百万小时数据，能喂饱具身智能吗？

具身智能行业最近出现了两条看似不相关的新闻，实则指向同一个问题：机器人的「大脑」到底该怎么喂。

一条是李飞飞、吴佳俊团队再度联手，用视觉轨迹充当「同声传译」，试图打破世界模型和机器人动作之间的「巴别塔」；另一条是8月31日，觅蜂在上海浦东的数采工厂里，第20000套MEgo无本体数据采集设备下线，交付京东科技，同时宣布累计无本体数据突破100万小时，并与腾讯Robotics X实验室签署合作。

一条在改模型架构，一条在铺数据基建。但它们说的是同一件事：纯VLA不够用了，而喂饱下一代「大脑」的算力之外，数据正在成为新的硬通货。

🧠 巴别塔倒了？世界模型和动作终于同频

最先动摇的，是VLA的技术叙事。

过去两年，VLA（Vision-Language-Action，视觉-语言-动作模型）几乎成了具身智能「大脑」的默认答案。逻辑很清晰：把视觉感知、语言理解和动作输出接在一起，机器人听懂人话、看懂环境，然后直接出手。相比传统机器人依赖人工编程和固定轨迹，VLA让机器人第一次真正从「看懂」走向「行动」。

问题在任务链一长就暴露了。

抓一个杯子，几秒钟的事，VLA干得漂亮。但「打开冰箱、找到牛奶、取出、倒入杯中、放回原位、关门」这种多步任务，要求模型持续跟踪环境变化，还要判断每一步操作会如何影响下一步。纯VLA依赖「当前观察—下一动作」的循环，链条一拉长，误差就开始累积：陌生物体、位置挪动、一次抓取失败，任何一环出岔子，整条任务链就断了。

这一点并非行业内的自说自话。Physical Intelligence在2024年底发布的π0技术报告中就坦承：VLA在长时程、多阶段的灵巧任务上表现明显退化，模型必须依赖大量高质量的灵巧手操作数据才能稳定完成任务——而他们为π0采集的真机灵巧操作数据规模约在万小时量级[^1]。数据饥渴与长程能力缺失，正是VLA叙事的两个软肋。2026年以来，这个局限在业内已经不是秘密，而是共识。

于是李飞飞、吴佳俊团队这次的动作才显得关键：用视觉轨迹充当「同声传译」，让世界模型和机器人动作真正「同频对话」。要知道，World Model的核心任务是学习物理环境的状态转移——理解世界现在是什么状态、某个动作之后环境会怎么变；而WAM（World Action Model，世界动作模型）更进一步，把这种预测能力直接接进机器人动作生成。过去这两套体系各说各话，一个懂物理不懂操作，一个会动手不懂因果，中间隔着一座巴别塔。

塔一旦打通，意义在于：机器人不再是「看到什么做什么」，而是「知道做了之后世界会变成什么样」。这是从条件反射到物理直觉的跨越。

产业逻辑随之清晰：具身智能的「大脑」正在从VLM、VLA，走向「多模态大模型+世界模型」的融合架构。竞争的焦点，也从「机器人能不能动」，转向「能不能理解并预测物理世界」。李飞飞本人在创立World Labs时就反复强调这一判断——空间智能（Spatial Intelligence）是比语言智能更深一层的问题[^2]。

这一轮架构演进不是纸上谈兵，它已经在重塑整条产业链——谁的数据能支撑世界模型训练，谁的硬件能喂出物理理解，价值就流向谁。

🏡 两万套设备下线，数据电网的第一根电线杆

模型要进化，先得有人喂饭。

同样在8月底，上海浦东叠桥路，觅蜂的数采工厂里发生了今年具身智能数据侧最值得记一笔的事：第20000套MEgo无本体数据采集设备下线，交付京东科技。同一场活动上，觅蜂宣布累计生产的无本体数据超过100万小时，并与腾讯Robotics X实验室签下无本体数据业务合作。

值得注意时间线：

• 2025年2月 ： 觅蜂成立
• 2025年6月 ： MEgo进入量产
• 2025年8月底 ： 两万套设备下线
• 2025年8月底 ： 无本体数据破100万小时

也就是说，从量产到百万小时，只用了三个月。

姚卯青在致辞里用了一个比喻：「物理AI的数据电网，今天立下了第一根电线杆。」这话在活动现场听起来像口号，但放进行业背景里看，分量不一样——北京石景山人形机器人数采中心关闭的消息最近传得沸沸扬扬（据36氪旗下《智能涌现》等多家媒体8月报道，该中心由北京某国资背景公司运营，因订单不足与验收纠纷关停[^3]），不少人的第一反应是：数采这门生意是不是要凉了？

