70家训练场，还教不会机器人端盘子？

一年前，机器人展台比的是谁跳得高、跑得快；一年后，最热闹的位置换成了「擦桌子」特写屏幕。

2026世界机器人大会上，观众头戴采集设备、手握手柄遥控机械臂，把一段段人类操作视频变成机器人教材。据中国信通院《具身智能训练场研究报告（2026年）》，截至2026年6月底，全国建成启用超70家训练场，在建或规划46家——一个此前几乎不存在的行业，正在以肉眼可见的速度铺开。

但问题也很刺眼：70多所「学校」开张了，机器人学端盘子，真的学会了吗？

📈 展台风向变了：不比动作比「教材」

金句先行：当展台从秀肌肉变成教手艺，说明行业终于开始干活了。

今年的世界机器人大会展区，一块屏幕循环播放机械手指擦桌子的特写：力度、角度实时微调，动作细腻得像老练的家政阿姨。但如果你凑近看，会发现这并非机器人自主决策——屏幕旁边，现场观众正头戴采集设备、手持手柄遥控操作，体验「教」机器人干活。机器人的第一视角画面同步传上屏幕，这段视频经处理后将成为训练素材。

这个细节耐人寻味。去年的大会，厂商们还在争相展示双足奔跑、空翻、负载，比拼的是硬件的运动能力上限；今年，一批定位「数据基础设施」「物理AI数据基座」的专业服务商首次集中亮相。它们不造整机，不训大模型，只干一件事：给机器人产业提供最底层的物理交互数据。

北京人形机器人创新中心具身智能数据与训练基地负责人夏华林给出了一个行业共识式的判断：「现在的具身智能机器人，相当于十年前的自动驾驶。」机器人所需的数据比自动驾驶还要多数个量级——自动驾驶靠行车视频就能跑起来，而机器人需要的是真实世界的物理交互数据：力的反馈、物体的形变、抓取时的摩擦与滑动。这是具身智能从「看懂世界」迈向「改变世界」的关键一环。

据多位接近产业的人士私下交流，今年各家整机厂采购预算里，数据服务第一次成为独立科目，而不是塞在研发杂项里。风向确实变了。

🔍 一个抓盘子动作，重复上百次

金句先行：机器人的聪明，是用人手一遍遍喂出来的。

在华东某机器人训练场，一位「00后」训练师正对着麦克风下达指令：「拿起桌上浅蓝色盘子，放在白色托盘上。」随后她操纵机械臂完成抓取、平移、放下。这个看似简单的动作，她一天要重复上百次。仅这一个零件分拣任务，该训练场就已采集了三四万条数据。

这些数据长什么样？是视频、力反馈信号和关节角度共同组成的「教学素材」。它们经过清洗后被喂给大模型，目标是把机器人的「大脑」训练得更聪明。流程大致如下：

注意最后那个回环——失败案例回流再采集。这意味着数据采集不是一次性工程，而是随任务难度升级不断重复的过程。该训练场数据采集负责人郑鑫说得很直白：「现实中，高质量数据支撑不到位，机器人就永远摆脱不了遥控大玩具的标签。」

一线采集师最直接的感受是：任务越来越难，容错率越来越低。早年采「抓积木」，现在采「分拣异形零件」「叠衣服」「收拾餐桌」，物体越软、形状越不规则、环境越乱，数据价值越高，采集难度也越大。人形机器人行业流行一句半玩笑话：机器人每一秒的流畅操作，背后是人类训练师一百遍的重复劳动。

🏗️ 70多家训练场，到底在拼什么

金句先行：训练场的密度，决定了中国具身智能的数据底座厚度。

把目前公开的训练场信息拉个表，能看出这个行业的规模和分工雏形：

合肥的具身智能机器人数据采集预训练场是个典型样本：83台来自不同企业的机器人，在30余个复刻场景里同场实训，场景覆盖家居、商超、工业三大类。北京石景山的人形机器人数据训练中心内，上百台机器人在训练师带领下学习快递分拣等生产生活技能。

产业逻辑并不复杂：具身智能的瓶颈已经从「有没有本体」转移到「有没有数据」。整机厂硬件迭代很快，但没有足够规模的物理交互数据，模型就学不会泛化——在训练场抓一万次盘子，到了用户家里换个桌布就翻车，这就是缺数据、缺多样性的直接表现。

训练场解决的就是这个问题：用复刻场景规模化制造数据，用多企业混场制造数据多样性。据业内人士透露，头部训练场的排期已经很紧张，整机厂排队进场采集，「不是你想来就来，得约档期」。

pie

title 训练场覆盖的典型场景构成

家居家庭场景 : 40

商超零售场景 : 30

工业分拣场景 : 30

（注：按合肥训练场家居、商超、工业三大类场景的定性描述推演其结构占比，仅示意场景分布方向，非精确统计。）

⚠️ 70家够吗？远远不够

金句先行：数据缺口不是按「家」算的，是按「量级」算的。

尽管训练场数量猛增，夏华林给出的判断却是明确的：「这还远远不够。」原因有三层。

第一，数据量级的鸿沟。自动驾驶十几年积累的路测数据以亿级里程计，而具身智能需要的是带力觉、触觉、本体状态的稠密交互数据，夏华林明确说机器人所需数据比自动驾驶「多数个量级」。70多家训练场目前的产能，与这个量级之间隔着一条大沟。

第二，成本与效率的死结。遥操作采集本质上是「人力换数据」：一个训练师一天上百次重复，一条「端盘子」任务链路动辄数万条数据。随着任务从刚性物体扩展到柔性物体、从单步骤扩展到长程任务，采集成本只会往上走。行业里流传一句话，说得半真半假：「现在的具身智能数据，一半是人教出来的，一半是经费烧出来的。」

第三，标准化与复用难题。各家本体结构不同、关节自由度不同、传感器配置不同，数据格式五花八门。A家训练场采的数据，B家的模型能不能直接用？目前还没有统一答案。这也是为什么「数据基础设施」这个定位如此关键——谁能让数据像水电一样标准化流通，谁就卡住了行业的上游位置。

从时间线看，这个行业的演进速度惊人：

• 2026年6月底：全国建成启用训练场超70家，在建或规划46家
• 2026年8月6日：合肥数据采集预训练场，83台机器人、30余个场景开展实训
• 2026年8月：世界机器人大会上，数据服务商首次集中亮相，「数据基建」成为展会主叙事

从展会叙事、产能爬坡到服务商定型，一年之内走完了行业自觉的全过程。但把「教不会端盘子」变成「教会端盘子」，中间还隔着数据量级、成本曲线和标准统一三座山。

结语：先有教材，再有学生

回头看，2026年可能是具身智能行业的一个分水岭：大家不再争论机器人能不能跑能跳，而是老老实实承认——没有高质量数据，一切硬件都是遥控大玩具。郑鑫那句「摆脱不了遥控大玩具的标签」，值得所有从业者贴在工位上。

70多家训练场只是起点。下一步的看点有三个：数据采集从人力遥操作向仿真＋真机混合范式演进；数据标准与跨本体复用能否破局；以及数据服务商这门生意，能不能像当年的自动驾驶数据标注一样，跑出真正的规模化商业模式。

机器人上桌端盘子之前，先得有人给它们写好教材。这门苦生意，才刚刚开张。