作者：郑施婧

原创：深眸财经（chutou0325）

当下的AI行业最常被提及的焦虑非算力短缺莫属以H100为例市场价一度被炒至4万美元以上是其官方定价两倍以上同时交货周期拉长至数月这种供需错配推高了AI企业的训练成本也让市场弥漫着焦虑的情绪

然而，当我们将视线从大模型转移到具身智能领域时，就会发现，算力荒在此处更像是成长的烦恼。更令从业者夜不能寐的，则是另一个早已降临的深层瓶颈数据荒。

据行业测算，训练具备通用泛化能力的具身模型需要千万甚至亿小时级别的真实操作数据，而截至2026年初全球可用的高质量物理交互数据总量仅约50万小时，因此缺口超过99%。这表明具身智能当前的数据基础距离真正意义上的通用泛化能力还差两个数量级以上的距离。这不是渐进式的差距，而是根本性的断档。

具身智能已经撞上了一堵比算力短缺更难翻越的“数据荒漠”。

01 “算力荒”是工程问题“数据荒”是维度灾难

过去，摩尔定律使得单芯片晶体管数量每18个月就能翻一番。随着算力成本持续下降，英伟达H100的FP8算力接近2 petaFLOPS，相较于五年前的V100，单位算力成本大幅下降；台积电CoWoS封装产能也在有序扩产，月产能从2023年的约1.4万片晶圆，在2025年提升至约7万片，预计2026年底增加到13万片。

如此来看，算力瓶颈是一项产能问题，其扩产周期拥有明确的进度安排。具身智能所面对的则是物理世界的无限复杂性，这一点更像是维度灾难。

首先就是数据无法被“爬取”。大语言模型可以吞噬互联网上人类千年积累的文本资料例如GPT-3就有约45TB数据。但机器人要理解物理世界却没有现成的“教科书”。

单论“拧瓶盖”这个人类凭直觉完成的人类日常动作，其背后却是物理世界的无数隐藏变量，这些变量包括瓶盖的材质以及螺纹摩擦力等多变量，而这些变量恰恰是互联网这个“大模型粮仓”从未储存过的。

当大模型通过文字来丈量世界时，具身智能则需要借助动作来感知物理现实。这种性质上的差异让数据荒漠远比算力竞赛更为棘手。

另外，具身智能对数据“质量”的要求也远比大模型严苛。在大模型训练中，错别字或语法瑕疵尚能处理。比如说，GPT-3的训练数据里可能混入了像“偶今天真滴好开森”这种口语化、带错词甚至缺标点的句子，但大模型依然可以从大量规范文本中提炼出主谓宾的规律，学会正常的表达方式。

而具身智能的数据规律就远不如文字清晰，噪声的类型、严重程度以及对模型的影响都难以定义。

鹿明机器人联席CTO丁琰曾指出市面上大量UMI数据采集设备因硬件能力不足画面与动作无法严格对齐产出的数据根本不具备进入训练管线的条件这意味着具身智能的数据采集从一开始就面临质量门槛低质数据不仅无法助力训练反而会污染模型后者是费力前者则可能是无用

除此之外，具身智能的数据还无法像算力一样迁移复用。英伟达的GPU架构从A100到H100，能针对不同任务的计算效率持续提升，模型训练可以无缝升级。但具身智能具有极强的硬件依赖性，一台1.6米高的机器人与1.8米高的机器人，在执行同样的弯腰捡拾动作时，关节角度、重心偏移、抓握角度等可能完全不同。所以前者采集的数据，对后者而言可能无效。这也导致具身智能数据之间有天然的隔离，形成了一个个独立的“数据孤岛”。

如此来看，算力是可复用的标准化资源，随着工艺的进步以及产能的扩张，其成本以及获取难度必然会趋近于下降；而数据却是与特定硬件以及特定场景深度绑定的非标品，每一款机器人每一次部署都可能需要重新积累。从本质差异上来看，算力荒是暂时的可解的，而数据荒是长期的结构性的核心瓶颈。

02 Real-world hardware, UMI, and simulation three paths advancing, the data acquisition routes still in breakthrough

面对“数据荒”的困境，目前业界主要探索出三条技术路线，即真机遥操作、无本体UMI采集以及仿真合成数据。这些技术路线分别代表了精度、规模与成本的权衡，但尚未有一条能完美兼顾三者。

