三问“具身数据元年”

2026 年数据元年已经成为具身智能为数不多的共识。这份共识并非空喊，而是在具身智能物理世界真实应用里 “算法跑不通、场景不通用” 的现实倒逼而成的必然。

有趣的是，如果说 2025 年“量产元年”更像是本体厂商的口号，以及给市场阶段性回馈的成绩；那 2026 年“数据元年”则是本体、模型厂商必须解决的产业结构性矛盾。更深层次的差异在于，2025 年本体企业即便暂未量产，仍有技术迭代、产能爬坡的容错空间。但 2026 年如果厂商没有打磨出差异化的数据解决方案，始终徘徊在 Scaling Law 的门口，那或许会逐步消耗外界对厂商的耐心。

于是我们可以看到，一场关于数据采集设备的竞赛已悄然拉开帷幕。从规模化的应用 VR+手柄遥操作采集本体真机数据，到现在无本体数据采集设备 UMI、Ego，再到基于外骨骼遥操作的真机数据采集解决方案，在真机和仿真的二元对立间劈开了一条新路。其实已经侧面说明了一件事，对于数据究竟谁能得到业界认可，业界又真正需要什么样的数据，一直没有回答清楚。

从产业发展来看，数据采集的设备竞赛，导致本体厂商忙着自建数据采集团队，模型公司扎堆布局混合数据生成引擎，所有人都试图用差异化打法改写 “数据饥渴” 的困境，夯实自身的数据壁垒。

但这场狂欢真的能解渴吗？ALL IN 数据的厂商们，究竟是被行业焦虑裹挟的跟风者，还是真正抽丝剥茧找到了底层痛点的破局者？

我们暂且不提那些老生常谈的数据问题，单从最近的大动态来看，2025 年末 Generalist 27 万小时数据炸场具身智能，看起来好像是 Scaling law 时刻已至，但不乏有业内声音认为其底色是一场“暴力美学”。

毕竟，规模和丰富只是数据饥渴的原因之一，精细化和高质量也是解决问题的充分必要条件。数据饥渴的本质，从来不是 “缺数据”，而是 “缺有用的数据”。这才是具身数据元年的关键，不是 “堆规模”，而是 “找对路径”。

那么，当我们抛开焦虑情绪，具身智能数据真正的核心拷问才刚刚浮现。

坦白说，不少人尚未意识到“数据是为场景服务的”。

很多人看待数据金字塔存在谬误，始终觉得数据最难得但最好用的是真机数据，但事实上，数据金字塔其实是动态的，并非一成不变，取决在什么场景解决什么问题。

就像即将完成IPO“大考”的王兴兴在西门子首届科技峰会上所说，“我们公司和业内，能用仿真环境、仿真训练解决的，尽可能用仿真解决，因为速度快、成本低，可以调整一些参数”，这在人形机器人走、跑、打拳常见。而他坦言，“机器人做‘操作’相关的动作，靠仿真做得还不够好，全球范围内还是靠真人采集数据去训练”，当然真人采集也面临搭建环境有限、成本高等痛点。

从王兴兴的话中，其实可以看出他对数据的取舍，即始终要从数据本身的“可供性”出发，并从场景的验证中得到实践反馈。企业想要知道缺什么类型的数据，不是厂商在实验室里猜出来的，而是在真实场景中找到的。

所以，通过场景来看，无论是互联网数据还是少量真机+仿真形成的海量数据，都能让具身智能机器人完成“大开大合式”动作。这些数据支撑了机器人从实验室走进物理世界，但距离我们想要的生产力仍有一段距离。

互联网视频数据缺失力觉、触觉反馈，仿真数据难以还原不同材质的物理特性（如布料的柔软度、金属的光滑度），即便是少量真机数据，也多聚焦于本体运动，而非末端操作的细节。但在家庭服务、物流分拣、工业制造的大部分生产力场景中，都需要“本体运动+大量的末端操作”。换句话说，今天数据的核心诉求，可以聚焦到末端执行器上，尤其是有着复杂的“指间功夫”的灵巧手。

现在从国外呼声最高的特斯拉、Figure 都已经证实，二者的机器人在真正落地时，灵巧手干活参与度并不高，很多还是徒有“手”，却干着“夹爪”的活。

但遗憾的是，这类数据无法通过 “暴力采集” 获得。与通用场景数据不同，灵巧手数据具有极强的场景特异性：同样是 “抓取” 动作，抓取玻璃制品与抓取橡胶零件的力控曲线完全不同；同样是 “拧动” 动作，手动螺丝刀与电动螺丝刀的操作逻辑存在本质差异。这意味着，厂商必须深入具体场景，通过一系列数采设备采集 “针对性数据”。这也正是其稀缺性的核心原因。

