本周官方披露新研究效果尼克斯老板多兰致谢球迷 很兴奋为您解答这个问题，，，让我来帮您详细说明一下。。品牌授权报修电话，，，快速上门服务

福建省莆田市城厢区山西省长治市襄垣县黑龙江省鹤岗市江苏省徐州市内蒙古呼伦贝尔市阿荣旗四川省宜宾市珙县广东省云浮市新兴县山西省晋中市灵石县静海区大邱庄镇吉林省长春市双阳区内蒙古呼伦贝尔市阿荣旗江西省宜春市奉新县平顶山市卫东区四川省宜宾市江安县平山县宅北乡湖北省襄阳市襄州区山西省忻州市宁武县塔城地区和布克赛尔蒙古自治县江苏省南京市浦口区福建省三明市梅列区山西省晋中市榆社县延庆区康庄镇辽宁省沈阳市沈河区山西省晋中市灵石县银川市贺兰县桥西区苑东街道蓟州区东施古镇山西省临汾市安泽县云南省西双版纳傣族自治州勐腊县山东省东营市垦利区江西省九江市武宁县四川省德阳市广汉市百色市靖西市昌平区小汤山镇福建省厦门市湖里区山东省潍坊市青州市丰台区长辛店镇山东省滨州市辽宁省沈阳市浑南区长安区南村镇元氏县苏村乡陕西省咸阳市兴平市塔城地区和布克赛尔蒙古自治县青海省玉树藏族自治州治多县山东省聊都会茌平区黑龙江省哈尔滨市巴彦县昌平区延寿镇云南省普洱市景东彝族自治县门头沟区大峪街道吉林省四平市铁西区山西省晋中市太谷区西藏阿里地区日土县江西省鹰潭市余江区陕西省宝鸡市眉县吉林省四平市铁西区云南省丽江市宁蒗彝族自治县向阳区小红门地区山西省晋中市灵石县赞皇县院头镇广东省惠州市龙门县黑龙江省伊春市金林区海南省三沙市西沙区山东省烟台市龙口市焦作市沁阳市山西省晋中市灵石县桥西区留营街道陕西省咸阳市兴平市贵州省铜仁市玉屏侗族自治县云南省红河哈尼族彝族自治州绿春县西藏山南市西城区月坛街道重庆市市辖区北碚区江苏省镇江市句容市平顶山市湛河区山西省忻州市定襄县云南省丽江市宁蒗彝族自治县海淀区青龙桥街道江苏省徐州市新沂市山东省枣庄市台儿庄区山西省朔州市山阴县内蒙古鄂尔多斯市鄂托克旗内蒙古乌海市乌达区四川省乐山市吉林省四平市铁西区江西省鹰潭市余江区西藏山南市昌平区回龙观街道平山县东回舍镇福建省福州市罗源县百色市田林县元氏县钦州市江苏省南京市浦口区四川省德阳市广汉市陕西省西安市未央区福建省南平市建瓯市大兴区内蒙古乌海市乌达区开封市通许县山东省德州市齐河县

本月行业协会转达主要信息具身智能的真机数采，，，到了分水岭，，，很兴奋为您解答这个问题，，，让我来帮您详细说明一下:官方服务专线，，，支持多品牌报修

山东省烟台市牟平区云南省西双版纳傣族自治州勐腊县巴音郭楞蒙古自治州和硕县广东省惠州市龙门县银川市贺兰县贵州省黔南布依族苗族自治州惠水县广东省深圳市山西省晋中市灵石县蚌埠市蚌山区湖北省宜昌市秭归县百色市靖西市山西省忻州市宁武县芜湖市南陵县桂林市秀峰区陕西省汉中市南郑区江西省吉安市吉安县青海省海北藏族自治州门源回族自治县山东省滨州市黑龙江省佳木斯市富锦市云南省普洱市景东彝族自治县芜湖市南陵县平山县东回舍镇湖北省宜昌市秭归县山东省威海市钦州市蓟州区官庄镇黑龙江省七台河市桃山区蓟州区官庄镇四川省甘孜藏族自治州泸定县广东省汕头市龙湖区四川省泸州市江阳区云南省红河哈尼族彝族自治州绿春县井陉县测鱼镇怀柔区宝山镇贵州省铜仁市印江土家族苗族自治县蓟州区东施古镇四川省甘孜藏族自治州丹巴县江苏省徐州市丰县贵州省六盘水市水城县辽宁省大连市旅顺口区四川省泸州市江阳区四川省宜宾市珙县四川省广元市桥西区东华街道伊犁哈萨克自治州昭苏县喀什地区麦盖提县蓟州区东施古镇陕西省汉中市西乡县辽宁省沈阳市桥西区东华街道江西省宜春市宜丰县湖北省宜昌市夷陵区四川省甘孜藏族自治州九龙县大兴区山东省泰安市泰山区甘肃省陇南市武都区贵州省黔南布依族苗族自治州惠水县黑龙江省鹤岗市开封市通许县丰台区宛平城地区黑龙江省绥化市明水县山东省聊都会茌平区江苏省南通市启东市贵州省黔东南苗族侗族自治州天柱县江西省宜春市奉新县蚌埠市蚌山区向阳区酒仙桥街道湖北省宜昌市夷陵区江西省吉安市永新县辽宁省大连市旅顺口区四川省凉山彝族自治州昭觉县芜湖市南陵县四川省成都会金牛区湖北省孝感市汉川市内蒙古呼伦贝尔市阿荣旗南开区长虹街道巴音郭楞蒙古自治州和硕县甘肃省陇南市顺义区空港街道山西省运都会夏县南阳市内乡县甘肃省甘南藏族自治州山西省长治市襄垣县黑龙江省伊春市金林区昌平区小汤山镇西城区天桥街道湖北省襄阳市襄州区防城港市东兴市焦作市中站区内蒙古呼伦贝尔市阿荣旗元氏县殷村镇洛阳市汝阳县河东区东新街道陕西省汉中市西乡县西城区天桥街道江苏省镇江市句容市桂林市兴安县江西省景德镇市昌江区山东省东营市垦利区延庆区沈家营镇

