具身智能数据范式重构：为何人类视频正在取代真机遥操作？
具身智能（Embodied AI）正在经历一场从“硬件本体”向“数据底座”的深刻认知切换。过去两年，行业聚光灯始终聚焦于机器人的本体制造——谁能造出更灵活、更耐造的人形机器人。然而，随着2026年的到来，竞争的重心已悄然转移。大语言模型拥有互联网文本的海量滋养，自动驾驶有多年积累的路测数据闭环，但具身智能面对的是一个截然不同的难题：物理世界的数据不会天然存在，且采集成本极高。
真机遥操作的Scaling死结
长期以来，真机遥操作被视为获取高质量数据的标准路径。人类通过遥操作设备操控机器人，记录下每一帧的关节角度、力矩和视觉画面。这种方式虽然能产生高保真数据，但其经济账却令人望而却步。
据行业测算，一条仅30秒的真机操作数据，采集成本高达10至15元。若以1小时数据为单位，成本约为1000元。要凑够大模型预训练所需的20万小时数据，预计需投入两亿元以上。相比之下，Meta前首席科学家杨立昆提出的V-JEPA框架，仅靠100万小时视频就构建了强大的视频自监督学习模型，且成本远低于真机采集。这一巨大反差揭示了真机数采在Scaling（规模扩展）层面的根本困境：它无法通过简单的线性投入获得指数级的数据增长。
仿真数据的局限与人类数据的崛起
为突破真机成本瓶颈，行业曾大量依赖仿真数据。在模拟器中，机器人可以无限次尝试任务，数据成本几乎为零。但Sim-to-Real Gap（仿真到现实的差距）始终存在。物理引擎的偏差导致训练出的策略在真机上往往水土不服，仿真数据更适合做预验证，而非主力数据源。
转折点出现在对“人类数据”价值的重新发现上。人类数据由于采集成本可控、场景覆盖灵活，展现出极强的Scaling潜力。这并非否定真机数据的价值，而是明确了数据分工：人类数据负责预训练阶段的大规模表征学习，真机数据则退居后方，服务于精细微调。
这一路线的演进脉络清晰可见：2024年底，深度机智提出“人类学习”路线；2025年，智在无界与灵初智能分别通过纯视觉和主动传感（外骨骼触觉手套）两条支线并行推进；2026年初，英伟达发布EgoScale和DreamDojo，标志着全球AI巨头对这一路线的集体验证。至此，人类数据从边缘实验走向主流预训练标准。
模型范式的迁移：从VLA到隐式世界模型
数据路线的转向，同步推动了模型架构的升级。VLA（Vision-Language-Action）作为过去的通用范式，本质是监督学习框架。其局限在于，高质量真机数据无法覆盖全量的动作空间，导致模型泛化能力受限。一旦遭遇分布外（Out-of-Distribution）场景，性能急剧下降。
行业正加速向“隐式世界模型”迁移。与英伟达Cosmos Policy预测完整画面帧的“显式”路线不同，隐式路线（如智在无界的Latent World Action Model）仅建模必要的状态变化，忽略无关视觉细节。这种策略带来了数量级的效率提升：同等数据量下，隐式训练的GPU成本仅为显式的八十分之一。当训练规模扩展至20万小时，显式路线的投入将高达千亿级别，而隐式路线则具备商业可行性。学术界如星海图的LeWM、产业界如无界动力的MWA™，均在验证这一低成本、高泛化的技术路径。
数据质量的悖论：量不等于质
尽管人类数据路线打通了供给端，但“消化”端仍面临严峻挑战。无问智科创始人刘盛翔指出，行业缺的不仅是数据，更是配套的工具链与测评体系。如同没有CUDA生态的GPU无法发挥算力，缺乏清洗、标注、增强流程的数据只是一堆垃圾。
更深层的问题在于数据的有效性。灵初智能技术负责人陈源培提出一个反直觉观点：“10万小时人类数据，有时不如1000小时。”若为凑数据量而重复采集低多样性的任务，其训练效果远不及覆盖1000个不同任务的1000小时数据。灵初智能采集的10万小时人类数据，经复杂管线（视觉分割、背景修复、动作修正）处理后，仅筛选出约5417小时高价值真机等效数据。
这揭示了数据处理的真实难度：任务多样性 > 物体多样性 > 场景多样性。精准的3D位姿与触觉模态，比粗糙的2D图像特征更具训练价值。行业共识正在从“追求数据规模”转向“追求数据密度与结构质量”。
商业化分层与资本理性
技术路线的演进，最终映射在商业化节奏与资本流动上。目前，行业形成明确共识：2B场景（工业制造、物流）的落地速度将领先2C场景（家庭服务）3至5年。宇泛智能CFO戴恺提出衡量落地质量的三项硬指标：复购率、ROI≥30%、经营性现金流健康。
资本流向呈现出高度的结构性分化。2026年上半年，具身智能赛道融资约460亿元，但70%资金集中在头部10家公司。这种集中反映了投资者对“差异化技术壁垒”的渴求，而非盲目跟随共识。宇树科技的IPO被视为行业里程碑，但市场对其估值逐渐回归理性。正如业内观点所言，人形机器人如同3岁孩童，短期内难以通过“打工”变现，其核心价值在于本体的物理基础与大脑的智能协同。
结语：重新锚定未来
具身智能行业正经历一次深层的“重新锚定”。真机数采并未消亡，而是在产业链中找到了更精准的位置——作为微调阶段的黄金标准；人类数据则凭借低成本与高扩展性，成为预训练的主流基石。这场变革不仅关乎数据获取方式的优化，更涉及从监督学习到自监督/半监督学习的范式跃迁。
未来三到五年，产业链上的关键模组、本体、小脑（运动控制）与大脑（决策规划）将各自深耕。那些能够构建高效数据工具链、实现隐式模型低成本训练、并在2B场景率先跑通商业闭环的企业，将在这一轮分化中胜出。具身智能的下半场，不再是单纯的本体竞赛，而是数据质量、模型效率与商业落地能力的综合较量。