姚卯青的回答很直接：这是个例。依据是，运营得好的数采工厂仍在满负荷运转，觅蜂自己的真机采集工厂以两班倒的节奏在生产数据。而最近发布Foundation Model的蚂蚁灵波、小米、智元，用的都是数十万小时级别的真机数据——全国数采厂加起来刚好在产这个量级，其中还有不少达不到标准。

换句话说，关停的不是行业，是不达标的产能。真正在出货的工厂，机器根本停不下来。

这背后是一个正在快速收敛的市场：年初客户的需求还五花八门，拿手机、运动相机采一采也能卖；到下半年，60FPS、1080P、双目、深度这些指标已经成为行业共识，需求由头部客户定义。据业内传闻（两位接近头部本体厂商的人士向作者证实，其中一家已在今年Q3发出万套级采购意向，但由于未获授权，具体公司名称不便透露），已有单一客户上来就要一万套设备——国内能做到这个量产规模的公司，一只手数得过来。

数采不是劳动密集型的苦生意，而是正在被头部客户的验收标准定义的技术生意。这一点，行业里的很多人还没反应过来。

📊 四种数据，四种命运：分层而非替代

数据这场戏里，最容易被误读的是「无本体取代真机」这个命题。

姚卯青的原话是：两种数据的关系是分层，不是替代。无本体数据适合预训练阶段学习通用表征，真机数据适合后训练；具体到某一个任务上做落地，绕不开对应本体的真机数据。觅蜂至今累计的真机数据也在几十万小时量级——无本体起量，不等于放弃真机。

把四种数据源摆在一起看，格局更清楚：

最反直觉的是仿真数据的处境。很多人以为仿真会是无本体的替代品，但现实是：仿真需要购买数字资产、建模、调用GPU渲染，而随着无本体设备规模化运营，单小时真实数据的成本已经低于仿真。仿真在训练环节的占比很小，更多被用在评测。

不过，对「仿真退守评测」这个判断，业内并非没有异议。英伟达走的是几乎相反的路线：2025年初CES上发布的Cosmos世界基础模型，主打的就是用大规模合成数据生成物理逼真的训练素材，GR00T项目更是明确把仿真当作人形机器人数据规模化的核心路径[^4]。在国内，银河通用的王鹤也多次公开表示，真机数据采集不可规模化，「真数据飞轮」转不起来，银河通用的技术路线以仿真合成数据加真实场景泛化为主[^5]。也就是说，「真实数据成本第一次压过合成数据」是数采供给侧的视角；而在模型公司侧，仿真派依然在押注算力成本下降会让天平摆回来。这条路线之争，短期内不会有答案。

对互联网视频，姚卯青给的位置也很务实——现阶段它是拐杖。第一人称视角数据不够的时候，只能靠它获取知识和表征；等无本体数据到千万小时以上规模，这根拐杖可以逐渐扔掉。这个判断与开源社区的经验大体吻合：Open X-Embodiment汇集全球21家机构、超过100万个机器人轨迹片段，谷歌DeepMind据此训练的RT-X证明了跨本体数据可以带来能力增益，但第一人称视角与真值动作的缺失，始终是互联网视频无法直接用于动作训练的硬伤[^6]。

一句业内私下流传的话很精辟：模型架构决定天花板，数据结构决定入场券。现在入场券的价格，正在由数采工厂的验收标准来定。

💰 寡头局：数据生意的三重门槛

数据生意会走向寡头吗？姚卯青的答案是：肯定会。

他的推理链条是投入结构。几万套设备是几亿元的量级；背后要存几百PB到上千PB数据，建一个数据中心又是几亿到十亿的投入。这个生意同时吃工程能力、运营能力和资金实力——三样都硬的公司，市场上屈指可数。

更隐蔽的门槛是数据标准。一家模型公司同时用几家供应商的第一视角数据，混合训练的效果很难保证。姚卯青举了自动驾驶的例子：把ISP算法稍微改一下，从CMOS的Raw Data转成RGB图像，这一步人眼看不出区别，模型训出来可能完全变样。神经网络对数据信号仍然敏感——这意味着数据源越多，混训的风险越高。

唯一的解法是集中采买。这也是他观察到的现状：随着几家供应商起量，客户已经放弃了「每家都采一点试试」的做法，转向集中给一两家独家供货。需求侧的收敛，直接决定了供给侧的格局——具身数据一定会向头部企业收敛，这不是预测，是正在发生的事。

第三方机构的数据也为「集中化」提供了侧证。高工机器人产业研究所（GGII）在其具身智能年度报告中测算，中国人形机器人数据采集服务市场将在未来三年内保持高速增长，但市场份额将高度集中于具备量产交付能力的少数厂商，长尾小作坊将被验收标准自然淘汰[^7]。摩根士丹利在《Humanoid 100》系列报告中也把「数据闭环」列为人形机器人产业的核心护城河之一，认为数据供给的规模与质量将直接决定模型迭代的代差[^8]。

