106家数采中心，攒局的先露馅

一年前，各地还在抢着给数采中心签约、剪彩；一年后，梅卡曼德创始人邵天兰一句对行业'攒局'现象的质疑，把数采中心推上了风口浪尖。两年时间，全国冒出106家公开披露的集中式数采中心，其中84家已经投用——建设潮结束了，检验期开始了。场地好建，机器人好买，难的是让采回来的数据真正变值钱。这才是接下来分化的分水岭。

📈 两年106家：一场典型的建设冲刺

风口来的时候，没人觉得场地会过剩。

数采中心真正热起来，是从2025年开始的。在那之前，这是个相当边缘的概念——2024年3月到2025年3月，全国平均每个月只有约2.7个相关项目启动。

转折发生在2025年春天。从2025年4月到2026年1月，月均启动数量跳升至约7.3个，接近此前的三倍。训练场、数据采集基地、具身智能创新中心，开始在各地密集落地。几十台、上百台机器人被搬进一个个新建的训练场，成了地方招商和媒体传播的标准画面。

建设高峰出现在2026年一季度。此后，新启动项目明显减少，前一轮开工的项目陆续投入使用。

把虎嗅统计的启动和投用两条曲线放在一起看，两者之间大约隔着2到5个月——这就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。换句话说，这个行业的物理建设速度并不慢，快到建设潮已经先于商业化验证结束了。

产业逻辑其实不难理解：具身智能的瓶颈在数据，数据要在物理场景里采，于是'集中建场、批量采数'成了最直观的解法。这个判断本身没错，错的是很多参与方把它当成了一个地产逻辑的项目——有场地、有机器人、有揭牌仪式，就算建成了。

⚠️ 露馅时刻：'攒局'质疑戳中了什么

泡沫不戳破的时候，人人都是建设者。

前不久，邵天兰公开质疑具身智能行业里的'攒局'现象，数采中心被卷入其中。这和一年前的气氛已经明显不同——彼时是密集签约、密集开工，如今是密集被问'你到底采出了什么'。

需要说明的是，'攒局'质疑针对的是具身智能行业里的一种现象，数采中心是被卷入的一环。但这个质疑之所以能引发共鸣，是因为它指向了一个大家心照不宣的问题：一部分中心的成立动机，更多是资源撮合——地方要产业名片，设备商要订单，运营方要补贴，机器人本体厂要出货渠道。至于数据采出来给谁用、能不能变成模型能力，反而是排在后面的事。

据多位接近一线的产业人士反馈，部分中心在运营中确实面临数据买方不明确、需求方付费意愿有限的现实压力。这也是为什么'露馅'的说法开始流传——不是场地塌了，而是商业闭环迟迟合不上的项目，开始藏不住了。

从这条链路就能看出问题所在：数采中心处在中间位置，上游是本体厂商的设备，下游是模型厂商的需求，两头都不完全在自己手里。上游可以靠采购解决，下游却是硬约束——如果模型厂商对这批数据的训练价值不认可，链路就断在最后一公里。

铁打的训练场，流水的订单。真正稀缺的从来不是场地。

🧱 95%的失败率，同样适用于数据这一环

数据不等于能力，中间隔着一大段没人愿干的工程。

这里可以借一个数字世界的参照系。据Founder Park整理的旧金山一场硅谷一线研讨会，来自Uber、WisdomAI、EvenUp和Datastrato的工程师与机器学习负责人给出的数据是：95%的AI Agent在生产环境部署失败。失败的原因不是模型不够智能，而是围绕模型搭建的'脚手架'——上下文工程、安全性、记忆设计——远没有到位。他们的一句话总结很扎心：大多数创始人以为自己在打造AI产品，实际上构建的是一个上下文选择系统。上下文选择、语义层、记忆编排、治理机制、多模型路由，这些冰山之下的工程，才是决定成败的部分。

把这个逻辑平移到具身智能，结论同样成立：采集到的轨迹数据，只是原料；把原料变成模型能力的那段'脚手架'——数据清洗、任务设计、语义标注、场景泛化——才是数采中心的真正护城河。

而恰恰是这段工程，最难被看见，也最难被写进签约新闻稿。

再看数字世界的另一个信号。OpenAI在DevDay上发布了dots——由GPT-6 Astra驱动的常驻AI Agent，每个dot拥有自己的云电脑和浏览器，能通过ChatGPT插件跨越4000多个应用工作，甚至在你登出之后持续运行，并且已经作为托管产品可部署。数字世界的Agent为什么跑得快？因为它坐拥一整套现成的数据管道：接口标准化、行为可记录、环境可回放。

物理世界没有这种待遇。机器人面对的场景是开放的、非标的、不可回放的，这正是集中式数采中心存在的理由——也是它难做的根源。数字世界的Agent在别人的数据管道上运行，物理世界的Agent得先有人把管道修出来。修管道的活，脏、慢、贵，但绕不过去。

🔄 从建场子到跑数据：运营期的洗牌逻辑

建设潮筛的是胆量，运营期筛的是本事。

回到数据本身：106家数采中心里，84家已经投用，占79.25%。这个比例说明，绝大多数项目已经跨过了'建成'这一关，接下来全行业要回答的只有一个问题——跑起来的这84家，能不能产出有人愿意持续付费的数据资产。

虎嗅在梳理过程中交流了十余家机器人本体企业、数采基地运营商、数据服务企业及地方产业人士，并将公开项目数据与一线运营情况交叉验证。从各方反馈综合来看，接下来运营期的分化，大概率沿着三条线展开：

第一条线：有没有真实买方。 数据采集如果只服务于项目验收报表，而不是服务于某个模型团队的具体训练需求，本质上就是在生产库存。绑定真实下游需求的中心，才有现金流；没有的，只能依赖持续的输血。

第二条线：有没有数据加工能力。 原始采集只是第一步，任务设计、质量管控、语义结构化这些环节，决定了同一批机器人工时能产出多少有效数据。这恰恰是纯'场地+设备出租'模式最缺的能力。

第三条线：有没有场景纵深。 相比什么都采的大而全，围绕特定场景做深的中心，更容易沉淀出可复用的任务模板和数据规范——这才是数据资产和一次性数据的区别。

换句话说，数采中心这个行业正在从'资源密集'切换到'工程密集'。前一个阶段比的是谁抢到了地、谁进场的机器人多；后一个阶段比的是谁的数据真正进了模型训练管线，并且有人为此续费。用一位从业者的说法：去年比谁家场地大，今年比谁家数据能卖出去第二单。

这个洗牌过程未必剧烈，但方向确定：纯撮合型、纯展示型的项目会逐渐边缘化，而有数据工程能力的运营方，反而会在泡沫出清后拿到更大的份额——因为下游对高质量具身数据的需求是真实的，缺的从来是合格的供给。

小结

两年106家，84家投用——数采中心用极快的速度完成了物理建设，现在轮到商业和数据能力接受检验。邵天兰的'攒局'质疑未必针对每一家，但它精准敲打了一个事实：有场地不等于有数据，有数据不等于有价值。95%的AI Agent部署失败已经证明，模型之外的那段工程才是胜负手。接下来两年，数采中心的看点不再是开工数字，而是谁能把采回来的轨迹，变成模型厂商愿意续费的能力。场地会过剩，合格的数据供给不会。