13小时前 2026 WRC：机器人会遇到自己的“英伟达时刻”吗？

作者：林书     出品：人形大讲堂

PART 01

稀缺的“物理Token”

如果只看热闹，2026世界机器人大会依旧像一场机器人“春晚”。8月19日，大会在北京亦庄开幕，300余家企业带来2000余件展品，150余款新品集中首发。天工Omni走梅花桩、安川首钢的机器人做线缆组装，星海图把前置仓搬进展馆，机器人会跑、会抓、会打包，也开始被要求证明自己真的能干活。

但比新品数量更值得注意的，是机器人突然“没Token可烧了”。目前，业内公开跨本体数据代表Open X-Embodiment，也只有22种本体、100多万条真实轨迹；本届WRC上，光轮智能开放10万小时人类行为数据，京东则提出两年采集1000万小时。厂商以“万小时”乃至“千万小时”补库，恰恰说明可直接训练控制策略的高质量真机轨迹仍稀缺——人类视频还要经过动作重建、对齐和真机验证，才会变成机器人的经验。

大语言模型的Token藏在互联网里，文本、图片、视频可以爬取，也可以继续生成。机器人的“Token”却是一整条同步物理轨迹：视觉、关节状态、末端受力、动作频率、时间戳与任务结果缺一不可。否则，机器人只看到“人做完了一件事”，却不知道怎样用自己的身体复现。

互联网视频可以教模型识别杯子、理解“把杯子放进托盘”，却不会附赠机械臂的关节角、夹爪力矩和接触状态；不同臂长、自由度与控制频率，还要经历动作重定向。接触、摩擦、柔性形变和传感器噪声，仿真可以逼近，却难以全部还原。

所以，今年WRC表面上最拥挤的是本体，真正升温的却是给机器人制造“经验”的产业链。大会专设“数据驱动具身智能，从采集闭环到产业生态”活动，将2026年称为具身智能“数据元年”。资本也已投票：据《证券时报》统计，光轮智能5月至6月两周内完成两轮共20亿元融资；觅蜂科技完成数亿元天使+轮；德塔智能成立半年完成六轮融资。

机器人数据之所以独立成赛道，是因为本体公司的最优商业化路径，与数据闭环天然错位。以宇树为例，它最确定的生意是批量销售标准化机器人及配套开发工具；客户却分散在科研、教育、表演和行业应用中，每个场景都要重新定义任务、采集示范、标注失败并调通控制链，难以像硬件一样复制。

这导致销量不会自动转成数据飞轮：设备卖得越多，数据越可能留在各个客户和项目里；本体厂商也很难为每个工位承接定制化的交钥匙开发。于是，数据采集、治理、仿真、评测和部署回流被拆成一门独立生意，它承接的，正是本体企业难以快速、规模化补齐的那部分经验。

PART 02

数据行业的“三分天下”

今天的机器人数据，大体由人、仿真世界和已部署机器人三类来源生产。它们更像彼此替代、又互相补课的生产方式。

第一种，是把人变成一座移动的数据工厂。

觅蜂科技在本届WRC展示的MEgo Gripper和MEgo View，代表“无本体采集”路线。操作者不必遥控昂贵的机器人，而是持夹爪、戴头部与腕部设备，在真实场景中工作。MEgo Gripper同步记录RGB、深度、IMU、触觉、夹爪力矩和空间轨迹，MEgo View则记录环境、人体运动与任务逻辑。觅蜂计划2026年形成千万小时级数据产能，其中大部分来自无本体采集。

这条路线解决的是规模问题：机器人贵，穿戴设备却能跟着人进入千行百业。但“无本体”并不等于“无本体债务”。人的腕部轨迹，仍要重定向到关节结构和控制空间不同的机器人上；人手能顺手完成的动作，也未必落在夹爪或灵巧手的可达域内。它采到的是高密度人类经验，还不是机器人拿来就能执行的指令。

第二种，是让机器人在虚拟世界里批量训练

仿真的价值不只是省钱，而是现实世界做不到的“可控爆量”。真实产线不会把同一零件的位置、材质、光照和摩擦系数随机改变十万次；仿真却能并行生成这些变量和碰撞、遮挡、跌落等低频失败。光轮智能与NVIDIA合作时，基于Isaac Sim和Omniverse构建汽车工厂场景，将动作轨迹扩展到不同环境与本体，再用Real2Sim2Real缩小迁移差距。