验收口径的严苛程度，最能说明这门生意的技术含量：

场景分布是另一道容易被忽视的门槛。很多公司手里的数据一翻，全是家居和叠衣服，每个任务只有一两个小时——这种数据看着量大，实际可售价值极低。数据的稀缺性不在小时数，在场景覆盖的广度和任务分布的密度。

🔧 模型换血，硬件价值链重排

架构从VLA走向VLA+WAM，改变的不只是模型公司，还有硬件价值链的排序。

逻辑不难推演：当机器人开始学习「动作之后世界会发生什么」，它需要的数据维度就变了。世界模型要理解状态转移，光有RGB视频不够——3D视觉、触觉、六维力、灵巧手的数据采集设备，重要性都在持续提升。这些恰恰是中国供应链的传统强区。

换句话说，中国供应链的优势可能从「低成本制造」进一步延伸到「真实世界数据闭环」。制造能力决定硬件成本，数据能力决定模型上限——当这两件事被同一套供应链承接，价值链的天平就开始倾斜。

数据采集设备本身，就是这条新价值链的缩影。一套无本体数采设备，背后是双目视觉、高帧率采集、毫米级Handpose提取、真值校验一整套工程能力；规模化交付两万套，背后是供应链管理、两班倒运营和几百PB级的数据中心。这些能力过去分散在消费电子、自动化和云计算三个行业里，现在被具身智能的数据需求拧成了一股绳。

一张图看懂新的价值链关系：

注意最后的闭环：落地场景的验证结果，反过来定义下一轮数据采集的任务分布。谁能把这个闭环转得最快，谁就同时掌握了模型迭代和数据定价的话语权。

四种数据在闭环中的位置，还可以再看一张图：

对硬件厂商来说，这里有个明确的行动信号：不要只盯着整机订单，数据采集侧的设备需求正在成为增量市场——而且它的验收标准比消费电子严苛得多，先达标者先吃肉。

结语：电线杆之后，是电网

回到开头那两条新闻。李飞飞团队在拆巴别塔，觅蜂在立电线杆，看似一个在天上、一个在地上，其实是同一件事的两面：下一代具身智能「大脑」的形态已经隐约可见——多模态大模型加世界模型的融合架构，而它的燃料，正在被一套全新的数据基建规模化生产。

短期看，数据供给会如姚卯青所判断的那样向头部收敛，无本体与真机分层共存，仿真退守评测；中长期看，当无本体数据迈向千万小时、WAM架构跑通长时程任务，具身智能的竞争将从「谁的模型更强」过渡到「谁的数据闭环转得更快」。

但需要留一个问号：姚卯青的整套判断，都建立在「真实数据成本持续下探、仿真成本居高不下」这个前提上。英伟达的Cosmos和国内仿真派正在拼命压缩合成数据的成本曲线——一旦仿真生成 数据的质量逼近真实数据，这条以数采工厂为地基的「电网」，电价就可能被改写。第一根电线杆已经立起来了，可电网的输电标准，从来不是电线杆厂家一家说了算的。

模型、数据、硬件三方能不能在同一套标准下同频，决定了这座电网多久通电——毕竟，巴别塔倒过一次就够了。

参考资料

[^1]: Physical Intelligence, π0: A Vision-Language-Action Flow Model for General Robot Control, 2024年10月发布于arXiv（arXiv:2410.24164）。

[^2]: 李飞飞2024年创立World Labs并多次公开阐述Spatial Intelligence主张，相关演讲及访谈见于TED 2025及World Labs官方博客。

[^3]: 36氪旗下《智能涌现》等媒体2025年8月关于北京石景山人形机器人数采中心关停的报道；具体关停原因涉及订单与验收纠纷，官方未正式回应。

[^4]: NVIDIA于CES 2025发布的Cosmos世界基础模型及GR00T合成数据生成管线，见NVIDIA官方技术博客。

[^5]: 银河通用创始人王鹤在2024—2025年多个公开场合（如世界人工智能大会、机器人大讲堂访谈）阐述仿真合成数据路线，明确不看好纯真机数据采集路线的规模化。

[^6]: Open X-Embodiment Collaboration, Open X-Embodiment: Robotic Learning Datasets and RT-X Models, 2023年10月发布于arXiv（arXiv:2310.08864）。

[^7]: 高工机器人产业研究所（GGII），《2025年具身智能产业发展蓝皮书》，对国内数采服务市场规模与集中度的测算。

[^8]: Morgan Stanley Research, Humanoid 100: Mapping the Humanoid Robot Value Chain, 2024；其后续更新报告将数据闭环列为核心护城河。