机器人缺的不是身体，是数据

机器人的身体已经卷出了天际，走路、跑步、空翻样样精通，可一到真干活，很多机器就露馅了。就在谷歌DeepMind高调发布Gemini Robotics 2、宣称解锁全身控制与多机协作的同一周，国内具身智能圈却因为“数据到底是谁采给谁看的”吵翻了天。一边是大脑持续升级，一边是数据的真伪被摆上台面——这两件事其实指向同一个判断：具身智能的竞争，已经从本体时代进入数据时代。谁拥有真实世界的数据壁垒，谁才握有下一轮的门票。

🚀 谷歌又把机器人大脑往前推了一步

先说海外这条线。

IEEE Spectrum的Video Friday栏目（2026年9月）放出了Gemini Robotics 2的官方视频：一台人形机器人加一台标注着Gemini Robotics ER 2的机械臂，在工作台前完成精细操作。按照官方口径，这是一次“主要进展”——它让机器人第一次“真正迈出脚步”，解锁了三样东西：智能全身控制、高级灵巧操作、多机器人协作。

这三项能力值得逐一说一下。

全身控制，意味着模型不再只管手臂，而是统一调度底盘、躯干、双臂甚至手指。对双足人形机器人来说，这意味着行走和操作不再是两个割裂的模块，而是一个整体的行动策略。

灵巧操作，指向的是接触类任务——抓、拧、插、剥，这类任务恰恰是过去端到端模型最容易翻车的地方。

多机器人协作，则是把“一台机器人干活”升级成“一群机器人分工”。这在仓储、产线的真实场景里，比单机炫技有价值得多。

官方的定位也很清晰：Gemini Robotics 2是“驱动下一代真正可适应机器人的智能层”。翻译成工程师的话——谷歌不造机器人本体，它要做的是那个可以被装进各种身体里的“大脑”。

这条路线和OpenAI重新下场做机器人、明确建设规模化数据采集体系，是同一个逻辑：美国头部通用AI公司，正在把算力、资本和数据基础设施整体投向物理世界。

而对中国的具身智能公司来说，这既是压力测试，也是镜子——照出了我们自己最薄弱的那一环：数据。

💰 数采中心的订单，到底是谁在买单？

争议是被一条朋友圈引爆的。

2026年9月中旬，梅卡曼德创始人邵天兰在朋友圈言辞犀利，直指行业乱象：部分高估值具身智能企业，依托关联交易、数据采集中心及地方资源包装营收数据，以此冲刺IPO、谋求资本上市。 他还在评论区直接点名银河通用，火药味拉满。

银河通用官方很快回应，姿态克制：不愿参与口水纷争，将持续深耕技术研发、场景落地与商业化推进。

一石激起千层浪。“攒局型”具身智能企业左手倒右手、表演式数采的质疑声四起。而这不是孤例——早在2026年8月，英国《金融时报》（FT）就在《谁在买中国机器人？》一文中描述了一条交易链：机器人企业与地方政府共建数采中心，数采中心采购其机器人，随后再把采集的数据卖回机器人企业。FT给这个过程起了个名字，叫“循环融资”。

把这条链画出来，问题一目了然：

图上这条闭环里，左边那个环（企业→数采中心→营收→数据→企业）转得越快，营收越好看；右边那条真正创造价值的线（数据→模型→能力→场景），却很难从报表上看出来。

产业逻辑其实很朴素：订单本身不产生能力，只有进入模型的数据才产生能力。判断一家具身智能公司数采业务的真实价值，关键不是看它签了多少数采中心的单，而是看那些数据到底有没有进训练管线、模型能力有没有随之涨。

据多位接近人士的说法，行业内对“数采中心的数据有多少真正进了模型”，其实早有心照不宣的怀疑，只是没人愿意第一个撕破脸。邵天兰这次，是把台面掀了。

📊 一本数据供需的真实账本

争议之外，更值得看清楚的是这门生意的真实供需。

据物理AI数据创业者黄大荣在2026年9月接受访谈时给出的估算（单一信源口径，未经独立核实）：OpenAI积累的原始数据已达千万小时级别——这还只是保守估算；为其供给数据的海外机构，单月采集量可以达到百万小时。

反观国内：简智、光轮两家企业同样具备单月百万小时的采集能力，但市场上愿意大规模采购Ego数据的买家寥寥无几。

这里解释一下Ego数据：采集者头戴相机或AR眼镜，以人眼第一视角记录人与物体交互的多模态数据，用来训练人形机器人，让机器人学习在真实环境里怎么观察、抓取、完成任务。

这组对比暴露的问题很扎心：国内的问题不是采不出来，而是没人买。采集能力已经对齐了海外，需求侧却没起来。

为什么？黄大荣的判断一针见血：出货量只能反映产业化进度，机器人能否在真实场景中完成任务，最终要回到模型能力；而模型能走多远，取决于它见过多少真实世界。换句话说——买家少，本质上是因为不少公司还没想清楚要用这些数据训练什么能力，或者还没建立起数据到模型之间的闭环验证能力。

