百座数采中心，开始交答卷了

两年前还在密集签约、开工的具身数采中心，如今开始集中交卷。据虎嗅统计，截至2026年8月，全国公开披露的集中式数采中心已有106个，其中84家投入运营，占比79.25%。但梅卡曼德创始人邵天兰一句对行业“攒局”现象的公开质疑，把这门生意推上了风口浪尖。建设潮结束了，不等于商业模式成立了——当真机数采的账越来越难算平，仿真基准正在悄悄补位。数据基建的下半场，比拼的不再是圈地速度。

📈 两年106家，潮水是怎么涨起来的

基建先行的打法，又一次跑在了需求前面。

数采中心真正热起来，是从2025年开始的。在这之前，它还是个相对边缘的概念：2024年3月至2025年3月，全国平均每个月只有约2.7个项目启动，且多集中在少数几个AI产业集聚城市。

到了2025年春天，节奏突然变了。从2025年4月到2026年1月，月均启动数量跃升至约7.3个——训练场、数据采集基地、具身智能创新中心在各地密集落地，几十台、上百台机器人被搬进一个个新建的训练场。建设高峰出现在2026年一季度，此后新启动项目开始减少，前一轮开工的项目陆续投入使用。

几个关键数字值得放在一张表里看：

启动和投用两条曲线之间，大约隔着2到5个月——这正是一座数采中心从签约、装修、设备进场到正式运行的大致周期。周期短、复制快，意味着供给几乎是同步释放的：当几十个基地在同一两个季度内集中开张，市场还没有准备好消化它们。

产业逻辑并不复杂。具身智能公司普遍面临“数据饥渴”，操作类数据缺乏互联网级别的现成积累，真机示教成了稀缺品；地方政府则把数采中心视作抢占具身智能生态卡位的抓手。两股力量一拍即合，就有了这轮建设潮。潮水涨起来只用了一年，而验金的时间，恰好从现在开始。

⚠️ 攒局质疑，是从哪里冒出来的

投运率79.25%，和商业上跑通，是两回事。

转折点是一句公开质疑。前不久，梅卡曼德创始人邵天兰点名具身智能行业里的“攒局”现象，具身数采中心被卷入其中。这和一年前的气氛已经明显不同——彼时各地还在密集签约开工，鲜有人追问这些训练场靠什么回本。

从逻辑上看，集中式真机数采有三个先天难题。其一是场景同质化：训练场里的机器人日复一日做着高度相似的抓取、分拣动作，采集到的数据分布与真实场景错位，模型学得越多，泛化风险越大。其二是成本结构：真机折旧、场地、数据采集人力都是硬支出，数据的边际成本降不下来，很难像互联网数据那样“一次采集、无限复用”。其三是付费方缺位：谁来持续购买这些数据，至今没有形成稳定的定价和结算机制。

据多位接近数采基地运营方的人士透露，行业里私下流传的抱怨是：场地和机器人到位容易，让数据真正被模型团队用起来、并且有人持续买单，才是难啃的部分。也有本体企业的人半开玩笑地说，有些训练场里，排期表比训练进度更像“主产品”。

需要说明的是，这些质疑针对的并不是数采这个方向本身——真机数据对具身智能的价值，业内没有分歧。被质疑的是“攒局”式的建设节奏：先圈地、先报项目、先落设备，运营和需求留到后面再说。当84家中心同时进入运营期，供给端的问题就再也藏不住了。露馅的不是数据，而是把数据当落地 excuse 的那部分局。

🔬 真机数采困住时，仿真基准开始补位

当真机数据越来越贵，学术界先做起了“标尺”的生意。

就在数采中心进入运营消化期、争议四起的同时，另一条路线正在快速补位：公开的仿真评测基准。最近两个标志性项目几乎同时出现。

一个是面向多机器人生产的开源基准AssemblyGrid v1。它的动机说得很直白：许多多智能体、多机器人基准把生产系统中真正要紧的交互抽象掉了。AssemblyGrid v1保留了这些关键交互——机器人之间的物料交接、需要多台机器人临时组队完成的协作操作、多个独立生产活动的并发执行、依赖配方的工艺推进，以及几何可行性约束。在这个基准里，机器人只能基于局部信息做决策，这更贴近真实产线的去中心化形态。