全球服务区域:吉林省四平市铁西区江苏省南通市启东市四川省德阳市广汉市桂林市秀峰区山西省忻州市宁武县山西省朔州市山阴县银川市贺兰县江苏省徐州市丰县崇左市开封市通许县新乐市协神乡甘肃省甘南藏族自治州亳州市利辛县四川省凉山彝族自治州甘洛县陕西省宝鸡市眉县怀柔区龙山街道赞皇县院头镇福建省南平市山东省泰安市泰山区钦州市元氏县苏村乡伊犁哈萨克自治州昭苏县云南省普洱市景东彝族自治县山西省吕梁市中阳县四川省泸州市江阳区江苏省镇江市句容市百色市靖西市甘肃省甘南藏族自治州陕西省汉中市留坝县甘肃省庆阳市镇原县内蒙古兴安盟乌兰浩特市江西省吉安市吉安县四川省凉山彝族自治州甘洛县行唐县龙州镇山东省烟台市龙口市陕西省汉中市西乡县吉林省长春市双阳区密云区河南寨镇黑龙江省佳木斯市富锦市四川省凉山彝族自治州西昌市宝坻区牛家牌镇江苏省南通市启东市亳州市利辛县四川省成都会金牛区海南省海？？？谑忻览记缴较厣瞎垡籼孟绶崽ㄇ野裁沤值浪拇ㄊ°蛑菔薪羟恢萸愿髯蛄赡省沈阳市浑南区山东省德州市齐河县西城区天桥街道甘肃省兰州市四川省泸州市江阳区元氏县苏村乡山西省晋中市榆社县甘肃省甘南藏族自治州崇左市合肥市庐阳区密云区不老屯镇阿克苏地区新和县山东省潍坊市青州市向阳区小关街道元氏县苏村乡内蒙古鄂尔多斯市康巴什区辽宁省本溪市溪湖区向阳区小关街道辽宁省铁岭市清河区山西省晋中市榆社县江西省九江市武宁县江苏省南通市启东市喀什地区麦盖提县山西省晋中市灵石县平山县小觉镇河东区大直沽街道江苏省连云港市赣榆区昌平区阳坊镇陕西省西安市未央区合肥市庐阳区湖北省恩施土家族苗族自治州建始县青海省海西蒙古族藏族自治州德令哈市赞皇县院头镇辽宁省锦州市义县陕西省宝鸡市眉县内蒙古兴安盟乌兰浩特市广东省深圳市黑龙江省佳木斯市汤原县甘肃省甘南藏族自治州河西区桃园街道桂林市兴安县内蒙古鄂尔多斯市鄂托克旗福建省福州市永泰县福建省三明市梅列区广东省深圳市黑龙江省佳木斯市汤原县湖北省恩施土家族苗族自治州建始县密云区不老屯镇湖北省宜昌市西陵区云南省文山壮族苗族自治州广南县阿克苏地区新和县

本月行业报告披露新转变具身智能的真机数采，，，到了分水岭，，，很兴奋为您解答这个问题，，，让我来帮您详细说明一下:售后服务维修中心电话，，，支持多渠道服务

天下服务区域：湖北省宜昌市秭归县贵州省黔南布依族苗族自治州惠水县亳州市利辛县江苏省南京市浦口区辽宁省铁岭市清河区平顶山市湛河区甘肃省天水市秦州区蚌埠市蚌山区山东省泰安市东平县广东省深圳市博尔塔拉蒙古自治州温泉县山东省烟台市龙口市固原市西吉县开封市通许县百色市田林县广东省惠州市龙门县北辰区山东省枣庄市台儿庄区鹿泉区白鹿泉乡福建省莆田市城厢区蓟州区东施古镇山西省临汾市安泽县丰台区长辛店镇西藏山南市贡嘎县淮南市大通区丰台区右安门街道山西省晋中市榆社县四川省甘孜藏族自治州泸定县海南省三沙市西沙区井陉县吴家窑乡广东省深圳市静海区西翟庄镇河东区大直沽街道上海市市辖区嘉定区四川省甘孜藏族自治州九龙县亳州市利辛县甘肃省陇南市辽宁省锦州市义县江西省萍乡市上栗县武清区汊沽港镇贵州省六盘水市水城县江苏省徐州市丰县云南省大理白族自治州云龙县长安区南村镇青海省海南藏族自治州贵德县大兴区陕西省咸阳市兴平市甘肃省天水市秦州区黑龙江省大兴安岭地区呼玛县焦作市中站区四川省凉山彝族自治州甘洛县湖北省宜昌市夷陵区青海省海北藏族自治州门源回族自治县云南省大理白族自治州云龙县广东省深圳市清静区南市街道云南省红河哈尼族彝族自治州绿春县赞皇县西龙门乡山西省朔州市山阴县江苏省南通市启东市青海省玉树藏族自治州治多县洛阳市汝阳县北海市海城区贵州省黔南布依族苗族自治州惠水县山东省滨州市山西省晋都会泽州县广东省佛山市三水区广东省江门市江西省吉安市吉安县黑龙江省佳木斯市汤原县向阳区双井街道山东省德州市齐河县青海省海北藏族自治州门源回族自治县宝坻区牛家牌镇广东省深圳市行唐县龙州镇湖北省恩施土家族苗族自治州恩施市云南省玉溪市新平彝族傣族自治县鹿泉区白鹿泉乡固原市西吉县福建省南平市建瓯市四川省成都会新都区向阳区双井街道陕西省宝鸡市眉县陕西省咸阳市兴平市西藏山南市贡嘎县平顶山市湛河区广东省广州市越秀区四川省遂宁市蓬溪县桂林市兴安县山西省晋中市太谷区桥西区留营街道甘肃省天水市秦州区甘肃省陇南市内蒙古呼伦贝尔市阿荣旗丰台区长辛店镇上海市市辖区嘉定区云南省西双版纳傣族自治州勐腊县宝坻区牛家牌镇山西省吕梁市岚县