先来看真机遥操作。这是最早的方案。它借助VR设备、动捕服等遥操作真实机器人，逐条记录动作数据。其优点在于数据真实度高，并可直接用于同款机器人训练。例如宇树科技的基于轮式人形机器人G1-D的数采训练全栈解决方案，其采集数据可直接用于同款G1-D机器人的模型训练。

但代价同样惊人。北京人形机器人创新中心投资建设了近5000平方米的数采场地，并投入了120台机器人用于数据采集，仅场地和设备投入就达数千万元。智元机器人建有大规模数采中心，并部署了约200台机器人。数百名数据采集员轮班运营，场地设备折旧加上人力薪酬构成了长期且高昂的固定支出。

（图源：智元机器人）

目前来看，真机遥操作如同手工精雕细琢，精度虽高，但速度慢、花费大。这种模式或许更适合在高附加值场景，比如医疗手术或特种作业中担任主力数据源。如果要靠它撑起亿级数据的底座，以目前机器人厂商的资金储备来看，或许难以承担。

UMI方案则将采集设备与机器人本体解耦，运用人手持轻量化的夹爪和摄像头，在真实场景中操作采集。大衍科技曾通过与无人超市、前置仓合作，让工作人员佩戴采集设备正常上班，在日常生活中就把数据采集了。如此，UMI更像用上了半自动工具，虽然仍需人力，但采集速度快了不少，花费也大幅下降。

然而，上海交大卢策吾团队却指出，具身模型规模化卡在了数据采集的“真实性与质量平衡”难题之上。具体而言，UMI运用手持设备开展采集，难以保证每次采集时摄像头角度以及夹爪姿态所具备的一致性，从而导致数据格式无法统一；大规模采集之后，海量低质量数据需要依赖大量人工后处理来进行筛选与对齐，反而可能使综合成本不降反升。如此来看，UMI虽然降低了采集门槛，却把数据质量的“雷”埋在了更为隐蔽之处。

而仿真合成这条路则彻底抛弃真机，在仿真引擎中生成海量训练数据。例如，跨维智能开源的工具链EmbodiChain，100%使用合成数据训练VLA模型，且能直接部署于真实机器人，实现了虚实迁移；诺基亚联合英伟达，基于Isaac仿真平台构建“AI数据飞轮”，将智能体训练速度提升近10倍。

但问题在于仿真毕竟是“仿”的。仿真环境再精细，也无法完全复现现实生活。斯坦福大学《2026 AI Index Report》显示，仿真环境下任务完成率可达89.4%，但在真实家庭场景中骤降至约12.4%。这揭示了一个残酷的现实，仿真训练出的模型在实验室里是“优等生”，可一旦踏入真实世界的“考场”，成绩便大打折扣。虚实鸿沟仍是仿真路线上绕不开的硬门槛。

（图源：斯坦福大学《2026 AI Index Report》）

Three routes each come with advantages and disadvantages. In the short term they will explore different application scenarios in parallel, with teleoperation of real machines maintaining the upper limit of precision while UMI focuses on scaled-up data collection and simulation synthesis covers extreme scenarios. In the long term UMI balances real-world authenticity with the potential for low-cost expansion and may serve as the main path to overcome the data scarcity.

陷入“囚徒困境”的数据采集与不明朗的行业最优解

目前，具身智能领域的数据采集依然处于“囚徒困境”。一方面，数据采集所需的高额投入令各家厂商犹豫不前，另一方面，行业尚未形成清晰且可复制的统一最优方案。这种双重制约使得企业普遍在数据积累上举步维艰，进而放缓了模型泛化能力的突破进程。

无论哪条路线，似乎都卡在同一个死结上，数据无法同时满足规模、质量以及成本的三角关系。每家公司都在投入，却都走不远。面对如此困境，从全行业理性角度出发，或许最优解是将数据开源，即共享数据、摊薄成本以及避免重复采集。