这场数据补位战，本质是从 “泛化数据堆砌” 向 “场景化精细数据深耕” 的转型，而灵巧手数据的储备厚度，将直接决定机器人的生产力边界。

当下业内已经意识到灵巧手数据采集的重要性，下一步就落在了如何采集更准确的数据。

目前看到的数据采集设备竞赛已至。除了仍在扩张的真机数采厂之外，现在 UMI、Ego、外骨骼也异军突起，都在用低成本、高效率的方式破局。

当前 UMI 主要聚焦于机械臂末端的操作数据采集，也因此 goub 器 goub 以覆盖机器人全身协调动作，以及大多是两指夹爪作为末端专注于夹爪类任务，这使其在需要全身交互的场景中应用受限。

但对于聚焦单一操作任务的中小企业而言，UMI 仍是当前阶段 “成本与精度平衡” 的最优解之一；由此衍生出解决机器人全身协调动作的解决方案 Ego，但是 Ego 也出现依赖强大的算法后端做完成多维重建和数据对齐的难题，并且两者在数据采集中更偏向提供海量数据用于预训练，数据质量问题堆砌到后期，而这个阶段会付出很高的成本。

而且，目前看 UMI 和 Ego 这两类数采设备逐渐开始强绑定，比如鹿明机器人、简智机器人都相继在UMI之后推出Ego数采设备，并相互支持、配合使用。业内将这二者采集的数据视为互补的信息来源。

但如果只到这一步，仍不见得能够解决灵巧操作的难题。一方面 UMI 局限于夹爪形态，另一方面 Ego 这类以自我为中心的人类数据虽然有很强的扩展性，但亚毫米的手指位姿和触觉数据仍存在缺失。这使得 UMI、Ego 甚至其组合都难以让机器掌握精细操作技能。

所以，我们会看到更多关乎“灵巧末端”的数据采集新硬件，例如近期智在无界（BeingBeyond）正式推出的 U1，全球首款 Real DexUMI，深受 UMI 范式影响，将灵巧手硬件、本体交互接口、动态追踪与触觉感知整合在同一系统中，用自己的手自然地操控另一只手；还包括灵巧智能 DexCap 外骨骼数据采集系统，它实现了人体上肢及腰部的全维度动态捕捉，在常规视觉遥操的基础上，增加了手部端有震动力觉反馈，为灵巧手产品开发提供了好用、可靠的数据来源。

当然，灵巧智能不是概念先行，早在 25 年上半年，业内还未意识到末端操作数据重要性时，其已在用外骨骼路径做规模化采集。如今接近一年技术迭代后，在 UMI、Ego 引起广泛热议之际，再谈起这一设备并非“技术考古”，而是见证其穿越技术周期，仍以必要性存在于前沿数据采集中，落在产业发展的实处。

此外，当前末端操作的数据采集技术路线五花八门，除了UMI、Ego、外骨骼，还包括光学动捕、惯性动捕、IMU/量子传感/光纤/弹性传感的数据手套等都可以采集末端数据，但是经过市场验证，这些手套更适用于中低精度和弱磁场环境，且数据在后期处理成本极高，目前的技术发展条件下，规模化潜力有限。

总之，这场设备竞赛的终局，从来不是 “谁取代谁”，而是 “谁能更好地融入协同生态”。外骨骼设备凭借力觉触觉复刻、长期稳定输出、数据标准化的三重核心优势，成为灵巧手精细化数据采集的 “刚需配置”；UMI 与 Ego 则以高效、低成本的特点，承担规模化数据积累的角色；各类数据手套也在技术蛰伏。

必须强调，设备和数据更多时间不是“排他性”的，相反更应该尝试有效结合。

一个比较有意思的现象是，一方面具身智能产业链在逐步完善，以前大体分为本体、大脑两个阵营，现在已经跑出深耕数据的独角兽。一时间，市面上人人都有数据，人人都想占山为王。

但数据话语权应该给谁？

答案是拥有硬件的人，无论是本体还是模型还是数据厂商，谁更懂数据采集的硬件，谁才有话语权。

数据采集从不是简单的 “记录动作”，而是要让物理世界的操作精准转化为数字世界的可用资产，这背后离不开硬件的三大核心支撑：数据维度，数据质量，数据处理成本。

数据维度要求数据采集到的信息是足够丰富的，如果数据维度不够丰富，会让模型在训练中大量去“猜”，最终是无法收敛。数据质量，则某种程度上决定了模型吃的是粗粮还是细糠，“吃的粗”模型就长得“糙”，干不来精细活。

最后是数据处理成本，也指“全链路处理成本”，即数据采前、采后的管线建设、人员培训、数据清洗、算法映射等一整套“工业产线”式的成本。这几者，共同决定了数据采集的成功与否。

目前看，不少数采企业在这些环节上普遍未掌握全要素。但也涌现出一些厂商和设备的理念考虑到了数据的“维度、质量与处理成本”。