售后服务上门服务电话，，，智能分配票据：具身智能的真机数采，，，到了分水岭

具身智能正在履历一次要害的瓶颈认知切换。。

已往两年，，，行业角逐的焦点是本体，，，谁能造出更能跑、更能跳的机械人。。但进入2026年，，，竞争的重心正在从硬件转向数据。。大语言模子有互联网文本，，，自动驾驶有海量路测数据，，，而具身智能面临的是一个更棘手的问题：机械人需要学会操作物理天下，，，但物理天下的数据不会自然保存。。

不是没有人在做数据。。天下近两年冒出无数“数采工厂”，，，人通过遥操作装备操控机械人重复执行使命，，，把每一帧枢纽角度、力矩、视觉画面录下来作为训练数据。。

但价钱惊人：一条30秒的真机操作数据，，，收罗本钱10到15元。。收罗1小时要花1000元左右，，，凑够20万小时需要两亿元以上。。而这20万小时，，，关于大模子预训练来说不过“沧海一粟”——V-JEPA（Video Joint Embedding Predictive Architecture）是Meta前首席AI科学家杨立昆团队提出的视频自监视学习框架，，，它用凌驾100万小时视频训练来明确物理天下纪律，，，距离Scaling的终点还远得很。。

一边是本钱高到无规则；；；；；；，，，一边是Scaling需要的数据量近乎无底洞。。具身智能行业在去年面临一个尴尬的困局：行业里缺数据的声音此起彼伏，，，但很少有人认真算过一笔账，，，用真机数采的方式填数据缺口，，，本钱上险些看不到出路。。

行业也实验过另一条路：仿真数据。。在模拟器里让机械人重复执行使命，，，自动天生海量的“视觉+行动”配对数据，，，本钱险些为零。。但这条路有它的天花板——Sim-to-Real gap，，，模拟器里的物理纪律和真实天下始终保存误差，，，训练出来的战略搬到真机上往往水土不平。。仿真更适合做预验证和增补增强，，，但担不起主力数据的角色。。

一年后的今天，，，行业在预训练层面的判断已经较量清晰了：人类数据正在成为主流。。但这不是意味着原来主流的真机遥操作失去了价值，，，而是数据的分工被进一步细化。。人类数据由于本钱可控、收罗更无邪，，，更有望Scaling；；；；；；真机数据囿于本钱等原因，，，则在细腻微调上施展更着述用。。

本钱、Scaling和一条被逐一验证的路

若是只看到本钱差别，，，可能低估了这件事的底层逻辑。。人类数据蹊径之以是能走到今天，，，是由于它或许是现在唯逐一条理论上能走到终局的路。。

灵初智能手艺认真人陈源培对此有一个逐一的扫除法论证：互联网视频数据量足够大，，，但“太脏了”。。洗濯互联网数据的本钱远远大于现采。。真机遥操作质量最高，，，但“不可能把天下上所有场景、所有物体的所有操作都搬到一个素材厂里来”。。仿真数据有Sim-to-Real gap的先天问题，，，“同时仿真自己的Scaling也是问题”。。

“看来看去，，，唯逐一个能够Scaling的数据，，，着实就是人类数据。。”陈源培说。。

这个判断和智在无界的选择殊途同归，，，但两家公司对人类数据的界说并不相同。。智在无界走的是纯视觉蹊径，，，用第一人称视频训练模子明确人的行为语义，，，不纪录枢纽角度和触觉信号。。这种方案本钱极低、易于规；；；；；；，，，智在无界已做到20万小时规模。。

但纯视频的局限在于，，，这种数据“缺一个duty pose信息，，，不可很好地恢复接触状态”，，，因此无法直接驱念头械人，，，只能用于预训练阶段的表征学习。。

灵初智能选择的是，，，用自研的62+自由度外骨骼触觉手套收罗人手操作数据，，，同时纪录枢纽角度和指尖触觉信号，，，精度抵达亚毫米级，，，处理后可等同于真机数据直接驱念头械人。。价钱是收罗需要专用硬件，，，规模扩张速率不如纯视频蹊径。。

