具身智能的竞争，胜负手在数据供给能力

📌 一句话摘要

本文深入分析了具身智能行业的核心竞争正从模型能力转向数据供给能力，指出高质量真机数据是产业化的必要条件，并梳理了国内外训练场建设、数据分层、行业争论及经济价值。

📝 详细摘要

文章指出，具身智能行业正经历一场从模型竞赛到数据基础设施竞赛的范式转移。全球头部玩家如特斯拉、Figure AI 以及国内众多企业、地方政府，都在大规模建设实体训练场，以批量生产高质量的真机数据。文章将数据分为互联网文本、仿真数据和真机数据三层，强调真机数据是决定任务成功率的顶层资源。围绕数据有效性，行业存在仿真派与真机派之争，但共识是数据供给能力将成为未来竞争的关键。文章还类比了深度学习时代的 Scale AI 和计算机视觉领域的 ImageNet，认为具身智能数据领域正孕育着巨大的商业机会，并推动机器人从基于规则的控制向数据驱动的范式转移。最后，文章强调数据资产是时间的函数，越早积累优势越大。

💡 主要观点

- 具身智能的竞争核心正从模型能力转向数据供给能力。 全球头部玩家如特斯拉、Figure AI 和国内企业都在大规模建设实体训练场，以批量生产高质量的真机数据，这标志着行业进入了数据基础设施竞赛阶段。

高质量真机数据是具身智能产业化的必要条件，但供给缺口巨大。 文章将数据分为互联网文本、仿真数据和真机数据三层，强调真机数据质量最高但成本也最高。当前年均高质量数据产出量级仅约 10 万小时，而有效数据需求预计达千万级，供给缺口巨大。

行业存在仿真数据与真机数据之争，但共识是缺乏高质量数据生产系统。 以银河通用为代表的仿真派主张 99%合成数据+1%真实数据，而以星海图、乐聚为代表的真机派则坚持真实世界原生数据是底座。争论背后反映了行业对数据渴求但缺乏有效生产系统的现状。

具身智能数据领域正孕育巨大商业机会，类比深度学习时代的 Scale AI。 光轮智能、无问智科等数据公司获得巨额融资，光轮智能估值已超 10 亿美元。文章认为具身智能数据设施正像当年的云计算一样，成为机器人时代的公共平台。

数据驱动范式正在取代传统基于规则的控制范式。 文章指出具身智能正从 Model-Based 向 Data-Driven 范式转移，特斯拉 Optimus 已全栈采用神经网络而非 if-else 逻辑，后训练阶段少量高质量真机数据效果远优于单纯增加仿真样本。

💬 文章金句

- 一场具身智能的竞赛，正在展开，目标不是生产机器人，而是生产数据。

• 数据能解决现阶段几乎所有问题。
• 具身智能的瓶颈从来不在模型，而在教材。
• 数据资产是时间的函数，越早开始积累，优势越难被追上。
• 训练场是不是一个终极方案并不重要，重要的是，它是具身智能走向产业化的必要条件。

📊 文章信息

AI 初评：85

来源：AI科技评论

作者：AI科技评论

分类：人工智能

语言：中文

阅读时间：15 分钟

字数：3694

标签： 具身智能, 人形机器人, 数据供给, 训练场, 真机数据

阅读完整文章