至于采集下来的数据有多少真正发挥了作用，目前没有任何公开统计，但从行业争议和从业者访谈的普遍反馈看，真正进入模型训练的，很可能只是采集量中的一小部分，大量数据处于闲置、低效利用，甚至本身就是关联交易性质的订单。这个比例没人说得准，但结构大概率是对的——数据行业的第一性原理，从来是“进模型”三个字。

🧠 会动，不等于会干活

那为什么数据这么重要？因为机器人的能力获取方式，正在发生根本变化。

过去几年，行业大部分时间都在解决一个问题：怎么把身体练出来。站稳、走路、跑步、上下楼梯、空翻——这些能力背后是电机、关节、机械结构和运动控制算法的共同进步。今天再看一台机器人完成一套复杂动作，大家已经不怎么惊讶了。

但“做出一个动作”和“拥有一种能力”，不是一回事。一台机器人可以把一段舞跳得非常流畅，却不意味着换一首歌也能马上跟着跳；可以在训练好的场地搬箱子，也不意味着换个货架、换种包装，还知道该怎么抓。

一个很有意思的实测佐证了这一点。GPT-6 Astra发布后，银河通用团队很快在其官方渠道（2026年9月）展示了把它放进机器人测试的过程，并尝试与机器人基础模型π0.5结合。结果并不是简单的“更强”：

• GPT-6 Astra在语义理解、空间推理等任务上表现突出；
• 但进入需要复杂接触、力度控制和双手协同的物理任务后，依然存在不少无法解决的case；
• 经过专项训练的端到端模型，在部分接触类任务上仍然更有优势。

这个实验揭示了具身智能真正困难的地方：机器人要解决的不只是“如何理解世界”，还有“如何在世界中自主行动”，而且二者不是简单拼接，是在感知、决策、执行和反馈中不断耦合。一个足够聪明的图文大模型，加一个机器人动作模型，并不天然等于一个足够聪明的机器人。

过去机器人学一项技能，很像一个需要反复备考的学生：工程师先把任务拆出来，再采数据、做遥操作、训模型。而新的范式是让数据闭环自己转起来——失败案例回流，驱动下一轮采集和训练。这个闭环转得越快、数据越真实，机器人从“出厂”到“熟练工”的距离就越短。

⚠️ 下一轮排位赛，赌的是数据壁垒

把三条线索合起来看：海外，谷歌和OpenAI在用大模型能力+数据基础设施双重下注物理世界；国内，数据生意被质疑裹挟着“循环融资”的阴影；技术侧，大模型的语义智能与接触类任务之间，仍隔着一道数据的鸿沟。

对中国的具身智能公司来说，问题因此变得非常具体：除了模型和本体，如何尽快建立属于物理世界的数据壁垒？

这里给三个务实判断：

第一，数据的价值要按“进模型”来审计，而不是按“采了多少”来吹牛。投资人和二级市场接下来会更关心：采集的数据标注质量如何、进入了哪些训练管线、模型在真机任务上的成功率有没有随数据量提升。数采中心订单的含金量，最终要靠这条链路来兑现。

第二，“表演式数采”是不可持续的，但真实数采恰恰是大机会。OpenAI千万小时级的数据积累和单月百万小时的海外采集能力说明，头部玩家已经把数据当成基础设施在建设。国内简智、光轮这类具备百万小时月采集能力的服务商，缺的不是产能，是愿意为真实能力买单的客户——而客户缺位的根源，是部分整机厂还没跑通数据到能力的闭环。

第三，竞争的天平会向“有真实场景”的公司倾斜。数采中心如果在地方园区里演给资本看，模型永远学不会真实世界的脏活累活；只有把机器人放进真实产线、真实仓库、真实服务场景，失败数据才有价值。这也是为什么银河通用回应里强调“场景落地与商业化推进”——不管争议双方谁对谁错，这个方向本身是对的。对整个行业来说，这反而是最好的姿态表态：接下来衡量一家公司的标尺，不再是签了多少数采订单，而是机器人到底在多少真实场景里替人干成了活。

时间线拉长看，这场争议未必是坏事：

2026年8月 ： 英国《金融时报》报道“循环融资”模式

2026年9月 ： 邵天兰朋友圈点名质疑 ： 银河通用回应称专注落地 ： 谷歌发布Gemini Robotics 2

海外大脑在加速进化，国内数据供给侧正在被去水分。挤掉的是泡沫，留下的才是壁垒。

机器人的身体竞赛已经接近尾声，大脑和数据的长跑才刚开始。Gemini Robotics 2代表了智能层的天花板在快速抬升，而国内的数据争议则提醒所有人：天花板抬得再高，够不着也白搭。下一轮具身智能的排位赛，不看谁的动作更炫，看谁的机器人见过更多真实世界、并且把见过的每一分钟都变成了能力。数据这门生意，真需求终会赢过自循环——时间不会陪演技差的玩家一直演下去。