本文轉自：深圳國際先進技術應用推進中心
撰文：杜森、歐明緯

具身智能不是單純的機器人產業(yè)，而是人工智能從數字世界的“認知智能”向物理世界的“行動智能”的跨越。人工智能逐漸進入物理世界的浪潮，將是一個比互聯(lián)網、移動互聯(lián)網更具想象力的時代，通往這一未來的道路注定漫長而艱辛，這不會是一次ChatGPT式的突變，而是一場以五年、十年、二十年為尺度的漸進式演進。具身智能作為一種前沿交叉技術，已經如神經網絡般延伸至物理世界的每個角落。一方面，以通用人工智能（AGI）為目標，大模型正努力從語言向多維感知突破，試圖在物理交互中建立世界模型；另一方面，機器人本體正從預設的自動化設備，向具備環(huán)境適應力的“具身智能體”進化。這種認知與身體的深度融合，其根本驅動力在于構建現實數字化到多模態(tài)數據有效整合，這一數字化重構過程不僅是算法能力的勝利，更是為構建物理世界與虛擬模型間數據飛輪奠定的必要基礎。

然而，任何從“數字”到“實體”的跨越，都將面臨物理定律與商業(yè)現實的雙重考驗。數據，已成為制約這一跨越的核心瓶頸。 為此，國先中心聯(lián)合行業(yè)專家重磅發(fā)布《具身智能數據行業(yè)研究》白皮書。本報告直面行業(yè)痛點，梳理了從“科研焦點“到“產業(yè)應用”的數據采集演化路徑，并借鑒自動駕駛行業(yè)“數據驅動閉環(huán)”的工程化經驗，提出了具身智能漸進式的發(fā)展趨勢。

本白皮書旨在為政策制定者、技術從業(yè)者及投資人提供一份理性與務實的行業(yè)指南，厘清數據瓶頸下的技術路線之爭，探討如何構建“低成本、大規(guī)模、高保真”的數據飛輪。在通往通用機器人的星辰大海中，助力產業(yè)在理想與現實之間，找到那條最優(yōu)的進化之路。

報告核心內容導讀

1. 具身智能行業(yè)發(fā)展背景

技術創(chuàng)新從未止步，不斷重塑人機共生的邊界。 具身智能(Embodied Intelligence)，作為人工智能從“硅基思維”向“物理行動”跨越的終極形態(tài)，正站在2026年的歷史拐點。

過去十年，大模型賦予了機器“大腦”，但缺乏物理交互的“經驗”。國先中心《具身智能數據行業(yè)研究》第一章深度界定：具身智能并非簡單的機器人升級，而是認知智能與物理載體的深度融合。

當前，全球科技巨頭競相入局，但行業(yè)普遍面臨“有腦無識”的困境——數據，已成為制約通用智能誕生的核心瓶頸。 本章將帶您穿透概念迷霧，厘清具身智能在國家戰(zhàn)略與產業(yè)版圖中的真實坐標。

2. 具身智能的數據采集路線

數據是具身智能的“第一性原理”，采集方式決定智能上限。 面對百萬小時的訓練數據需求，單純依賴昂貴的真機采集已走入死胡同。本章基于對行業(yè)全譜系的調研，系統(tǒng)性梳理了從“遙操作”到“合成數據”的技術與產品方案。

我們揭示了一個關鍵轉折：行業(yè)正從“強依賴本體”向“無本體數據采集”遷移。 無論是低成本的UMI方案，還是基于互聯(lián)網視頻的軌跡學習，亦或是高保真的仿真合成，都在試圖解決同一個問題——如何低成本地制造常識性動作數據。本章將為您呈現具身智能數據采集的“金字塔”全景，解析如何構建混合數據生態(tài)以突破規(guī)模瓶頸。

3. 自動駕駛的數據發(fā)展經驗

自動駕駛作為具身智能重要的子領域，其落地過程和經驗具有借鑒意義，是具身智能發(fā)展過程中的“避坑指南”。 自動駕駛歷經十余年，從依賴高精地圖的“靜態(tài)測繪”走向依賴影子模式的“動態(tài)演化”，這一歷程為具身智能提供了寶貴的鏡鑒。

本章深度復盤自動駕駛數據發(fā)展經驗，發(fā)現“仿真優(yōu)先，真機驗證”的工程化范式，這為具身智能的落地提供了可供參考的路徑。 我們論證了具身智能應當避免陷入“靜態(tài)數據”陷阱，回歸感知技術和算法結構的創(chuàng)新，逐漸探索建立具身智能的產品數據閉環(huán)，通過借鑒“車輪上的智慧”，為具身智能體工程化路徑提供參考依據。

