摘要：截至2026年6月，全国已建成启用超70家具身智能训练场，2026年训练场数据年产量预计达千万小时级。但全球可用的高质量真实物理数据仍仅为数十万至百万小时级，缺口超过99%。训练场的大量建设，究竟在缩小缺口，还是在制造“数据泡沫”？本文从数据缺口量化解剖、训练场三重角色、采集路线TCO对比、投资逻辑与风险四个维度，给出一个可检验的判断。
具身智能不缺算法、不缺算力，缺的是让机器人“见过世面”的那千万小时。
一、数据缺口的量化解剖：为什么99%的缺口是结构性的
具身智能的数据困境，与大语言模型有着本质区别。LLM的数据来自互联网上已存在的文本，采集边际成本趋近于零。具身智能数据必须在物理世界中“从零生产”——记录机器人“看到了什么”“执行了什么动作”“动作如何影响周围环境”三个维度的同步信息。觅蜂科技CEO姚卯青的判断直指要害：“物理AI最大的瓶颈、挑战还没有到算力算法这些阶段，相比大模型还在更早期的时候，里面凸显出数据问题。”
这个缺口需要从三个层次拆解，而非只呈现“99%”这一个数字。
总量缺口：具身基础模型要迎来“ChatGPT时刻”，至少需要千万小时级真实数据。但当前全球高质量真实物理交互数据总量仅约50万小时——缺口高达20倍。国金证券研报同样指出，行业至少需要1000万小时的多模态交互数据，而当前全球积累的数据量尚不足需求的5%。斯坦福大学《2026 AI Index Report》的数据更具冲击力：机器人在仿真操作基准中的任务成功率已达89.4%，进入真实家庭环境后骤降至约12%，77个百分点的“仿真到现实迁移鸿沟”让巨额资金堆出的“机器人大脑”在真实环境中沦为“行动废柴”。
结构缺口：已有数据中有效数据占比极低。蚂蚁灵波从9万小时数据中仅清洗出5万小时高质量真机数据，从2万小时第一视角人类操作数据中仅提炼1万小时有效数据，有效转化率约55%和50%。海外情况更严峻——有公司批量买回数据，花大量人力清洗，最后能喂进模型的有效数据率只有10%左右。这意味着“名义小时数”与“有效小时数”之间存在巨大的损耗漏斗。
场景缺口：觅蜂科技百万小时数据覆盖22大类场景、1万余个真实环境、5万余类物体及500余种细分任务，但相对于真实世界的任务长尾，覆盖度仍然有限。更关键的是，行业共识正在形成——数据的“有效小时数”而非“名义小时数”才是决定模型能力上限的变量。名义小时数容易堆砌，重复做同一种任务即使堆到100万小时也可能没有太大训练价值。有效小时数的提升依赖于采集设备精度、标注体系和场景多样性，这三个维度构成了数据服务商的核心壁垒。
二、训练场的三重角色：从“数据车间”到“产业基础设施”
信通院报告将具身智能训练场定位为“关键基础设施”，这一判断需要展开论证。训练场的功能已远不止于数据采集的“练习场”。
数据生产层：4D世界模型驱动的结构化采集
北京石景山区具身智能训练中心的技术框架提供了一个值得深入研究的样本。该中心以4D世界模型为统一底座，打通数字智能、空间智能、物理智能，串联认知决策、场景重建到真机执行全链路，构建形成“采集—建模—训练—验证—回流”的数据闭环。在原有二维视频、动作轨迹数据基础上，叠加深度、空间关系与物理信息维度，完整刻画物体位姿、接触事件、力学关系与任务状态演进。
这不是简单的数据采集，而是物理世界结构化建模能力的体现。对运维和架构师读者而言，值得关注的是：4D数据管线的存储、计算和标注基础设施需求是什么？ 数据量级从二维升级到四维后，对存储和计算资源的需求是数量级的跃升。该中心新建的多视点光场采集系统能够高精度还原物体运动轨迹、形变过程及光影变化，这类系统对带宽、存储IOPS和GPU推理资源的需求，与传统视频采集完全不在一个量级。