但仿真的软肋也明显：越依赖接触，误差越容易从毫米变成任务失败。摩擦系数差一点，杯子可能不滑；柔性材料形变慢半拍，插拔、压装、叠衣就会走样。域随机化能避免模型死记某种环境，却不能把错误的物理世界随机成正确世界。仿真擅长扩充“已知变化”，难以发现真实现场尚未建模的长尾。

第三种，是让机器人在工作中自己生产下一轮训练数据。

机器人数据中，真正稀缺的往往不是又一万条成功示范，而是模型为何失败、人在何时接管、纠正动作怎样救回任务。它们只在部署后出现，也最贴近真实控制链。字节跳动Seed在穿鞋带任务中，纯模仿学习成功率为45.7%；经过数据过滤、增强和约150条真机在线强化学习轨迹后，升至83.3%。这150条数据正好打在失败边界上，比海量重复成功样本更值钱。

这条路线慢、贵且天然封闭。本体厂商和模型公司最容易拿到回流数据，也最没有动力交给同行。于是独立数据平台向闭环两端扩张：觅蜂用MEgo Engine做数据对齐、轨迹重建、质量评估和回流；光轮则以EgoSuite-Open100K、SimFoundry、RoboFinals、RoboStack连接人类数据、仿真、评测和部署反馈。

所以，“三分天下”不是三条平行的护城河。真机数据校准现实，人类数据扩规模，仿真制造变化，部署反馈则寻找下一批该采什么。单押任何一种，都容易卡在保真度、规模或闭环效率上。

真正的竞争，是把三种数据编织成持续学习系统，并让一次项目交付成为下一次可复用的基础设施。

PART 03

机器人时代的英伟达

在PC与AI时代，英伟达借CUDA把GPU从一块芯片扩展为包含编程接口、算子库和开发工具的通用平台：更多开发者带来更多软件，更多软件又锁定更多算力需求。

如果数据正在成为机器人时代的“计算底座”，行业是否也会诞生一家定义接口、标准和生态的“英伟达”？

但类比成立之前，先要看到差别：GPU是高度通用的计算层，大模型、视频生成和科学计算任务不同，却能调用同一套芯片与软件栈；机器人数据则未必如此。

机器人数据先天不那么“通用”。同样是抓取，双臂人形、轮式机械臂与工业六轴机器人的观察空间、动作空间和关节约束不同；同样是拧紧，汽车产线与家庭厨房的精度、安全和节拍要求也不同。Open X-Embodiment证明22种机器人、100多万条轨迹可以共同训练，NVIDIA 2026年的GR00T 1.7也强化了跨本体能力。但从“有用”到“无损变成我的经验”，仍隔着动作重定向、动力学、标定和控制接口的翻译成本。

因此，未来最接近英伟达的公司，不会只是拥有最多小时数。小时数很容易沦为具身智能时代的“注册用户数”：听起来很大，却不说明数据能否训练、能否迁移，更不说明能否提高任务成功率。

它至少要同时卡住四个位置：用统一格式接入不同来源的数据；用仿真和世界模型把稀缺经验扩成规模；用标准化评测证明数据真的有效；再从真实部署中抓回失败样本，让平台越用越懂模型缺什么。

从这个角度看，光轮智能比单一的采集外包更接近平台雏形，因为它试图同时控制数据、仿真、评测和部署反馈；觅蜂的优势则在于先把真实世界采集网络铺开，再向治理和评测延伸。但两者都还没有回答最后一道题：数据能否脱离某个项目、某台本体和某个客户，稳定地为陌生机器人创造可验证的增益。

只要这个问题没有被解决，所谓“数据平台”仍可能只是更复杂的工程服务公司。

这也意味着，行业眼下并没有明确答案。未来可能出现一家统一物理数据语言的平台，也可能长期只存在汽车装配、物流分拣、家庭服务等一批垂类数据公司；甚至更可能出现折中结果——底层格式、仿真接口和评测标准高度统一，最值钱的现场数据仍被本体厂商与场景方牢牢攥在手里。

所以，2026 WRC真正值得看的，并不是哪台机器人又多做了一个动作，而是谁开始定义动作背后的数据语言。机器人的“英伟达时刻”不会发生在某家公司宣布拥有一亿小时数据的那天，而会发生在不同本体第一次能够低成本调用同一套经验、并在真实世界里稳定获益的那天。

在那之前，数据行业最重要的资产不是数据仓库，而是把现实不断变成下一轮学习材料的能力。