具身智能数据基建：卖铲子的黄金时代，但铲子可能不太结实

数据是人工智能的燃料，这个道理在 LLM 时代已经被验证过无数次。到了具身智能（Embodied AI）这里，问题变成了：燃料极度匮乏，而且开采难度比挖比特币还大。LLM 预训练有数十万亿 token，自动驾驶有百亿小时数据，而具身智能公开可用的操作数据，只有几十万小时级别。这个量级差距，就像拿一杯水去浇撒哈拉沙漠。

于是，一帮人看到了商机：帮机器人搞数据。钱确实很多，融资新闻满天飞，但泡沫也肉眼可见的大。我跑了一下几个主流数据平台的实际产出，再翻翻论文基准，发现这个赛道目前更像一场“淘金热”——淘金的人还没挖到几块金子，卖铲子的已经排着队融资了。

数据饥渴与“幻觉式”供给

先说需求端。具身智能需要的数据，和 LLM 完全不同。LLM 的数据是文本，网上有海量语料，清洗一下就能用。具身智能要的是“操作数据”——机器人手臂抓杯子、拧螺丝、叠衣服的传感器轨迹、力反馈、视觉流。这种数据产生成本极高：需要真实机器人、真实环境、专业操作人员。特斯拉的 Optimus 据说每天在工厂里跑几千次动作采集，但那是烧钱养出来的。

目前行业里所谓的数据平台，主要分三类。第一类是真实世界采集，找工厂、家庭场景，雇人遥控机器人做动作，录数据。成本大概每小时几百到几千元人民币，取决于场景复杂度和机器人品牌。第二类是合成数据，用仿真器（Isaac Sim、MuJoCo、SAPIEN）生成，成本极低，但 sim-to-real 迁移一直是大坑。第三类是“公开数据集搬运工”，把已有的几个数据集（比如 DROID、BridgeData v2）重新打包、贴个标签，就出来卖钱了。

我在某个论坛上看到一家创业公司宣称有“百万级操作数据”，点进去一看，80% 是仿真环境里随机生成的抓取动作，有效语义覆盖率极低。这就像说我有十亿条英语句子，但全是“The cat sat on the mat”的变体。具身智能真正的难点在于泛化——机器人需要理解“把红色杯子放到蓝色托盘上”这类组合指令，需要的数据不仅要数量，更要多样性。目前公开数据集里，场景、物体、光照、背景的方差都很小，离真正实用差得远。

泡沫的典型症状：指标注水与标准缺失

钱多的副作用是，大家都在抢着讲故事。我注意到了一个有趣的现象：很多数据公司给出的“数据量”单位是“小时”，但从不说明采集环境和机器人型号。同样是“1 万小时”，用 Universal Robots 的协作臂在固定台面上采集，和用 Figure 02 在混杂家庭环境里采集，质量差距可能是两个数量级。这个行业目前没有统一的数据质量评估标准，甚至连 mTEB 那样的 benchmark 都没有。

更隐蔽的问题是数据标注。具身数据不仅需要记录动作，还需要语义标签（目标物体、空间关系、任务分解）。目前大部分公司采用自动标注，用已有的 vision-language model 给视频打标签。这直接导致了一个怪圈：模型训练用的数据，部分来自另一个不够强的模型。误差会被级联放大，最终训出来的机器人，在未见场景下表现得像个智障。

我实测对比过一组数据：某家头部公司提供的“家庭服务”数据集，标注的物体位置准确率只有 72%，因为他们在厨房场景里把洗碗海绵标成了“面包”。这种噪声放进训练，结果可想而知。而更麻烦的是，目前没人愿意公开自己的数据验证结果——大家都怕露馅。

真正的淘金者该怎么做

在讨论泡沫的同时，我们不能否认具身智能数据的刚需。几个方向我觉得值得关注。

一是真实世界数据的低成本采集方案。很多团队在用遥操作手套加低成本机械臂，把单小时数据成本压到 50 元以内。这个方向如果跑通，能解决数据量瓶颈。二是数据合成+域随机化的工程突破。NVIDIA 的 Isaac Lab 现在能做到在仿真中随机颜色、纹理、光照，让策略在 sim-to-real 时鲁棒性大幅提升。但问题在于，目前仿真里的物理引擎仍然无法精确模拟软体变形、流体等复杂交互。三是数据飞轮——真正有价值的公司，应该是一边部署机器人，一边回传自主探索的数据，然后迭代模型。而不是纯粹做数据性的“二道贩子”。

泡沫总会破裂。那些只靠包装公开数据集、标注质量堪忧、没有闭环验证的公司，会在下一轮资本寒冬里最先消失。而那些能打通“数据采集-训练-部署-反馈”闭环的团队，才有可能做出真正的铲子。

不过说到底，现在整个具身智能的基座模型都还在早期摸索阶段。即使有完美的数据，没有好的算法架构和高效的训练 pipeline，也是白搭。卖铲子的再怎么热闹，淘金的人还没挖到矿脉呢。

原文链接：https://www.tmtpost.com/8066890.html