把各家公司的行动放在一起看，，，已往一年人类数据蹊径的演进，，，有一个较为清晰的生长脉络。。

2024年底，，，由中关村学院孵化的深度机智率先提出“人类学习”（AnthroLearning）蹊径，，，主张用人类第一人称视频训练机械人明确物理天下，，，而非古板的遥操作或仿真。。首创人陈凯出自微软亚洲研究院。。此时这条蹊径险些没有关注者。。2025年7月，，，智在无界宣布Being-H0，，，用1000小时人类第一人称视频做具身预训练。。同年12月，，，灵初智能宣布Psi-SynEngine外骨骼触觉手套数采方案，，，走的是自动传感的蹊径。。几条差别的“人类数据”支线最先并行推进。。2026年1月，，，Being-H0.5宣布，，，人类视频规模推到近2万小时。。但据智在无界BeingBeyond合资人郑思鹏回忆，，，这个蹊径“也还不是主流”。。

转折点在一个多月后到来。。

2026年2-3月，，，英伟达接连宣布EgoScale和DreamDojo，，，划分使用了1到3万小时不等的人类视频数据。。英伟达并非这条蹊径的最早探索者，，，但它的入场是一个要害的验证信号——当全球AI算力巨头最先大规模采购和训练人类视频数据，，，意味着这条蹊径不再是少数公司的实验。。2026年4-5月，，，深度机智宣布PhysBrain 1.0，，，灵初智能Psi-R2基于近10万小时人类数据在MolmoSpaces登顶，，，智在无界Being-H0.7也扩展到20万小时。。多家公司的效果麋集涌现。。

全球规模内，，，这条蹊径也在同步推进。。由前Google DeepMind研究员建设的Generalist AI在2025年底就用27万小时人类操作数据训练了GEN-0模子，，，首次在机械人领域视察到Scaling Law。。据灵初智能方面透露，，，OpenAI、英伟达、Meta等也在大规模采购人类数据——各家对数据怎么用还在探索中，，，但偏向已经明确。。

虽然，，，并非所有公司都押注人类数据蹊径。。智元机械人今年6月宣布了“具身智能数采2.0”系统并开源AGIBOT WORLD数据集，，，宇树科技也在4月开源了真机数据集，，，但它们走的是更古板的蹊径——以真机遥操作和仿真数据为主，，，更着重本体自身的数据闭环，，，而非人类数据的规；；；；；；ぱ盗贰！Ａ教貂杈断衷诓⑿，，，尚未到分出高下的时间。。

一年之内，，，人类数据蹊径从边沿走到了聚光灯下。。英伟达的跟进是一个要害的验证信号，，，而多家中国公司的并行推进则为这条蹊径提供了多元化的早期证据——有人验证纯视觉蹊径，，，有人验证自动传感蹊径，，，各有希望。。

真机数据之以是走欠亨Scaling，，，基础原因在于它是监视学习的产品。。据郑思鹏剖析，，，监视学习训练出来的模子只有“背板能力”，，，泛化能力很差，，，一旦遇到out-of-distribution的场景和使命，，，效果急剧下降。。而人类视频自然笼罩了更辽阔的行动空间漫衍，，，与预训练的逻辑自然匹配。。

共识的界线：范式迁徙、商业分层与资源的分水岭

数据蹊径的转向不是伶仃事务。。与之同步爆发的，，，是具身智能模子范式从VLA向隐式天下模子的迁徙。。

VLA（Vision-Language-Action）在已往一年是具身行业的通用范式，，，实质是一套监视学习框架。。但它的天花板受限于高质量真机数据的稀缺，，，VLA模子无法像大语言模子那样遍历所有可行的行动空间。。据郑思鹏剖析，，，真机数据能笼罩的行动空间，，，只占所有可行空间的“很小一部分”。。

行业最先转向天下模子。。但天下模子也有蹊径之分。。

英伟达的Cosmos Policy走的是显式蹊径，，，通过展望视频的下一帧画面来展望状态转变。。这个要领理论上可行，，，但本钱极高：模子需要“关注画面中皮肤纹理、衣服褶皱等等元素”，，，而这些对机械人决议来说大部分是无关信息。。

智在无界选择的是隐式蹊径（Latent World Action Model），，，只建模须要的状态转变，，，不展望完整画面。。效率差别是数目级的：据郑思鹏给出的数据，，，同样50小时的数据量，，，显式训练需要约4000小时GPU，，，而隐式的本钱约莫是前者的八十分之一。。

“若是扩展到20万小时去训练一个模子，，，显式的投入是千亿级别的。。”

对具身智能来说，，，无论训练照旧推理，，，本钱效率始终是第一位的。。

智在无界并非唯一押注隐式蹊径的公司。。今年3月，，，星海图揭晓了LeWM隐式天下模子论文，，，在多个操作与导航使命上性能与基础模子相当但本钱大幅降低。。6月，，，无界动力宣布MWA?隐空间天下模子，，，在斯坦福等机构提倡的RoboCasa榜单上逾越了英伟达的GR00T-N1.6。。从学术界到工业界，，，越来越多的团队最先探索隐式蹊径。。一场从监视学习到自监视/半监视学习的范式迁徙，，，正在重演盘算机视觉领域一经走过的路：先有监视学习起步，，，然后转向自监视实现Scaling突破。。

