高，上海交通大学助理教授穆尧曾尝试构建触觉数据集“几度心碎”，最终转向仿真引擎解决复杂任务的力控问题。 值得注意的是，数据采集的方式本身也在经历变革。北京智源人工智能研究院理事长黄铁军对数智前线分析，随着世界模型和具身智能的发展，实时交互数据会越来越多，传统的建数采中心、用人遥控机器人采集数据成本过高。他提出了一条新路径：让工人戴着设备日常工作，工资加20%，数据就自然采集下来；或者乒乓球机器人一旦达到陪练水平，进入工会在学校部署，数据采集甚至可以零成本甚至产生收益。这种“在实际场景中低成本获取数据”的思路，正成为行业探索的方向。 正是由于数据闭环如此关键，具身企业越来越倾向于自己掌握整个链条。去年行业还曾出现“大模型公司专注大脑、硬件公司专注本体”的分工模式，但今年越来越多的企业走向软硬一体、数据自采、模型自练的模式。王鹤解释：所有的独门秘籍在足够长的时间里都会变成公共知识，初公司唯一的竞争优势就是快，而想快就必须把需要别人配合的环节攥在自己手里。数采设备、灵巧手、关节乃至完整的数据管线，每家主要企业都在投入自研。 千寻智能从2024年开始研发数采设备，已经迭代七版，韩峰涛透露今年下半年成本会有10倍下降。上海交大穆尧则表示，他屡次遇到想法无法落地的瓶颈，后来发现问题出在数采设备的设计细节上——顶置相机的配置、全身运控传感器的摆位、腕部相机的布局，至今没有让自己满意的现成方案，因此有能力的团队应该自己掌握。它石智航联合创始人丁文超将系统比作一条梯度传递的链路，行业早期硬件还接不住模型的需求，必须在自研中把传感器配置、硬件形态、数据采集方式与部署效率放在一起统一优化。 数据管线的竞争同样激烈。市面上EGO、UMI数据的质量良莠不齐，企业必须建立自己的质检和规范体系，并且通过模型辅助闭环来降低人工成本。一位业内人士总结，数据管线的核心是把人类的单点经验尽可能汇入自动化的流程，第一点要求是实时性——在采集过程中同步质检，而不是事后补救。在这方面，国内企业的软硬一体模式被认为是一种天然优势。有分析指出，海外具身企业尝试在海外建厂解决交互数据问题，但模型训练在总部、数据采集在异地，沟通成本和迭代摩擦都很高，长期很难竞争。相比之下，国内企业在真机数据积累上走得更快。 回顾行业的时间轴，语言模型的Scaling Law催生了VLA，视频模型的Scaling Law正在催生World Action Model。千寻智能判断，从大模型爆发到拥有5亿用户用了数年，而集中成立于2023至2024年的具身智能公司，真正要进入规模化阶段预计要到2033年前后。王鹤则认为，2028年前后模型通用能力一旦突破关键节点，行业将迎来第一轮出货激增，且主要发生在B端。但无论是哪种时间表，未来12至18个月的真实部署数据闭环，都被视为不可跳过的必经之路。 所有竞争最终指向同一个核心：谁能用最短的时间，让机器人走进真实世界，带回数据，形成循环，谁就能在下一阶段的资本估值与客户信任中获得压倒性优势。这场关于数据闭环的争夺，才刚刚拉开序幕。