本文来自微信公众号“中国工业报”，【作者】左宗鑫 王珊珊。
在一座座数千平方米的具身智能训练场内，人形机器人反复练习抓取、搬运、装配，动作捕捉设备、多视角传感器持续记录物理交互的每一个细节——这些训练场被称作“机器人学校”，是物理AI时代最核心的数据生产车间，支撑具身智能从实验室演示走向工业、家居等真实场景落地。
按照产业理想逻辑，训练场本应构建起一套“采数—训模—落地—回流数据”自增强的数据飞轮：训练场产出的物理交互数据越多，机器人基座模型迭代速度越快；模型能力提升之后，人形机器人落地场景持续拓宽，来自工业、服务业端的真实场景数据又能反向回流训练场，最终打开通用机器人产业化空间。然而，启动这套飞轮，需要海量、多元、贴近真实工况的真机数据作为初始燃料。据中国信息通信研究院发布的《具身智能训练场研究报告（2026年）》显示：截至2026年6月底，全国已建成启用超过70家具身智能训练场（数采中心），在建或规划中的还有46家，覆盖全国18个省级行政区。
值得注意的是，一座规模化训练场的硬件投入可达数千万元，网络配套、动作捕捉设备、机器人本体之外，每年数百万元的人力、维保、水电运维成本持续支出。据IT桔子测算，规模化运营下真机遥操作单小时有效数据成本约275元，小规模采集阶段，单小时成本甚至高达数千元。在理想假设下，若年产10万小时数据、初始投入5000万元，全部数据顺利售出，仅依靠数据售卖业务，回本周期也要三年以上；一旦场景同质化加剧、数据质量参差不齐、订单不及预期，回本周期还将进一步拉长。
一边是产业迫切需要千万小时级别的交互数据以推动具身智能能力涌现，另一边是训练场重资产、长回报周期、商业化路径尚未跑通的矛盾。训练场如何撬动具身智能时代？数据飞轮要多久才能真正转动？这是当前具身智能产业必须回答的现实考题。
图源：数据堂公司
真机、无本体与仿真的路线之争
在具身智能的数据采集领域，三条技术路线的争论从未停止。真机遥操作、无本体采集、仿真合成数据，各自拥有坚定的拥趸，也各自面临难以回避的短板。
三条路线谁当主力，首先需要厘清当前缺口有多大？《具身智能训练场研究报告（2026年）》显示，假设机器人迎来“ChatGPT时刻”需要训练1.1万亿token的数据，若全部依靠真机采集，约需21200台机器人连续工作一整年，产出千万小时级的有效数据，但目前全球可用的高质量真实数据，总共只有数十万到百万小时级。
缺口背后是悬殊的成本账。华中伟业建设集团有限公司国际公司总经理胡双告诉中国工业报，真机遥操作虽是“黄金标准”，但仅设备投入就在每套20万元以上，采集人力约300元一天。无本体采集让穿戴设备的人直接“干活”，无需机器人本体在场，综合成本可降低80%。根据自变量TwinDEX的评测，无本体采集效率可达真机遥操作的5.3倍；XRZero-G0方案进一步验证，“10份无本体数据加1份真机数据，效果等同于10份真机数据，成本直降95%”。
乐聚机器人常务副总裁柯真东进一步向中国工业报解释了真机数据在全流程中的定位：通过预训练，基础模型任务成功率通常在40%—50%；通过后训练，垂域模型和技能成功率可提升至80%左右，这主要依靠训练场产出的真机数据；进入实际生产后，再依托真实场景回流数据完成迭代，把技能成功率推到95%以上，这是“场景落地的最后50米”。
跨维智能CMO林嘉伟则从具身智能训练不同侧重点向中国工业报解释道：“在预训练阶段，我们希望模型广泛学习人类经验，理解不同物体、任务和操作方式，形成‘通才’能力。这一阶段，第一视角、无本体采集等方式可以发挥重要作用，让人们在自然操作过程中贡献真实经验，以少量真实数据与海量仿真数据覆盖，支撑基础模型的语义理解和通用泛化。后训练阶段，重点是把通用能力转化为具体任务中高精度、高稳定性、高成功率的执行能力。生成式仿真在这里可以发挥主力作用：围绕任务自动生成大量具有不同物体、位置、材质和交互条件的训练数据，通过自动化训练、微调和蒸馏，高效形成面向实际应用的‘专才’模型，实现商业落地所需要的边界内泛化。真机则用于验证执行效果，并将实际运行中发现的问题反馈到数据和模型迭代中。”
