1天前 具身数据缺口估到20倍，卖数据为何仍可能不赚钱？

作者：毛不毛     出品：具身智能前沿

“缺口 20 倍”，可能是最容易误读的数字

2026 年的具身智能展会上，数据成了比机器人本体更热的话题之一。

一组被频繁引用的估算是：训练通用具身模型可能需要千万小时级数据，而全球可用的高质量真实物理交互数据只有数十万到百万小时。按最激进的口径算，两者相差约 20 倍。

听起来，这几乎是一张写好的商业计划书：缺口这么大，谁能把数据生产出来，谁就能赚钱。

问题也恰恰藏在这里。

“模型理论上需要多少数据”，回答的是技术供给问题；“客户今年愿意买多少数据”，回答的是现实预算问题。这两个数字之间，还隔着机器人出货、真实部署、任务定义、训练验证和采购流程。把前者直接当成后者，就像看到全国公路总里程很长，便认定每一家沥青厂都能拿到订单。

因此，20 倍缺口可以说明行业为什么重视数据，却不能直接证明数据服务商已经拥有一个同等规模的付费市场。它更像需求上限，而不是订单底稿。

机器人下线了，不代表需求已经闭环

2026 年 6 月 28 日，智元机器人宣布第 1.5 万台机器人下线。这个数字很重要：它说明供应链组织、标准化生产和工程交付已经跨过了新的门槛。

但“下线”首先证明的是可制造性，不是终端需求的持久性。

一台机器人可以被用于展演、教育、科研、数据采集或短期试点。只有当它进入真实工位，持续完成任务，并由客户的日常运营预算支付，才会产生稳定的数据回流：哪里失败、为什么失败、需要补什么样本、重新训练后有没有改善。

这也是为什么工信部和国资委在 2026 年实景实训专项行动中，把目标写成“应用验证和常态部署”，而不只是增加机器人数量。政策同时要求凝练高价值应用场景、积累真机数据，并形成“实景实训—数据沉淀—产品迭代—规模部署”的闭环。

这里的顺序不能倒过来。

如果终端任务尚未稳定，数据需求就很难被精确定义；如果客户还没有重复部署，第一次采购的数据也可能停留在项目验收，而不是持续训练。机器人卖出去多少台，与数据公司能获得多少长期收入，并不存在简单的线性关系。

按小时扩产，最容易生产出“库存”

具身数据看起来适合按小时计价，因为小时容易统计、容易验收，也方便比较采集效率。

可模型并不认识工时。

它只会对数据分布作出反应。同一个采集员，在同一张桌子上，用同一种路线重复拿杯子，确实能迅速增加时长，却未必增加新的物体、场景、策略和失败类型。对一个固定工业动作，这种标准化重复可能很有价值；对追求跨场景泛化的模型，它也可能只是大量相似样本。

Google DeepMind 牵头的 Open X-Embodiment 提供了一个更准确的参照。这个项目汇集 22 种机器人、500 多项技能和超过 100 万条轨迹，训练出的 RT-1-X 在多个实验室的测试中，相比各自原有方法取得了更好的平均表现。

这项结果支持的是“跨本体、多任务数据可以改善迁移”，而不是“只要小时数变多，模型就一定更强”。DeepMind自己也把数据混合比例如何影响泛化列为后续问题。换句话说，数据的本体、任务、环境和质量如何组合，至少和总量一样重要。

不过，跨本体迁移不等于不同机器人可以原样共用动作数据。场景视觉、物体特征、任务语义和高层策略更容易共享；关节角度、轨迹和力度则受本体结构、传感器与控制系统约束。Open X 论文也指出，同一个动作向量在不同机器人上可能产生完全不同的运动。

因此，仿真、公开视频和其他本体的数据可以扩大覆盖，却不能替代目标真机适配。标定偏差、延迟、打滑和回差，最终仍要在目标机器人、工位和任务中验证。

中国信通院 2026 年发布的具身智能训练场报告，也给出了相似警告：训练场数量快速增加，但场景任务同质化、实际数据产能有限、数据多样性与流通性不足，可持续商业模式尚未形成。