项目目前提供围绕Flow（流动）、Coalition（协作）、Concurrency（并发）三大主题的九个官方场景，每个场景分easy、medium、hard三档配置。模拟器、基准定义、参考实现、可执行检查与可视化材料全部开源，论文挂在arXiv上，代码托管在GitHub，还提供了Hugging Face上的交互式demo。

另一个是香港大学MMLab牵头的统一评测平台RoboDojo，用于在仿真与物理环境中统一评估机器人操作能力。项目由香港大学计算与数据科学学院AI研究与技术转化副主任Ping Luo教授与其博士生Tianxing Chen共同发起，联合了包括加州大学伯克利分校、清华大学在内的近20所全球高校的研究者，论文同样发布在arXiv上。

两者指向同一个信号：具身智能缺的不只是数据，还有一把全行业公认的尺子。

🔋 真机与仿真，不是二选一

数据有层级，尺子也有分工。

把仿真基准的崛起，读成对真机数采的替代，是一种误判。更合理的理解是分工：仿真负责覆盖与评测，真机负责分布对齐与最终验证。

覆盖层面，AssemblyGrid v1聚焦的多机交接、临时协作、并发执行这类场景，恰恰是集中式数采中心最难覆盖的——让几十台真机在同一个场地里做受控的多机协同实验，调度与安全成本都极高，而在模拟器里可以低成本地批量生成。评测层面，RoboDojo的思路更进一步：它要打通仿真与物理环境，让同一个平台既能跑仿真指标，也能对接真机验证，这实际上是在弥合sim-to-real之间的评测鸿沟。

把整条数据闭环画出来，各环节的位置就清楚了：

在这个闭环里，数采中心的正确角色是“分布对齐器”——用真机数据校准仿真与现实的差距、补齐长尾场景，而不是承担全量数据的产出。当学术界用开源基准把“什么算好的具身能力”定义出来，数据本身的质量标准也就有了参照系。数采中心采出来的数据好不好，未来是可以被这些基准检验的。

对产业而言，这意味着一个新的可能：数据建设可以瘦身，评测能力可以外挂。不必每家都自建上百台机器人的训练场，但每家都需要在统一基准上证明自己。

💡 下半场：谁的生意能跑通

从圈地到运营，淘汰赛的记分牌已经挂出来了。

建设潮落幕、106家进入运营期，意味着数采中心的故事从资本叙事切换到运营叙事。谁能跑通？从业态上看，大致有三类候选：

第一类的胜负手在于深度绑定：数据服务必须与本体厂、模型公司的真实需求挂钩，按场景定制而非批量生产同质化数据。第二类目前主要由学术界领跑——AssemblyGrid v1和RoboDojo都采取了开源策略，用开放换取采用率，而采用率就是标准的话语权。对商业玩家来说，谁先把公开基准的评测能力做成服务，谁就可能在“数据资产”之外，再卡住一个“评测资产”的位置。

据多位产业人士的观察，评测能力可能是数采中心最被低估的资产：一座训练场如果只能卖数据，客户会货比三家；如果同时能按公开基准出具可复现的评测报告，它就从成本中心变成了行业基础设施。

至于第三类，压力最直接。设备折旧不会等人，投入运营只是起点，接下来要看的是使用率、数据成交额和模型端的真实反馈。可以预期的是，未来一年会出现明显的分化：少数中心沉淀为区域性的具身智能基础设施，多数则要回答那个被绕开了两年的问题——你的客户到底是谁。

小结

两年、106家、84家投运——数采中心用中国式基建速度完成了第一轮铺点，也用同样的速度把问题摆上了台面。邵天兰的质疑戳中的不是数据本身，而是“先攒局、后运营”的路径依赖。当AssemblyGrid v1与RoboDojo这样的开源基准把评测标准立起来，数据建设的重心正在从“采了多少”转向“采得对不对、验得了没有”。下半场的赢家，未必是占地最大的那家，而是最先把真机数据、仿真评测和真实场景接成一闭环的那家。