22小时前 算力大战，是具身智能最被高估的一个共识

先问你一个问题，你觉得具身智能这行，最缺的是芯片，还是数据？

先别急着说答案，我给你摆两个真金白银的事实。

Figure一家公司，2026年9月砸了35亿美元买算力，意向还要扩到60亿，一口气锁了10万张英伟达芯片。智元的彭志辉，一开口就是“我要堆一万张芯片”、“给机器人出三千万道题”。这架势，谁看了不脱口说一句算力大战来了。

大多数人也是这么想的。缺什么补什么，缺算力就抢算力，可我把数字从头到尾过了一遍，结论不是这么来的。

算力这条腿，早就已经在狂奔了。真正拖后腿的，是数据。

你可能会问，数据？互联网上不是要多少有多少吗？具身智能的数据，跟你想的不一样，它爬不了网页，只能一台本体一台本体地磕出来。

算力是钱能解决的，数据不是。这就是答案。

01.

物理AI的算力，到底有多重

先解释一个词。你平时用AI写文案、改代码，它吃的是文字，这种AI我们叫它大语言模型。它的胃口很小，你打一行字，它算一下就行。但机器人不一样，它每动一下手，脑子里都要先算一遍该往哪放、使多大劲。这种会动手的AI，才叫物理AI。

一旦AI开始动手，消耗就完全不是一个级别了。

小鹏给过一个具体数字。它家第二代车，20万辆开在路上，每天为开车这件事要消耗58.8万亿个计算单位。这是什么概念？把全国一天所有文字类AI的用量加一起，才0.737万亿。差了快80倍。当然两边的口径不完全一样，一个是车、一个是全行业，不能精确地除。但方向不会错，动一个动作，比写一句话，费得多的多。因为一个动作里要装进空间位置、力度大小，信息量比一段文字大得多。

这个方向，资本已经用真金白银押注了。2026年9月，做人形机器人的Figure，跟一家算力公司签了份合同，先掏35亿美元，后面还想加码到60亿，最多订10万张英伟达的顶级芯片。这是有史以来，给一家人形机器人公司开的、最大的一笔算力支票。Figure的老板说得更直接：现在卡住公司的，是训练模型要用的数据和算力，数据不够，只能先拿算力把机器转起来。

智元的彭志辉，说法几乎一样。他今年把训练用的芯片堆到了接近一万张，就为了喂饱三千万个训练任务。他把这比作给机器人办高考，还是三千万道题的全国联考。

图注：Figure 02在宝马斯帕坦堡车身车间抓取车身钣金件放料。这台机器跑满11个月，放料准确率超过99%，可它的算力成本只占总成本3%到5%。图片来源：BMW Group Press

看起来，物理 AI 就是一场更狠的算力军备竞赛。

02.

可惜，算力不是瓶颈

把量产一台机器人的成本拆开看，军备竞赛这个说法就站不住了。

先看成本。Figure 02在宝马车身车间里，干的是把金属板放上夹具这种活，准确率超过99%，一干就是11个月。

你猜它这11个月里，花在让物理AI变聪明上的钱占多少？算力只占总成本的3%到5%，剩下95%是机器本身的折旧、日常维护、还有保险。另一家工业机器人厂纳诺算得更细，一台抓取机器人身上的算力成本，已经压到5000元以内，只占整机成本的5%到6%。不同的机构口径略有出入，但都落在3%到10%这个区间里。

一台已经能量产的机器人，芯片根本不是它花钱的大头。真正贵的，是从零开始训练一个会干活的模型。有测算说，完整训练一套机器人的大脑，要烧掉200万个GPU小时。GPU小时这个词不好懂，你可以简单理解成一块顶级芯片连轴转一个小时。折算下来，光算力就要上亿元人民币。算力最要命的地方，不在造机器人的时候，而在教机器人学本事的时候。