“在大量使用无本体和仿真数据进行预训练的前提下，具体需要补充多少真机训练数据，应由迁移效果决定。”诺亦腾机器人副总裁、合伙人李遥认为，配比应随模型能力和训练阶段调整。统计规模时，也要分别说明原始采集、数据增强和合成数据的时长，最终以新增能力覆盖、有效交互片段和真实任务表现来衡量价值。李遥同时强调，无论采用何种数据组合，模型在实际部署前都需要在目标真机上验证。
商业化闭环为什么跑不通
业内反复提及“部署—出错—接管—回流—训练—再部署”的数据飞轮，但目前国内多数企业难以跑通完整闭环。核心瓶颈在哪里？
“核心瓶颈是把一次真实失败以可承受的成本转化为模型可以学习、并且能够验证有效的反馈。”李遥一语中的，并进一步拆解了所遇的障碍：
首先，软硬件需要具备足够的稳定性。机器人要能持续执行任务，在适当时机识别异常，并允许人员安全接管。如果大部分时间都在处理掉线、设备故障和人工复位，就很难持续积累有价值的自主执行经验。数据记录还必须保留出错前后的观测、动作、控制权切换和任务结果，才能区分是感知错误、策略问题，还是执行器与控制系统的问题。
其次，失败数据需要经过正确处理才能成为训练信号。只把日志回传，或者把失败动作直接作为模仿样本，并不会自动带来改进。需要记录人在什么情况下接管、如何恢复任务，并结合结果评价，帮助模型学习应该保留和修正的行为。已有机器人学习研究将自主执行经验、人工纠正和结果反馈结合起来，说明这条路径有价值，也说明回流之后的学习方法同样关键。
最后，本体碎片化会增加适配和验证成本。诺亦腾机器人主张共享通用的任务与交互信息，同时保留各类机器人专属的控制数据。运营上，应明确接管、维护和复位的责任与成本，先在任务清晰的场景中跑通闭环，并约定数据回流规则。通过任务完成效率、人工接管次数和恢复成本评估改进，再逐步扩大部署。
运营成本则是第二重瓶颈。真机在真实场景中“出错”，则意味着业务中断，企业愿意为数据回流付出的停机成本有限。“在进入工厂前，如果不通过训练场采集真机数据完成训练，单技能真机评测成功率达不到80%以上的标准，根本没有办法进入工厂采集生产场景数据。工厂不可能停下正常运转的生产线，允许成功率仅40%的机器人进场作业，更谈不上数据的‘真机回流’了。”柯真东直言。
除此之外，行业过去常简单用“数据小时数”“数据条目数量”衡量训练场产出。如上海训练场强调“年产出超10PB多模态高质量数据”——但这些数字背后，有多少是真正能驱动模型迭代的有效数据？
“单纯统计小时数、条目数是浅层指标，很容易造假注水。”科技部国家科技专家库专家周迪指出，应跳出数量陷阱，评估体系重点考察以下五个维度：一是场景多样性，应关注障碍物布局、光照条件、地面材质、物体形变等变量的丰富程度，而非局限于固定布景。二是任务长尾覆盖，应优先评估少见、高难度任务数据的占比，而非大量简单重复动作的数据规模。三是本体可迁移性，应考察数据在对应机器人本体上的实测成功率；脱离真机验证的仿真数据，其价值将大打折扣。四是错误样本密度，应关注故障、碰撞、误判等负样本在数据中的占比；高质量数据集必须包含大量失败数据。五是标注精度与时序一致性，应评估动作、力觉、视觉等多模态时序对齐的质量。
中国企业资本联盟副理事长柏文喜也提出了类似的多维评估体系：“场景覆盖度（环境、任务多样性）、数据保真度（物理参数准确）、标注精度、时序连贯性、真机验证成功率。以任务完成率、泛化能力为核心指标，替代单纯小时数统计。”
商业化闭环为什么跑不通
训练场扩容易，算账难。