手艺蹊径在迭代，，，商业化节奏的判断也在分化。。

一个基本共识正在形成：2B（工业制造、物流等可控场景）比2C（家庭服务）快3到5年。。

在克日由遐想控股微空间、遐想之星和融科资讯中心配合提倡的“硅基进化论”沙龙上，，，宇泛智能CFO戴恺也给出了三个权衡具身智能公司落地质量的务实指标：复购率（客户愿不肯意再次买单）、ROI≥30%（替换人效要有可量化的提升）、谋划性现金流（收入不可全挂在应收帐款上）。。

“若是你看现在市场上许多具身智能公司，，，他有收入，，，但着实全在应收帐款上，，，过一段时间可能又要归集为坏帐。。”

优宝特机械人首创人范永则用一个比喻来表达他对行业节奏的判断：“人形机械人现在就是一个3岁的小孩，，，不要指望他现在去打工挣钱。。但若是你相信他是个康健的孩子，，，他一定能长到18岁。。”

不过也有更激进的判断。。云松鼠智能首创人黄骏达以为，，，五指灵巧手的收敛速率会比行业预期的快得多。。“不是三到五年，，，更不是五到十年，，，未来两年内就能见分晓。。”若是这个判断建设，，，操作端的瓶颈可能会比许多人预期中更早被突破。。

手艺蹊径和商业化判断的分化，，，最终都指向统一个问题：钱往哪流。。

2026年上半年，，，具身智能赛道融资额抵达约460亿元人民币。。但仔细拆开看：其中170亿是早期轮次，，，而这170亿里的70%集中在头部10家公司。。资源盛宴之下，，，资金现实高度集中。。

遐想之星合资人高天垚的视察是，，，目今投资逻辑正在爆发分化。。“各人都在看，，，共识的工具还较量多，，，以是我们希望项目的差别化要突出。。”

而宇树科技的IPO，，，则被视为行业的一个分水岭节点。。据高天垚判断，，，宇树在二级市场“千亿问题不大”。。但戴恺提出了一个玄妙的反论：“人形机械人最焦点的竞争力在大脑层面，，，但宇树现在在这方面的投入和展现出的认知，，，还没有到那么高的层面。。”

他增补说：“从整个工业的生长来说，，，我希望宇树能够在资源市场取得更大的乐成。。但同时，，，估值会越来越趋于理性。。”

范永则从工业链角度给出了另一个判断框架：“这个工业链很长，，，要害模组、本体、小脑、大脑，，，每一个环节都能深耕出优异的企业。。若是要做一个全栈且每个环节都强的公司，，，短期内很难。。”他以为，，，未来三五年能把营收跑起来的，，，更可能是本体企业，，，由于“大脑最终要附生到本体上才有落地的市场”。。

围绕数据基础设施、模子范式演进、量产落地与商业化路径，，，“共识与非共识”的深度思辨由此睁开。。

量不即是质：10万小时可能不如1000小时

数据多了，，，新的问题浮出水面。。

据无问智科首创人刘盛翔视察，，，行业里各人都在喊“缺数据”，，，但纵然把一万万小时的数据摆在眼前，，，能不可用起来也是个大问题。。

“就像英伟达的算力基座，，，若是没有CUDA生态，，，再好的GPU也用不起来。。数据同理，，，缺的不但是数据，，，更是整套的工具链和测评系统。。”

他给出了一个三层框架：一套好用的物理AI数据基座，，，至少应该包括数据自己、配套的工具链、以及响应的测评系统。。“就像人一样，，，要边学习边考试，，，边做模拟学习边做强化学习，，，螺旋式生长。。”

这个视角把问题从“数据够不敷多”推到了“数据能不可被有用使用”。。行业现在面临的情形是：数据生产的瓶颈正在被人类视频蹊径突破，，，但数据“消化”的能力，，，洗濯、标注、增强、评测还没有跟上。。此后者，，，可能才是未来一段时间真正的瓶颈所在。。

但数据量上去了，，，不即是问题解决了。。陈源培捅破了另一层窗户纸：“10万小时的人类数据，，，有些时间可能还不如1000个小时。。”

他举了一个例子：给素材方下发一个使命，，，要求采1000个使命，，，每个使命采100小时，，，凑出10万小时。。同样的1000个使命，，，每个使命只采1小时，，，只有1000小时。。“它们在训练上的作用是差未几等效的。。”

这个反直觉的征象展现了一个被行业忽视的问题——数据处理的难度远大于数据收罗。。源培详细形貌了他们的数据管线有多重大：视觉端要调SAM模子把操作者的手从画面中支解出来，，，再用inpainting模子把配景补上，，，最后挪用仿真器把机械人的模子渲染贴上去；；；；；；行动端要调天下模子对行动做修正，，，再调强化学习做战略优化。。每一个环节在单次执行时都没有问题，，，但“所有堆上去放量的时间，，，每个地方都是卡点”。。

他给出的优先级排序是：在数据集构建层面，，，使命多样性>物体多样性>场景多样性；；；；；；在感知模态层面，，，精准3D位姿>触觉模态>2D图像特征。。而这套标准自己，，，也还在“研发状态”。。

这也诠释了为什么灵初智能虽然收罗了10万小时人类数据，，，却只从中筛选出约5417小时真机等效数据用于模子训练。。数据量和数据质量不是一回事——这个判断，，，可能比“人类数据成为预训练主流”自己更值得行业深思。。

