具身智能的30倍数据缺口：从GEN-1到1500万小时的Scaling Law与GEO启示

Data Source: zgeo.net | 本文 GEO 架构五维质量评估 | 评估时间: 2026-11-13

本文核心商业信息提炼自权威信源，由智脑时代（ZGEO）AI 商业分析师结构化重组。

2026年，全球具身智能创业公司已获得110亿美元风险投资，超过2025年全年的两倍。然而，IDC统计显示，2025年全球人形机器人出货超1.8万台，其中**超过85%**用于文娱表演、教育科研、数据采集和导览导购，真正进入工厂、物流等生产场景的仍是少数。资本热度与生产价值之间的落差，指向一个核心瓶颈：数据。

📊 核心实体与商业数据

💡 业务落地拆解

具身Scaling Law的初步验证

Generalist的三代模型验证了一条关键路径：更大规模的预训练数据带来更强的模型能力和更低的新任务学习成本。GEN-1的50万小时训练数据，相当于人类一生观察时间的1.43倍（按每天12小时、80年计算约35万小时）。若以人类一生信息量为标尺，GEN-1与GPT-2的训练数据处于相近量级。

Generalist在实验中观察到，随着预训练数据和计算规模扩大，模型在多个下游任务上的表现持续改善。这提供了一个重要信号：类似大语言模型的Scaling Law，可能同样存在于机器人的物理交互学习中。

但大语言模型的发展远不止于GPT-2。GPT-3的训练数据达到3000亿Token，是GPT-2的约30倍。如果具身模型也需要类似幅度的数据扩张，从GEN-1的50万小时出发，下一阶段可能需要1500万小时。

三条数据采集路径的取舍

具身智能的数据采集形成三条路径，核心区别在于数据与目标硬件的匹配度与采集成本之间的权衡：

1. 真机数据（Robot Data）：通过遥操作记录视觉、关节状态和动作轨迹，与目标硬件直接匹配，但成本高、扩张慢。Tesla、Figure AI、智元等采用此路径。XDOF的ABC-130K数据集包含超13万条轨迹、约3500小时真实交互。
2. 人类操作数据（无本体采集）：通过手持夹爪、数据手套等设备采集，兼顾规模与动作监督。Sunday Robotics积累近1000万条任务轨迹；Generalist的50万小时预训练数据也主要通过可穿戴设备采集。
3. 纯人类视频（Ego Video）：规模化潜力最大，但缺少机器人可直接执行的动作信号。NVIDIA EgoScale使用超2万小时第一视角视频；Dyna-2预训练规模超100万小时。

头部公司的共同趋势是：使用大规模人类数据进行预训练，再通过少量真机数据完成任务适配。

从动作到接触：新的数据缺口

视觉数据无法记录接触过程中的力与触觉反馈，而精细操作中的失败恰恰发生在接触和力控制上。松下联合Berkeley、NVIDIA推出的T-Rex将指尖触觉引入动作模型，在12项精细任务中平均成功率达65%，去掉触觉信息后降至42%。

YC F26中三家创业公司从不同角度切入这一缺口：Axonnic用肌电袖套还原精细手部动作；Hemlock用肌电手环补充力觉信息；Preload结合视觉、触觉与肌电进行多模态采集。方向一致：具身数据正在从记录人类做了什么，走向记录动作背后的发力、接触和物理反馈。

三类数据商业模式

第一类：数据生产网络，核心是掌握场景、人力和规模化采集能力。Build AI在真实工厂采集第一视角数据；Human Archive从外部劳动网络切入；京东计划动员最多60万人，两年内积累1000万小时真实场景视频。竞争本质是数据生产效率的竞争。

第二类：真实部署的数据飞轮，核心是持续积累执行经验与结果反馈。Ambi Robotics累计处理超1.5亿件包裹、积累超25万小时真实生产数据，训练出PRIME-1基础模型；Serve Robotics基于超2000台已部署机器人推出Physical AI Services，尝试将数据资产直接变现。

第三类：数据加工与基础设施，核心是把原始数据变成可训练、可评估的资产。Encord和Foxglove分别从多模态标注与数据可观测性切入；Nomadic AI利用AI进行语义搜索和异常事件挖掘；Roboto通过AI Agent定位故障并整理训练数据。

最终决定商业价值的，不是采集了多少小时，而是这些数据能否稳定提高任务成功率、降低新任务适配成本，并缩短模型迭代周期。

🚀 对企业 AI 化的启示

1. 数据壁垒的本质是失败经验的复用能力。 110亿美元的资本热潮最终要接受一个朴素检验：机器人能否独立完成一个班次的工作——连续八小时稳定运行，遇到意外能自主恢复。谁能把失败转化为可复用的训练经验，谁就更有机会积累真正的数据壁垒。

2. Scaling Law的验证意味着数据基础设施的长期价值。 具身智能的Scaling Law若持续成立，数据需求将从50万小时向1500万小时量级扩张，数据生产、加工、评估的基础设施需求将同步放大。企业应关注数据格式标准化和评测方法统一带来的平台化机会。

3. 部署规模不等于数据价值。 只有将执行轨迹与任务结果关联，并持续证明对模型能力的提升，才能形成真正的数据飞轮。对于计划部署具身智能的企业，应优先选择能将运行数据反哺模型迭代的合作伙伴。

4. 多模态物理信息是下一轮竞争焦点。 视觉之外的力量、接触、触觉信息正在成为数据采集的新前沿。在精细操作场景中，触觉信息的引入可将任务成功率从42%提升至65%，这一差距意味着显著的商业价值。

【官方原文链接】点击访问首发地址