“真机数据的市场挂牌价在每小时500至1000元。”这是觅蜂科技董事长姚卯青等卖方的对外报价口径。据虎嗅报道，灵御智能CEO金戈透露，数采中心从本体厂商回购数据的实际价格只有每小时120至150元。数采服务商、杭州数犀科技的孙潇则披露，订单经层层转包后，数采公司到手价降至每小时70至90元，一线采集员按40至70元结算——三组数字分属挂牌、回购、转包环节，不能直接对比，但剪刀差足以说明：挂牌价尚未经过真实成交的检验。
在胡双看来，当前，真机数据和无本体数据价差悬殊，根本原因是定价锚点缺失：买方无法预判这批数据能把模型性能提升多少。
对于具身智能数据如何定价？李遥看好“分层授权与持续服务相结合”的模式：数据价格需要反映任务稀缺性、覆盖度、模态完整性、质量、适配工作和授权范围。小时数可以作为交付计量单位，但不足以单独决定交易价值。对于通用性较强、能够服务多个客户的数据，非独占授权有利于分摊生产成本；对于专有领域或客户出资形成的特定数据，可以讨论限定行业、用途或期限的独占授权。所谓“产权买断”也需要拆解为具体权利，明确原始数据、标注、衍生数据及训练后模型分别可以如何使用和分发，避免用一个笼统名称代替合同约定。
李遥表示，效果评价也应进入交易流程。数据企业可以先提供代表性样本，在约定的模型、训练预算和测试任务上验证，再扩大采购。诺亦腾机器人的ModalityNet数据平台已提供三类数据集的样本，供研究团队参考和验证。同时，训练效果还受算法、算力和本体能力影响，按效果付费需要明确评价基线及归因方法。
柏文喜则提出了差异化的客户策略：“对大模型企业采用使用权授权+按量计费；对本体厂商提供定制化数据集产权买断或联合研发；对工业方提供数据+解决方案订阅。长期应建立基于数据质量、稀缺性、应用效果的分级定价体系。”
值得注意的是，有一种观点认为“数据基础设施会比具身大模型更早实现商业化”，因为数据是当前明确的瓶颈，而大模型的能力天花板尚未触及。但这门生意潜藏着巨大的商业风险——数据资产的价值高度依附于下游本体的商业化节奏。
“数据资产依附本体的风险真实存在。”柏文喜坦言，“如果人形机器人3-5年内无法形成规模化部署，海量数据资产的边际价值会快速衰减。”
下游本体商业化的不确定性，直接传导到上游数据资产。如何对冲？胡双提出了三条路径：一是资产形态多元化——数据企业不应只囤积“原始轨迹”，而应积累“经过真机验证的、可跨本体迁移的能力单元”，这类资产的贬值风险低于原始数据；二是场景绑定而非本体绑定——灵御智能的“作业即采集”模式让数据资产与零售场景的运营价值绑定，而非与特定机器人型号绑定，即使本体迭代，场景数据仍有复用价值；三是开源与商业化并行——自变量开源XRZero-G0系统和2000小时数据集，看似放弃数据资产，实际上通过建立行业标准来巩固自身在数据生产工具链中的位置。
周迪从训练场运营的角度出发，提出应通过多元化商业模式推动训练场可持续发展。具体而言，首先，面向工业场景，承接特种机器人、移动机器人的模型训练与场景测试服务，服务对象不局限于人形机器人。其次，对外提供虚实融合场景搭建、机器人模型微调、算法验证测试等技术服务，并收取项目服务费。同时，承接第三方机器人厂商的真机测试、安全测试与可靠性验证业务，将训练场打造为机器人公共测试平台。此外，面向教育、科研机构开放仿真平台与真机实验工位，收取科研、实训服务费。最后，授权仿真场景资产与多模态基础数据资产，采取轻量化授权方式，避免持续消耗真机算力。通过多元化商业模式，让具身智能训练场从重资产模式下“卖数据产品”，转向机器人AI算法测试验证服务平台，扩大服务对象，不将全部赌注押在人形机器人消费端量产上。
在柯真东看来，随着基模逐步落地进入实际场景，真机数据的市场需求量会持续攀升，这个行业的爆发点预计就在明年。当基模训练阶段结束、垂域落地需求爆发，今天在训练场上反复拧瓶盖的机器人，或许正在为明天走进工厂、商超和家庭的“智能员工”积蓄最关键的力量。但前提是，具身智能训练场的能力下沉，不能仅停留在硬件基建的投入层面，而要真正运转起那架名为“数据飞轮”的引擎。