从数据蹊径的周全换锚，，，到模子范式的隐式迁徙，，，从商业化节奏的分层判断，，，到资源流向的结构性分化，，，具身智能行业正在履历一次深层的“重新锚定”。。

真机数采仍然是细腻微调阶段不可替换的黄金标准，，，但在预训练层面，，，人类数据正在成为主流。。这不是一场零和博弈，，，而是一次行业分工的重新划定。。

这些转变的爆发速率，，，比大大都人预期的要快得多。。(本文首发钛媒体APP，，，作者 | AGI-Signal，，，编辑 | 秦聪慧）

今日羁系部分披露新政策具身智能的真机数采，，，到了分水岭

具身智能正在履历一次要害的瓶颈认知切换。。

已往两年，，，行业角逐的焦点是本体，，，谁能造出更能跑、更能跳的机械人。。但进入2026年，，，竞争的重心正在从硬件转向数据。。大语言模子有互联网文本，，，自动驾驶有海量路测数据，，，而具身智能面临的是一个更棘手的问题：机械人需要学会操作物理天下，，，但物理天下的数据不会自然保存。。

不是没有人在做数据。。天下近两年冒出无数“数采工厂”，，，人通过遥操作装备操控机械人重复执行使命，，，把每一帧枢纽角度、力矩、视觉画面录下来作为训练数据。。

但价钱惊人：一条30秒的真机操作数据，，，收罗本钱10到15元。。收罗1小时要花1000元左右，，，凑够20万小时需要两亿元以上。。而这20万小时，，，关于大模子预训练来说不过“沧海一粟”——V-JEPA（Video Joint Embedding Predictive Architecture）是Meta前首席AI科学家杨立昆团队提出的视频自监视学习框架，，，它用凌驾100万小时视频训练来明确物理天下纪律，，，距离Scaling的终点还远得很。。

一边是本钱高到无规则；；；；；；，，，一边是Scaling需要的数据量近乎无底洞。。具身智能行业在去年面临一个尴尬的困局：行业里缺数据的声音此起彼伏，，，但很少有人认真算过一笔账，，，用真机数采的方式填数据缺口，，，本钱上险些看不到出路。。

行业也实验过另一条路：仿真数据。。在模拟器里让机械人重复执行使命，，，自动天生海量的“视觉+行动”配对数据，，，本钱险些为零。。但这条路有它的天花板——Sim-to-Real gap，，，模拟器里的物理纪律和真实天下始终保存误差，，，训练出来的战略搬到真机上往往水土不平。。仿真更适合做预验证和增补增强，，，但担不起主力数据的角色。。

一年后的今天，，，行业在预训练层面的判断已经较量清晰了：人类数据正在成为主流。。但这不是意味着原来主流的真机遥操作失去了价值，，，而是数据的分工被进一步细化。。人类数据由于本钱可控、收罗更无邪，，，更有望Scaling；；；；；；真机数据囿于本钱等原因，，，则在细腻微调上施展更着述用。。

本钱、Scaling和一条被逐一验证的路

若是只看到本钱差别，，，可能低估了这件事的底层逻辑。。人类数据蹊径之以是能走到今天，，，是由于它或许是现在唯逐一条理论上能走到终局的路。。

灵初智能手艺认真人陈源培对此有一个逐一的扫除法论证：互联网视频数据量足够大，，，但“太脏了”。。洗濯互联网数据的本钱远远大于现采。。真机遥操作质量最高，，，但“不可能把天下上所有场景、所有物体的所有操作都搬到一个素材厂里来”。。仿真数据有Sim-to-Real gap的先天问题，，，“同时仿真自己的Scaling也是问题”。。

“看来看去，，，唯逐一个能够Scaling的数据，，，着实就是人类数据。。”陈源培说。。

这个判断和智在无界的选择殊途同归，，，但两家公司对人类数据的界说并不相同。。智在无界走的是纯视觉蹊径，，，用第一人称视频训练模子明确人的行为语义，，，不纪录枢纽角度和触觉信号。。这种方案本钱极低、易于规；；；；；；，，，智在无界已做到20万小时规模。。

但纯视频的局限在于，，，这种数据“缺一个duty pose信息，，，不可很好地恢复接触状态”，，，因此无法直接驱念头械人，，，只能用于预训练阶段的表征学习。。

灵初智能选择的是，，，用自研的62+自由度外骨骼触觉手套收罗人手操作数据，，，同时纪录枢纽角度和指尖触觉信号，，，精度抵达亚毫米级，，，处理后可等同于真机数据直接驱念头械人。。价钱是收罗需要专用硬件，，，规模扩张速率不如纯视频蹊径。。

把各家公司的行动放在一起看，，，已往一年人类数据蹊径的演进，，，有一个较为清晰的生长脉络。。

2024年底，，，由中关村学院孵化的深度机智率先提出“人类学习”（AnthroLearning）蹊径，，，主张用人类第一人称视频训练机械人明确物理天下，，，而非古板的遥操作或仿真。。首创人陈凯出自微软亚洲研究院。。此时这条蹊径险些没有关注者。。2025年7月，，，智在无界宣布Being-H0，，，用1000小时人类第一人称视频做具身预训练。。同年12月，，，灵初智能宣布Psi-SynEngine外骨骼触觉手套数采方案，，，走的是自动传感的蹊径。。几条差别的“人类数据”支线最先并行推进。。2026年1月，，，Being-H0.5宣布，，，人类视频规模推到近2万小时。。但据智在无界BeingBeyond合资人郑思鹏回忆，，，这个蹊径“也还不是主流”。。