图注：斯帕坦堡车身车间里，人形机器人和六轴工业机械臂各干各的。机器人负责把钣金件放上夹具，焊接和搬运交给机械臂，谁也替代不了谁。图片来源：BMW Group Press

再看训练规模，结论更让人意外。独立研究机构Epoch AI在2025年8月发了一份分析，标题直接叫《算力不是机器人操作训练的瓶颈》。它把历年来训练机器人的算力，和训练最前沿大模型的算力摆在一起比，结果很扎眼，最大的机器人模型，用的算力只有同期大模型的1%。

一边是Figure砸35亿美元买算力，一边是Epoch AI说机器人算力只占大模型的1%。这两句话看起来打架，说的是两码事，Epoch讲的是单次训练花得不多，Figure砸钱是因为要反复训练、持续迭代，一年年累积下来才贵。合在一起看，算力这扇门早就被推开了，卡住人的不在门口。

03.

真正缺的是数据

Epoch AI那个1%的差距，根源不在芯片，在数据。

大语言模型能吃掉整个互联网的文字，一毛钱不花，因为字就在那摆着。具身智能没有这个便宜占，网上不存在随手就能下载的一亿条抓取轨迹。一个机器人要学一个动作，得有人握着它、带着它，真实地走一遍。一条轨迹就是一次真实的时间，不能快进，不能重放，只能一次一次地踩。

图注：同样需要数据，语言模型踩在互联网这座现成的矿山上，具身智能只能一条轨迹一条轨迹地踩。图片来源：依据本文公开数据绘制

这个差距有多大？把两边最丰富的数据集摆在一起，一眼就能看清。

具身智能这边，智元把自己采集的数据开源出来，一共100万条轨迹。另一个全球最全的机器人数据集，聚合了22种不同的机器，加起来也就100万到140万条，已经是全世界能凑出的极限了。

语言那边呢？是拿万亿来数的海量文字。百万条对上万亿，中间差着好几个数量级。而且具身数据还有个毛病，它认身体。一台机器人学会的本事，换到另一台不同型号的机器上，常常就失灵了。怎么让技能跨着身体通用，到现在也没人解出来。

数据稀缺这件事，资本已经用另一种方式在投票。做数据标注的Scale AI，Meta 2025年6月以143亿美元入股，估值推到290亿美元。国内做具身数据的独角兽光轮智能，估值20亿美元，2026年一季度新增订单5.5亿，超过了2025年全年。

GPU可以下单就买，数据只能一台本体一台本体地采。钱买不到的东西，才是真稀缺。

04.

两条腿在抢跑

算力这条腿在确实狂奔。机器人动个手要算的东西，比写一句话多出好几十倍，Figure一家就锁了35亿美元的算力，科技巨头一年的资本开支冲到近7000亿美元。钱和卡，这条腿都不缺。

数据这条腿还没学会走路。最丰富的真实轨迹，不过百万条，跟语言模型吃掉的文字根本不在一个档次，而且每一条都要靠真机器一点一点踩出来，成本怎么也压不下去。

图注：算力这条腿在狂奔，数据这条腿还在原地，两条腿的差距就是物理AI和语言模型的差距。图片来源：依据本文公开数据绘制

两条腿的差距，就是物理 AI 和语言模型的差距。语言模型是先有海量的字，才练出会说话的模型；物理 AI 反过来，得先造出身体，身体才能采数据，采够了数据才能长智能。顺序反了，整个滚雪球的过程就转得慢。

这个慢，不是缺钱能解决的。互联网的语料，是几十亿人用了几十年，顺手留下来的。具身智能的数据，没有这个捷径，它得靠人一条一条地踩，踩过的那几秒钟，就是它拥有的全部。

别再问物理AI是不是算力之争。买GPU的钱已经有人替它付了，但没人能替它踩出那几百万条真实世界的轨迹。算力已经跑出去了，数据只能一步一步往前挪。

急也没用。这就是这件事本来的样子。