4. 具身智能數據發(fā)展評估

在理想與現實之間，尋找數據采集路徑的可行解。

當前的具身智能正處于技術路線的岔路口，真機數據的昂貴與合成數據的失真構成了尖銳的矛盾。數據與算法相互依存，在任何算法應用的前期，數據的有效性都非常顯著；而當算法效果提升到一定程度，需要轉向尋找對算法改進有效的“高價值、特異性”數據。此時，一般有兩種方式尋找有效數據，一種是增加數據規(guī)模，通過樣本量級獲取特殊數據，另一種是數據挖掘，提升獲取特殊數據的概率。

本章分析了各種數據采集路線的優(yōu)劣：真機遙操作數據作為“黃金標準”，卻難以突破規(guī)模天花板；合成數據雖然潛力巨大，但面臨數據維度和模態(tài)的多重桎梏。白皮書提出了客觀衡量數據的動態(tài)價值，基于VLA模型發(fā)展階段，數據的多樣性將逐漸超越精度的效用，成為模型能力提升的重要支撐。

5. 數據視角下的漸進式商業(yè)化道路

具身智能尚未迎來屬于它的“GPT-3.5時刻”，其發(fā)展路徑注定無法復制自然語言處理領域“模型即產品”的線性爆發(fā)奇跡。由于涉及更長的感知決策鏈條、更嚴苛的物理約束以及更復雜的環(huán)境變量，單純依靠擴大視覺 - 語言 - 動作（VLA）模型的參數規(guī)模已遭遇“邊際效應遞減”的瓶頸，能力增長不再隨算力堆砌而自動涌現。正如a16z所指出的殘酷現實：實驗室里95%成功率的策略，一旦進入真實倉庫，光照、背景、視角、物體材質發(fā)生變化，成功率可能迅速跌到60%。

從數據視角出發(fā)，數據瓶頸提供了一個確定且漸進演化的硬約束。自然語言處理之所以能夠實現快速躍遷，關鍵在于它解決了自監(jiān)督預訓練的問題，能夠壓縮海量互聯(lián)網知識。而在具身智能中，行業(yè)對視覺的編碼方式和3D空間的推理機制等問題仍未形成統(tǒng)一認知。高質量真實數據的稀缺、多模態(tài)融合的工程難度、仿真到現實的遷移鴻溝，共同影響了智能體的能力邊界與商業(yè)化場景的廣度和深度。

因此，具身智能的商業(yè)化無法一蹴而就，必須摒棄對通用大模型的盲目幻想，轉而擁抱一條務實的“漸進式”道路：即在特定場景中通過積累高質數據、攻克虛實遷移難題，逐步拓寬智能體的能力邊界，以穩(wěn)扎穩(wěn)打的姿態(tài)跨越從實驗室demo到規(guī)模化落地的“真實數字鴻溝”。

6. 機會與風險總結

站在2026年這一從“認知智能”邁向“行動智能”的歷史拐點，具身智能正經歷從技術驗證到產業(yè)應用的深刻蛻變，孕育了大量機會，廣泛分布在產業(yè)鏈上下游。

當前的投資機遇不再局限于單一的模型算法，而是廣泛涌現于為多模態(tài)感知提供入口的硬件革新、推動行業(yè)標準化的數據采集與治理基建、以及能加速模型落地的垂直場景解決方案之中；特別是那些能夠利用真機失敗數據反哺訓練的中立平臺，以及被視為通往通用智能“GPT-3.5時刻”關鍵路徑的世界模型，雖仍面臨“無本體”數據路線是否可行的開放命題，卻已展現出巨大的潛在價值。

然而，機遇與風險始終共生，投資者需清醒認識到，技術架構的快速迭代可能導致既有路徑迅速收斂甚至失效，而數據可用性驗證的高昂投入、數據安全與倫理監(jiān)管的紅線、人機交互中功能安全保障的缺失，以及行業(yè)標準空白帶來的生態(tài)不確定性，均構成了懸在行業(yè)頭頂的“達摩克利斯之劍”，加之商業(yè)化進程可能不及預期的現實挑戰(zhàn)，要求決策者在擁抱技術創(chuàng)新重塑人機邊界的同時，必須持有一份兼具前瞻視野與實操理性的風險評估指南，以耐心和智慧穿越周期，迎接真正的產業(yè)爆發(fā)。