转折点在一个多月后到来。。

2026年2-3月，，，英伟达接连宣布EgoScale和DreamDojo，，，划分使用了1到3万小时不等的人类视频数据。。英伟达并非这条蹊径的最早探索者，，，但它的入场是一个要害的验证信号——当全球AI算力巨头最先大规模采购和训练人类视频数据，，，意味着这条蹊径不再是少数公司的实验。。2026年4-5月，，，深度机智宣布PhysBrain 1.0，，，灵初智能Psi-R2基于近10万小时人类数据在MolmoSpaces登顶，，，智在无界Being-H0.7也扩展到20万小时。。多家公司的效果麋集涌现。。

全球规模内，，，这条蹊径也在同步推进。。由前Google DeepMind研究员建设的Generalist AI在2025年底就用27万小时人类操作数据训练了GEN-0模子，，，首次在机械人领域视察到Scaling Law。。据灵初智能方面透露，，，OpenAI、英伟达、Meta等也在大规模采购人类数据——各家对数据怎么用还在探索中，，，但偏向已经明确。。

虽然，，，并非所有公司都押注人类数据蹊径。。智元机械人今年6月宣布了“具身智能数采2.0”系统并开源AGIBOT WORLD数据集，，，宇树科技也在4月开源了真机数据集，，，但它们走的是更古板的蹊径——以真机遥操作和仿真数据为主，，，更着重本体自身的数据闭环，，，而非人类数据的规；；；；；；ぱ盗贰！Ａ教貂杈断衷诓⑿，，，尚未到分出高下的时间。。

一年之内，，，人类数据蹊径从边沿走到了聚光灯下。。英伟达的跟进是一个要害的验证信号，，，而多家中国公司的并行推进则为这条蹊径提供了多元化的早期证据——有人验证纯视觉蹊径，，，有人验证自动传感蹊径，，，各有希望。。

真机数据之以是走欠亨Scaling，，，基础原因在于它是监视学习的产品。。据郑思鹏剖析，，，监视学习训练出来的模子只有“背板能力”，，，泛化能力很差，，，一旦遇到out-of-distribution的场景和使命，，，效果急剧下降。。而人类视频自然笼罩了更辽阔的行动空间漫衍，，，与预训练的逻辑自然匹配。。

共识的界线：范式迁徙、商业分层与资源的分水岭

数据蹊径的转向不是伶仃事务。。与之同步爆发的，，，是具身智能模子范式从VLA向隐式天下模子的迁徙。。

VLA（Vision-Language-Action）在已往一年是具身行业的通用范式，，，实质是一套监视学习框架。。但它的天花板受限于高质量真机数据的稀缺，，，VLA模子无法像大语言模子那样遍历所有可行的行动空间。。据郑思鹏剖析，，，真机数据能笼罩的行动空间，，，只占所有可行空间的“很小一部分”。。

行业最先转向天下模子。。但天下模子也有蹊径之分。。

英伟达的Cosmos Policy走的是显式蹊径，，，通过展望视频的下一帧画面来展望状态转变。。这个要领理论上可行，，，但本钱极高：模子需要“关注画面中皮肤纹理、衣服褶皱等等元素”，，，而这些对机械人决议来说大部分是无关信息。。

智在无界选择的是隐式蹊径（Latent World Action Model），，，只建模须要的状态转变，，，不展望完整画面。。效率差别是数目级的：据郑思鹏给出的数据，，，同样50小时的数据量，，，显式训练需要约4000小时GPU，，，而隐式的本钱约莫是前者的八十分之一。。

“若是扩展到20万小时去训练一个模子，，，显式的投入是千亿级别的。。”

对具身智能来说，，，无论训练照旧推理，，，本钱效率始终是第一位的。。

智在无界并非唯一押注隐式蹊径的公司。。今年3月，，，星海图揭晓了LeWM隐式天下模子论文，，，在多个操作与导航使命上性能与基础模子相当但本钱大幅降低。。6月，，，无界动力宣布MWA?隐空间天下模子，，，在斯坦福等机构提倡的RoboCasa榜单上逾越了英伟达的GR00T-N1.6。。从学术界到工业界，，，越来越多的团队最先探索隐式蹊径。。一场从监视学习到自监视/半监视学习的范式迁徙，，，正在重演盘算机视觉领域一经走过的路：先有监视学习起步，，，然后转向自监视实现Scaling突破。。

手艺蹊径在迭代，，，商业化节奏的判断也在分化。。

一个基本共识正在形成：2B（工业制造、物流等可控场景）比2C（家庭服务）快3到5年。。

在克日由遐想控股微空间、遐想之星和融科资讯中心配合提倡的“硅基进化论”沙龙上，，，宇泛智能CFO戴恺也给出了三个权衡具身智能公司落地质量的务实指标：复购率（客户愿不肯意再次买单）、ROI≥30%（替换人效要有可量化的提升）、谋划性现金流（收入不可全挂在应收帐款上）。。

“若是你看现在市场上许多具身智能公司，，，他有收入，，，但着实全在应收帐款上，，，过一段时间可能又要归集为坏帐。。”