市场上已经有了先行者。乐聚牵头联合宇树以及阿里云等共建国内首个国家级具身智能开源数据社区OpenLET，已开源超6万分钟真机数据集供业界使用；均普智能于2026年6月开源了面向真实机器人强化学习的大规模数据集RW-RL-Dataset。这些尝试为行业提供了宝贵参照，也在证明数据共享在技术层面并非不可行。

然而，开源仍是少数派的理想主义，更多企业选择了商业变现之路。京东将数据采集作为独立生意，计划发动最多60万人参与，两年内积累1000万小时视频数据，并已上线具身智能数据交易平台，首批定向开放2000小时高精标注数据集；箸境智能在江苏省数据交易所完成全国首笔具身智能数据集交易，包含约2.5万条结构化数据，覆盖办公、商超、餐饮、家政四大场景；鹿明机器人则打造了“数据超市”，供客户在线采购标准化操作数据。星海图CEO高继扬就曾明确指出，当前行业对于数据具有强烈的私有化属性。由此看来，数据在当下更被视为企业的核心资产和可交易的商品，而非开源的公共资源。

（图源：LUMOS鹿明）

数据共享虽然能够让全行业受益，但是在商业逻辑的作用下，谁先选择开源谁就很可能被对手以低成本的方式复制其成果，因此这家企业不愿意为他人提供帮助而那家则担心对手超越自己，在个体层面各自保护自身利益，最终导致全行业重复采集以及效率低下。这正是经典的囚徒困境。共享是乌托邦式的理想，而现实却正滑向各自为战。目前来看，除非出现强有力的行业标准以及利益分配机制，否则行业最优解可能将长期停留在愿景中。

04 从“数据喂养”到“自我迭代”数据“奇点”何时到来？

如果行业注定要各自突围，那最有可能的方向是什么？或许我们可以从大模型的进化中寻找启示，让机器从被投喂走向自主觅食。

大模型的发展已经验证了这条路径。英伟达研究团队所开发的Eureka系统，能够让AI生成多个解决方案并进行自我筛选，如同程序员一般开展“自我批评”与改进工作。Eureka在83%的任务当中超越了人类专家，从而使得机器人性能平均提升了52%；Kimi K2则借助于构建工具模拟器，让智能体在“沙盒”之中进行练习，并在与模拟环境的持续交互过程中积累经验以及实现自我迭代。

两个案例的共同逻辑在于，智能体不再被动等待人类投喂数据，而是通过与环境互动自主生成训练信号。或许可以借鉴这一逻辑，通过某种机制实现具身智能的自我迭代。

具身智能的“数据奇点”，可能不在于数据量的堆砌，而在于形成一个“采集→训练→落地→再采集”的闭环。

上海创智学院与智元具身研究中心联合提出的LWD系统正是这一理念的实践。它让机器人在真实任务中持续积累交互经验其中包括成功轨迹试错后的自我恢复以及人为引导的失败案例全部回传从而持续微调优化模型通过这一机制LWD训练的单一通用策略在长程复杂任务中的平均成功率达到0.95远超传统行为克隆的0.76和离线强化学习基线的0.86。

This result shows that closed loop iteration is not merely theoretical but has been validated as an effective path. Following this logic, one can imagine a scenario in which the robot learns to tighten bottle caps. When applied, it encounters a slippery bottle cap. After minor adjustment of the torque, it successfully opens it. This unexpected experience is recorded and fed back. The model is updated and then deployed to all robots. Thereafter, all robots learn to handle slippery bottle caps. When extended, every special situation encountered by each robot can become a common experience for the entire robot group. When this closed loop is fully executed, robots may no longer rely on continuous human feeding but evolve autonomously in real world scenarios.

总而言之，对于具身智能来说，算力可以购买，但物理世界的经验必须亲身积累。谁能率先让机器人在真实世界中跑通自我迭代的飞轮，谁就将更可能定义下一阶段的行业格局。这场漫长的马拉松，或许比的不是谁拥有更多GPU，而是谁能让机器人更好地理解这个物理世界。

* 图片来源于网络，侵权请联系删除

The data scarcity crisis in embodied intelligence, which is proving far more fatal than the compute crunch, is already triggering widespread disaster.

来源：比「算力荒」更致命, 「数据荒」正在带来灾难？ | OFweek机器人网