70所机器人学校，教不会端盘子？

去年还在比谁跳得高，今年全在教机器人端盘子。

2026世界机器人大会现场，最有看点的不再是那些会空翻的整机，而是一块播放"擦桌子"特写的屏幕——屏幕旁边，观众头戴采集设备遥控操作，亲手"教"机器人干活。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，全国已建成启用超70家训练场，在建或规划46家。与此同时，鹏行刚刚完成超9亿美元首轮融资，创下中国具身智能领域单轮纪录。

钱和学校都在猛上，但端盘子这件事，机器人真的学会了吗？

📸 大会主角换了：从跑跳到"擦桌子"

一个细节很有意思。

展区屏幕上，机械手指触碰桌面，力度、角度实时微调，看起来像自主决策。走近才发现，这是一位现场观众在遥操作——机器人第一视角画面同步上屏，这段视频经处理后，将成为训练机器人干活的"教材"。

去年这个时候，厂商们还在卷参数：跳多高、跑多快、多少个自由度。今年，一批定位"数据基础设施""物理AI数据基座"的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：为整个行业提供最底层的物理交互数据。

风向为什么变了？答案藏在一句行话里。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对媒体直言："现在的具身智能机器人相当于十年前的自动驾驶。"机器人所需的数据量级，比自动驾驶还要多数个量级。

逻辑并不复杂：自动驾驶的核心难题是"看懂世界"，感知数据主要来自摄像头和激光雷达；而具身智能要"改变世界"，必须理解力、形变、摩擦、遮挡——这些只有真实物理交互才能产生。静态视频喂不出一个会端盘子的机器人，这是今年的产业共识，也是数据采集生意突然火爆的根本原因。

整机的军备竞赛只是台前，幕后比拼的已经变成谁握有更多高质量数据。

🏫 训练师的一天：一个动作重复上百次

在华东某机器人训练场，一位"00后"训练师对着麦克风下指令："拿起桌上浅蓝色盘子，放在白色托盘上。"随即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。而仅"零件分拣"这一个任务，该训练场就采集了三四万条数据。

这些由视频、力反馈和关节角度组成的原始素材，经过清洗后成为高质量数据，喂给大模型训练。用该训练场数据采集负责人郑鑫的话说："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。"

一条数据的诞生流程大致如下：

一线数据采集师最直接的感受是：任务越来越难，容错率越来越低。早期采集的任务多为简单抓放，现在训练场开始复刻家居、商超、工业等真实场景，动作链路更长，物体更杂，一个失误可能让整段数据报废。

这个岗位的画像值得注意：年轻人、高强度、高重复度，本质上是具身智能时代的"数据标注员2.0"——只不过标注的不是图片框，而是人类自己的动作。这也是训练场商业模式的软肋之一：人力成本是刚性的，数据价格战一旦开打，最先受伤的就是这些专业服务商。

但换个角度看，正是这种"笨功夫"，构成了具身智能目前最确定的护城河。算法可以开源，芯片可以采购，唯独几十万条真实物理交互数据，得靠人一条条采出来。

📈 70家训练场，为什么还说不够？

数据很能说明问题：

乍看热火朝天，但业内判断出奇一致：远远不够。

不够的原因有三层。

其一，场景复刻成本高。训练场要在家居、商超、工业等场景中还原真实物理环境——桌面材质、光照条件、物体摆放，任何一项偏差都会让数据"失真"，模型到了真实世界照样翻车。

其二，数据利用率低。遥操作采集是当前主力路线，但一个训练师一天上百次的重复，产出可能只有几百条有效数据。对比自动驾驶动辄百万小时级的路测数据，具身智能的数据采集效率还差着好几个量级。

其三，任务复杂度在指数级上升。从分拣到端盘子，从端盘子到叠衣服，每上一个台阶，所需数据量翻着倍地涨。

据多位接近产业的人士透露，训练场之间的同质化竞争已经开始出现，部分场地采到的数据结构不统一、质量参差，反而增加了下游清洗成本。数据标准这件事，正在成为比采集能力更紧迫的短板。

💰 钱先到了：9亿美元与"物理AI"重估

数据基建的故事讲热之前，资本已经先下了注。

8月26日，小鹏集团旗下机器人业务主体鹏行完成首轮超9亿美元私募股权融资，投后估值超63亿美元，创下中国具身智能领域单轮融资纪录：

几个信号值得划线。

第一，何小鹏自今年6月起亲自挂帅机器人业务。IRON的供应链与小鹏汽车业务重合度超过85%，全身76个自由度，首发搭载全固态电池及3颗自研图灵芯片，VLA/VLM大模型、数据管控乃至组织架构均与汽车体系深度共用。

第二，机构开始按"物理AI"叙事给整车厂重估。东吴证券维持"买入"评级，指出小鹏汽车是集新能源汽车、人形机器人、智驾技术授权及Robotaxi于一体的稀缺标的，当前估值尚未充分反映机器人业务的期权价值。招证国际则预计，机器人业务硬件毛利率将显著高于汽车业务，且兼具软件服务收费潜力。

第三，汽车与机器人的数据飞轮开始被当成一个故事讲。智驾积累的感知、数据管线和车规级供应链，恰好是具身智能最缺的底层能力——这也是为什么训练场概念大火的同时，拥有供应链复用能力的玩家估值弹性最大。

顺带一提，8月25日的"机器人奥运会"上，天工Ultra原地跳高跳出3.4米并包揽前四；百米复赛跑出8.86秒，超过了博尔特9.58秒的人类纪录。16个国家、666支赛队、2056台人形机器人参赛——运动能力这条线，进展比很多人想象的快。但跑得快和干得了活之间，隔着的正是数据这道坎。

⚠️ 冷思考：数据不是堆量，是效率战争

热闹之下，得泼点冷水。

当前训练场模式本质是"人肉遥操作换数据"，这套路线的天花板清晰可见：采集速度受限于人力，数据质量受限于场景还原度，而模型进步的速度可能远快于数据生产速度。一旦仿真合成数据（Sim2Real）与真机数据混合训练的效率大幅提升，重资产训练场的商业模式会立刻承压。

真正值得关注的判断是：数据基建不会消失，但会分化。通用动作靠仿真批量生成，高风险、高精度任务靠真机采集兜底，最后一公里由客户现场的真实作业数据闭环完成——这才是终局形态。今天的70家训练场，是必经的原始积累阶段，但未必是最终形态。

小结

从"跳多高"到"端盘子"，2026年的具身智能完成了一次祛魅：行业承认了运动炫技不等于干活能力，承认了高质量物理交互数据才是从"看懂世界"到"改变世界"的那道门槛。超70家训练场、超9亿美元融资，说明钱和人都在往最底层的数据走——这是产业走向务实的标志。但端盘子能不能真正学会，最终不取决于学校开多少家，而取决于数据生产的效率能不能追上模型进化的速度。这场效率战争，2027年见分晓。