优宝特机械人首创人范永则用一个比喻来表达他对行业节奏的判断：“人形机械人现在就是一个3岁的小孩，，，不要指望他现在去打工挣钱。。但若是你相信他是个康健的孩子，，，他一定能长到18岁。。”

不过也有更激进的判断。。云松鼠智能首创人黄骏达以为，，，五指灵巧手的收敛速率会比行业预期的快得多。。“不是三到五年，，，更不是五到十年，，，未来两年内就能见分晓。。”若是这个判断建设，，，操作端的瓶颈可能会比许多人预期中更早被突破。。

手艺蹊径和商业化判断的分化，，，最终都指向统一个问题：钱往哪流。。

2026年上半年，，，具身智能赛道融资额抵达约460亿元人民币。。但仔细拆开看：其中170亿是早期轮次，，，而这170亿里的70%集中在头部10家公司。。资源盛宴之下，，，资金现实高度集中。。

遐想之星合资人高天垚的视察是，，，目今投资逻辑正在爆发分化。。“各人都在看，，，共识的工具还较量多，，，以是我们希望项目的差别化要突出。。”

而宇树科技的IPO，，，则被视为行业的一个分水岭节点。。据高天垚判断，，，宇树在二级市场“千亿问题不大”。。但戴恺提出了一个玄妙的反论：“人形机械人最焦点的竞争力在大脑层面，，，但宇树现在在这方面的投入和展现出的认知，，，还没有到那么高的层面。。”

他增补说：“从整个工业的生长来说，，，我希望宇树能够在资源市场取得更大的乐成。。但同时，，，估值会越来越趋于理性。。”

范永则从工业链角度给出了另一个判断框架：“这个工业链很长，，，要害模组、本体、小脑、大脑，，，每一个环节都能深耕出优异的企业。。若是要做一个全栈且每个环节都强的公司，，，短期内很难。。”他以为，，，未来三五年能把营收跑起来的，，，更可能是本体企业，，，由于“大脑最终要附生到本体上才有落地的市场”。。

围绕数据基础设施、模子范式演进、量产落地与商业化路径，，，“共识与非共识”的深度思辨由此睁开。。

量不即是质：10万小时可能不如1000小时

数据多了，，，新的问题浮出水面。。

据无问智科首创人刘盛翔视察，，，行业里各人都在喊“缺数据”，，，但纵然把一万万小时的数据摆在眼前，，，能不可用起来也是个大问题。。

“就像英伟达的算力基座，，，若是没有CUDA生态，，，再好的GPU也用不起来。。数据同理，，，缺的不但是数据，，，更是整套的工具链和测评系统。。”

他给出了一个三层框架：一套好用的物理AI数据基座，，，至少应该包括数据自己、配套的工具链、以及响应的测评系统。。“就像人一样，，，要边学习边考试，，，边做模拟学习边做强化学习，，，螺旋式生长。。”

这个视角把问题从“数据够不敷多”推到了“数据能不可被有用使用”。。行业现在面临的情形是：数据生产的瓶颈正在被人类视频蹊径突破，，，但数据“消化”的能力，，，洗濯、标注、增强、评测还没有跟上。。此后者，，，可能才是未来一段时间真正的瓶颈所在。。

但数据量上去了，，，不即是问题解决了。。陈源培捅破了另一层窗户纸：“10万小时的人类数据，，，有些时间可能还不如1000个小时。。”

他举了一个例子：给素材方下发一个使命，，，要求采1000个使命，，，每个使命采100小时，，，凑出10万小时。。同样的1000个使命，，，每个使命只采1小时，，，只有1000小时。。“它们在训练上的作用是差未几等效的。。”

这个反直觉的征象展现了一个被行业忽视的问题——数据处理的难度远大于数据收罗。。源培详细形貌了他们的数据管线有多重大：视觉端要调SAM模子把操作者的手从画面中支解出来，，，再用inpainting模子把配景补上，，，最后挪用仿真器把机械人的模子渲染贴上去；；；；；；行动端要调天下模子对行动做修正，，，再调强化学习做战略优化。。每一个环节在单次执行时都没有问题，，，但“所有堆上去放量的时间，，，每个地方都是卡点”。。

他给出的优先级排序是：在数据集构建层面，，，使命多样性>物体多样性>场景多样性；；；；；；在感知模态层面，，，精准3D位姿>触觉模态>2D图像特征。。而这套标准自己，，，也还在“研发状态”。。

这也诠释了为什么灵初智能虽然收罗了10万小时人类数据，，，却只从中筛选出约5417小时真机等效数据用于模子训练。。数据量和数据质量不是一回事——这个判断，，，可能比“人类数据成为预训练主流”自己更值得行业深思。。

从数据蹊径的周全换锚，，，到模子范式的隐式迁徙，，，从商业化节奏的分层判断，，，到资源流向的结构性分化，，，具身智能行业正在履历一次深层的“重新锚定”。。

真机数采仍然是细腻微调阶段不可替换的黄金标准，，，但在预训练层面，，，人类数据正在成为主流。。这不是一场零和博弈，，，而是一次行业分工的重新划定。。

这些转变的爆发速率，，，比大大都人预期的要快得多。。(本文首发钛媒体APP，，，作者 | AGI-Signal，，，编辑 | 秦聪慧）

衣服起球就是质量差？？？？别错怪了衣服

凯时AG

尼克斯老板多兰致谢球迷