供给扩张解决的是“能不能采”，商业价值还要回答“采什么”和“采完是否有用”。如果这两步没有打通，数据不是资产，只是库存。

因此，更合理的路径通常不是在“买数据”和“自己采”之间二选一。公共或外部数据负责扩大覆盖，目标真机上的自采数据负责硬件适配，部署失败的回流数据则负责定义下一批最该补什么。自采并不天然更好；它真正的优势，是能够围绕自己的能力缺口定向获取，并在同一台机器和同一项任务上验证是否有效。如果没有训练与评测闭环，自采同样可能变成库存。

真正值钱的数据，通常从失败里长出来

训练前很难一次性列出机器人需要的全部数据。真实部署会不断暴露新问题：透明物体看不准，软包装抓取后滑落，衣服形态超出训练分布，连续任务中某一步失败后无法恢复。

这些失败不是普通意义上的脏数据。它们定义了下一轮最有价值的数据需求。

Physical Intelligence 在 π*0.6 的 RECAP训练流程中，把机器人自主执行产生的经验和专家纠正重新用于训练。论文报告，在多样衣物折叠和意式咖啡制作等任务上，引入真机运行数据后吞吐提高，失败率大约下降一半。

图片说明：黄色柱为加入真机经验后的最终 RECAP 模型；多样衣物与咖啡任务的成功率提升最明显。图片来源：Physical Intelligence 论文 Figure 8（π*0.6: a VLA That Learns From Experience）

这个结果不能被外推成所有任务都会得到同样收益，但它揭示了一条重要路径：数据的价值，不由采集动作结束时决定，而由重新训练和再次部署后的变化决定。

这也解释了为什么单纯的数据供应商很容易陷入项目制。客户提出任务，供应商按规格采集并交付，双方在文件数量和合格时长上完成验收。至于模型有没有变好，通常留给客户自己承担。

一旦行业供给增加、设备标准化，这种服务就容易比较人力、场地和单小时价格。规模可以带来收入，也可能同时带来更重的运营和更薄的利润。

数据生意有三层，只有最后一层接近壁垒

第一层卖采集能力：设备、人员、场地和项目管理，按小时或任务收费。需求真实，但竞争最终容易落到成本与交付速度。

第二层卖结构化数据：完成同步、清洗、姿态重建、语义标注、质量筛选和格式统一。这里已经包含数据工程能力，不过当规范逐渐统一，处理流程仍可能被标准化。

第三层卖能力增量：先定位模型在哪类场景失败，再设计采集任务和数据配比，参与训练与评测，最后用部署结果验证是否改善。客户买的不是一万小时视频，而是更稳定的抓取、更少的失败、更好的跨场景迁移。

难点在于，第三层已经不再是传统的数据外包。数据方必须理解模型、评测、本体和真实任务，还要获得客户训练流程与部署结果的反馈。它的服务边界更深，责任也更重。

所以，“不能只卖数据”并不是一句营销话术。它意味着商业模式从按投入计价，转向按研发结果建立信任。真正可能形成壁垒的，也不是某一批已经采完的数据，而是持续判断“下一批最该采什么”的能力。

接下来，少看总时长，多看四个信号

判断具身数据是不是一门成熟生意，我更愿意观察四件事。

第一，是否出现非关联客户的重复采购。首次订单可能来自试点、融资故事或生态合作，重复订单更接近真实使用价值。

第二，采购是否从创新试点预算进入日常运营预算。只有机器人持续工作，数据生产才可能成为持续支出，而不是一次性项目。

第三，数据供应商能否公开可比较的能力增量。不是展示采了多少小时，而是在明确任务、模型和评测口径下，说明成功率、失败率、吞吐或泛化发生了什么变化。

第四，部署失败能否回流。失败定义下一批自采或补采任务，能力改善再推动更多部署，这才可能形成数据飞轮。只有循环最终带来重复订单和持续付费，技术闭环才真正转成商业飞轮。

具身智能当然缺数据，而且可能长期缺。

但这个行业更稀缺的，不是又一批被计入总时长的视频，而是把一次真实失败变成一次可验证能力提升的系统。

当客户愿意为这种提升持续付费时，数据缺口才真正变成商业需求。此前，它仍然只是一个很大的数字。