产业连接层：训练场作为“供需匹配器”
广东省具身智能训练场负责人高芳用“机器人学校”作比喻——机器人从学校“毕业”后需要找到“工作岗位”，训练场常态化开展机器人产品与行业应用方的供需对接。杭州国家人工智能应用中试基地的案例更具实操参考价值：企业入驻即可一站式获取训练数据和算力资源，“过去，企业要开发一个应用场景，光是训练数据就得花费上千万元。现在入驻基地，就能一站式获取所需资源”。
对IT决策者的启示在于：训练场的“共享基础设施”模式可能改变企业自建数据团队的ROI计算逻辑。当训练场能够以低门槛提供算力保障、数据开放、模型服务和场景验证的公共技术服务平台时，初创团队自建数据采集能力的必要性需要重新评估。
标准输出层：谁运营训练场，谁就在定义“好数据”
信通院已联合40余家单位起草具身智能数据集质量行业标准，涵盖完整性、多样性、真实性等八个维度。国家标准《人工智能 具身智能数据质量规范 第1部分：真实数据》（GB/Z 218.1-2026）已于2026年8月27日发布实施，定义了数据在准确性、完整性、一致性、时效性等方面的质量要求及评估方法，为数据交易、数据共享、模型评测提供统一的“度量衡”。
训练场作为数据生产的一线实践者，其采集流程和技术规范正在“向上”影响标准制定。浙江省质量科学研究院作为主要起草单位参与标准研制，这一事实本身就说明——训练场的运营经验正在转化为行业规则的底层代码。
训练场的核心价值不在于“建了多少个”，而在于“产出了多少可训练的有效小时”。
三、数据采集路线的TCO对比：运维和架构师最关心的实操层
这是对运维和架构师读者最具直接价值的部分。以下以TCO框架对四条主流数据采集路线进行结构化对比：
| 维度 | 真机遥操作 | UMI（无本体） | 第一视角（Ego） | 仿真数据 |
|------|-----------|-------------|---------------|---------|
| 数据单价 | 500—1000元/小时 | 数百元/小时 | ~100元/小时 | 边际成本趋近于零 |
| 采集效率 | 单条50秒 | 单条10秒（效率提升5倍） | 伴随式采集，无需独立工位 | 产能无限 |
| 硬件依赖 | 需实体机器人本体，单台设备超20万元 | 手持夹爪/腕部传感 | 头戴设备/眼镜 | 仿真引擎+算力 |
| 数据与本体对齐 | 完全对齐 | 需空间重建与动作映射 | 需动作映射 | Sim2Real鸿沟显著 |
| 适用阶段 | 后训练/落地 | 预训练/通用表征 | 预训练/场景覆盖 | 补充性训练 |
| 规模化能力 | 受限于本体数量 | 可众包扩散 | 极高（嵌入日常作业） | 极高 |
| 单小时有效成本（规模化运营） | ~275元 | 预计收敛至真机的1/3—1/2 | 持续下降中 | 含算力成本后不低 |
数据来源：新华财经、科创板日报、亿欧智库
成本下降的驱动力分析：鹿明机器人FastUMI Pro将单条数据采集时间从50秒缩短至10秒，综合成本降至传统方法的五分之一。以叠衣服任务为例，遥操作需要50秒、成本3—5元，FastUMI Pro只需10秒、成本低于0.6元。运维读者需要理解的是：这种成本下降不仅来自硬件简化，更来自“数据生产与机器人本体解耦”这一架构决策——采集设备不再需要与特定机器人品牌绑定，标准化程度提升带来规模效应。鹿明机器人创始人喻超判断：“2026年头部模型公司训练数据的规模一定是去年十倍以上的量级，整个具身数据市场相比去年一定是十倍以上的增长”。
