具身智能迎年度检阅：训练可用数据量大增，算力需求涌上云平台

📌 一句话摘要

本文报道了 WAIC 2026 上具身智能行业的最新变化：训练可用数据量因「人类数据」采集范式兴起而大增，驱动算力需求快速涌向云平台，但真机数据稀缺与软硬件强耦合仍是能力跃进的瓶颈。

📝 详细摘要

文章基于 WAIC 2026 的现场采访，梳理了具身智能行业在数据和算力方面的最新进展。核心变化是「人类数据」（由人穿戴设备采集）的兴起，正取代仿真数据成为预训练主力，推动可用训练数据量从数百小时跃升至 50 万甚至 1000 万小时。这直接导致数据清洗、标注等处理需求暴涨，进而驱动算力需求涌向云平台，腾讯云等厂商的具身智能业务算力规模增长了 4-5 倍。同时，端侧小模型已无法满足长程复杂任务，云端协同成为新趋势。但文章也指出，真机数据依然稀缺且采集效率低下，特定场景数据不足，加上软硬件强耦合，行业离数据飞轮启动和规模化落地仍有 2-3 年距离，需对进展速度保持合理预期。

💡 主要观点

- 「人类数据」采集范式兴起，成为具身智能训练数据增长的主要驱动力。 通过人穿戴轻量化设备采集动作数据，效率远高于真机采集，使训练数据量从几百小时跃升至 50 万小时级别，并改变了预训练与后训练的数据配比。

数据量激增直接驱动算力需求涌向云平台，催生新的算力调度模式。 数据处理需求暴涨，推动腾讯云具身智能业务算力规模增长 4-5 倍，并催生了利用夜间闲置算力进行数据处理的「潮汐算力」模式以降低成本。

端侧模型算力不足，云端协同成为实现复杂长程任务的必然选择。 实践表明，低于 20B 参数的模型难以满足高成功率动作要求，迫使厂商将模型部署上云，依赖云端协同架构。

真机数据与特定场景数据依然稀缺，是制约机器人能力跃进的瓶颈。 真机数据采集效率低、有效时长短，且按摩、加油等特定场景数据严重不足，而真机数据对执行具体任务不可或缺。

行业处于早期阶段，数据飞轮尚未启动，规模化落地仍需 2-3 年。 数据、算力、模型、场景、本体强耦合，存在「长尾效应」，业界共识是需先铺垫基座模型能力，对短期落地速度不宜期望过高。

💬 文章金句

- 数据、算力、模型、场景、机器人本体就像五根手指，握在一起才是拳头，缺一不可，这是一个复杂系统，每个维度都无法有效拆开。

• 具身智能和自动驾驶相似，都有「长尾效应」，即进展非常快推进到 60%、70%、80%，但最后的 20%要花非常多时间走完，最后的百分之几是最难。
• 大家对具身智能机器人的预期和本体、模型能做到的程度之间还有断层。

📊 文章信息

AI 初评：86

来源：第一财经

作者：第一财经

分类：人工智能

语言：中文

阅读时间：12 分钟

字数：2818

标签： 具身智能, AI 硬件与芯片, 云原生 / DevOps, 模型训练与推理, AI 商业化

阅读完整文章