千万小时数据，泡沫有多大？

人形机器人融资还在加速，产业链的焦虑却已经悄悄换了赛道——从'造得出'变成了'喂不饱'。

《科创板日报》记者实探北京人形机器人创新中心数据与训练基地后，基地负责人抛出的那句话，几乎可以当作整个行业的当头棒喝：有的机构说年底要做到千万小时，有的说无本体数据已经上千万小时——但真正的高质量数据有多少？什么是高质量？这才是最重要的。

本文的核心判断只有一句：具身智能的数据军备竞赛，正在从'比谁采得多'切换到'比谁交付得准'。泡沫在总量里，价值在通过率里。

📉 千万小时，先泼一盆冷水

金句先行：数据不是原油，堆在那儿不会自己变钱。

先看行业现状。人形机器人本体公司这两年发布节奏越来越快，融资消息隔三差五刷屏。但明眼人都能感觉到，故事的下一章已经不好写了——本体的硬件参数越来越卷，自由度、负载、续航的差距在肉眼可见地缩小。真正拉开差距的，是模型，而模型的上限，取决于数据。

于是数据量成了新的军备竞赛指标。千万小时这个口径被反复提及，但水分在哪，业内心里都有数：有的把无本体数据混着算，有的把低质量重复场景堆进去凑数。据多位接近数据侧的人士私下评价，眼下宣称的量级和真正能进训练管线的数据之间，可能差着数量级。

基地负责人的类比很直白，拿自动驾驶打比方：真正值钱的是corner case数据，特斯拉'影子模式'回流的正是这一类，而不是无论好坏把所有数据都采回来。

这背后的产业逻辑并不复杂。数据采集是重资产、重人力的活，盲目扩量意味着成本失控；而模型侧真正稀缺的，是能让策略在真实场景里落地生效的那部分数据。量的叙事好听，质的账才算得过来。当客户开始按'验证通过率'而不是'小时数'付费时，泡沫自然会被挤出。

🏭 6000平米，机器人在这里上班

金句先行：数据基地长得越来越像工厂，这恰恰是对的。

这处被称作'国家队样板间'的基地，总面积6000余平方米：一二层约5000平方米是采集与训练区，总部中心另有1000余平方米。现场搭建了家庭、商超、工业、医药康养等六大类共30多种实景场景，投入采集的机器人本体设备150多台套，另有150多套无本体采集设备——包括自研的第一人称视角头环和五自由度夹爪工装。

二楼一块约200平方米的光学动捕场地最醒目。此前在机器人运动会上包揽举重项目前四名的天工机器人，其举重、跑步、翻越障碍乃至舞蹈动作的数据，全部出自这块场地。

生产节拍完全是工厂逻辑：采集员一天8小时，扣除摆场景、摆道具，有效录制约6小时；数据边采边传云端，夜间由自动化管线处理，第二天即可交付客户——内部称之为'7+1'交付。

目前基地数据年产能18万小时，已服务100多家客户，多为头部大模型与具身智能本体公司。负责人倒是清醒：全国现在能建数采场地的有一百多家，但中间的平台能力才是最有价值的，同质化建场并不构成壁垒。

这句'不构成壁垒'值得全行业听进去。场地是资本能买到的，平台能力是买不到的。

🔍 高质量数据，到底怎么定义？

金句先行：标准说不清，千万小时就是千万吨泡沫。

行业对'高质量数据'的争论至今没有定论。基地负责人给了一个务实到近乎冷酷的定义：最有价值的数据，是让模型在场景里能落地、产生好效果的数据。翻译过来就是——不看采集时多辛苦，只看进模型后有没有用。

为支撑这个标准，基地设了三道质检：采集后一检、标注后二检、交付算法侧验收三检。今年上半年交付一家头部客户的数据，验证通过率在95%以上。

更有意思的是标注环节的变化。过去需要数百上千人异地标注语义、动作与视频帧，如今'几张卡跑一晚上，第二天人工质检后即可交付'——标注已基本由AI接管。这意味着数据成本结构正在被重写：人力密集的标注环节被算力替代，人的角色从'生产者'退到'质检者'。

产业逻辑上，这是一个典型的'基建成熟度'信号：当数据生产开始追求通过率、周转率和单位成本，说明这个环节正在从实验室手工作坊走向工业化。而工业化，恰恰是商业化落地的前置条件。谁先把三道质检做成行业标准，谁就掌握了定价权。

🤖 无本体采集，绕开机器人的瓶颈

金句先行：最贵的采集设备，可能不是机器人。

基地采集端采取'有本体+无本体'的矩阵式方案，这可能是整个基地里最值得琢磨的技术选择。有本体采集受制于机器人本体的可靠性、续航和数量，边际成本降不下来；无本体采集则用人 wear 自研的第一人称头环和五自由度夹爪工装，直接从人类操作中抓取数据。

技术细节上，自研的手部姿态算法可捕捉人手21个关节的运动轨迹，经映射后赋能机器人灵巧手，精度达到毫米级，触觉数据同步纳入采集。人来做机器人暂时做不好的事，数据先一步进管线。

这个路线最近有了更有力的注脚。银河通用旗下全球首款原生智能体人形机器人'银河星仔'在2026年世界机器人大会（WRC）首发，上线24小时全网预订量突破200台。它搭载全自研的物理世界原生智能体与亿级参数具身大模型，与传统预设脚本机器人的最大区别在于：无需动捕或视频示范，能够直接在真实环境中通过人机交互主动学习——边看、边想、边行动。

政策端也在同步加码。工信部办公厅印发《人工智能中小企业创业支持计划（2026-2028年）》，提出三年内新培育科技和创新型中小企业1万家以上，专精特新'小巨人'企业突破2000家，并明确将数据服务列为重点支持领域。

把三件事放在一起看：数据基地在降低采集成本，原生智能体在降低数据依赖，政策在降低创业门槛——数据这道具身智能最大的瓶颈，正在被从三个方向同时凿。

⚠️ 数据壁垒，到底垒在哪？

金句先行：能被资本快速复制的，都不是壁垒。

回到开头的问题：千万小时的数据叙事，泡沫大吗？大。但它不是故事的全部。

基地负责人那句'同质化建场不构成壁垒'，其实给行业划了一条清晰的分界线：场地、本体、采集员，这些是钱能解决的；场景工程能力、质检标准、自动化处理管线、跨本体的数据映射算法，这些是时间和know-how堆出来的。一百多家能建数采场地的机构里，真正具备平台能力的，掰着指头数得过来。

未来12个月可以盯三个信号：一是头部客户合同里'验证通过率'条款是否会取代'小时数'成为结算依据；二是AI标注能否把数据单位成本再压一个台阶；三是原生智能体的'自主学习'能力能在多大程度上替代离线数据采集。三个信号若同时兑现，数据叙事将彻底改写。

对创业者而言，结论也很朴素：别再拿采集量讲融资故事了，拿通过率讲。数据这门生意，最终比的不是谁采得多，而是谁交付的数据能让模型在客户场景里真的跑起来。

千万小时的口号可以喊，但决定胜负的，是那95%的通过率。