“无本体不能替代真机”的技术边界：姚卯青的判断必须被明确引用——“无本体和真机不是相互替代的关系，前者更多用在预训练阶段学习通用表征，后者负责后训练，任何一个任务要真正落地，都绕不开对应本体的真机数据”。这意味着企业不能单纯追逐低成本路线而放弃真机采集能力。蚂蚁灵波LingBot-VLA 2.0的实践也验证了这一点：其6万小时预训练数据中，5万小时来自真机清洗、1万小时来自第一视角提炼，两者缺一不可。
对IT决策者的选型建议：按企业规模和阶段给出建议——研发早期以UMI/Ego数据做预训练，成本可控；进入垂直场景落地阶段必须配置对应本体的真机采集能力；规模化阶段考虑训练场共享模式替代自建。当前真机遥操作在规模化运营后的单小时有效数据成本约为275元，以年产量10万小时数据、建设投入5000万元估算，回本周期在三年以上——这一账本需要企业在自建与采购之间做出理性计算。
无本体数据解决“量”的问题，真机数据解决“落地”的问题——两者不是替代关系，而是流水线的前后道工序。
四、训练场经济的投资逻辑与风险
资本正在加速涌入。 2026年上半年，25家具身智能数据创业公司合计融资超170亿元。光轮智能在两周内累计获得20亿元融资，估值突破150亿元，成为全球具身数据领域首个独角兽，投资方包括中关村科学城基金、巨人网络等产业资本。鹿明机器人完成数亿元Pre-A系列融资，融资将用于具身智能数据和硬件领域的持续投入。觅蜂科技第2万套MEgo设备下线并交付京东，京东同时是数据的采购方、采集方和场景方。这一趋势的核心逻辑是：数据正在从“成本项”变成“独立商品” 。真机数据市场价已达500—1000元/小时，京东、百度上线数据交易平台，湖北完成全国首单企业间具身智能数据交易。
需要警惕的风险信号同样清晰。
其一，训练场建设的地方政府驱动特征。信通院报告指出训练场建设“向三线、四线乃至五线城市延伸”，布局逻辑“从人才、资本驱动转向真实场景、数据供给和运营效率驱动”。这一判断的隐含问题是：部分训练场是否可能沦为地方产业招商的“政绩工程”，而非真正的数据生产节点？训练场属于重资产投入，建设成本涵盖场景建设、数采及本体设备、算力、网络、存储与管理系统等多个方面，日常运营费用同样不菲。当建设热情超过实际数据产出效率时，投资回报周期将进一步拉长。
其二，数据定价体系的缺失。当前数据交易以小时为单位定价，但行业共识是“小时数只是第一道门槛”。数据质量缺乏可验证的第三方评估机制，导致采购方难以判断性价比。虽然北数所已联合东方湖景打通确权评价交易链路，但全国层面的定价机制尚未形成。真机数据价格已有所回落，无本体数据则在几十到一两百元之间波动，价格信号尚未稳定。
其三，数据标准化的“先有鸡还是先有蛋” 。行业标准GB/Z 218.1-2026刚刚发布实施，但训练场已大量建成，已产生的数据是否符合未来标准存在不确定性。这意味着部分训练场的存量数据可能面临“标准发布即贬值”的风险。
结语：一个可检验的判断
2026年训练场的核心矛盾将从“建不建”转向“产出的数据能不能用”。未来12个月内，训练场之间的分化将取决于一个指标：有效数据转化率——即每1000小时采集数据中，经清洗、标注后可用于模型训练的小时数。这个指标将成为评估训练场运营效率和数据服务商投资价值的核心KPI。
蚂蚁灵波的数据清洗实践提供了一个参照系：真机数据有效转化率约55%，第一视角数据约50%。如果行业平均有效转化率低于30%，那么“70家训练场”的建设规模将面临系统性重估。
对于运维和架构师而言，这意味着在评估训练场的数据服务能力时，不应只看其宣称的采集小时数，而应追问一个更本质的问题：这些小时里，有多少真正喂进了模型，让机器人的行为发生了可验证的改变？