销售额暴涨95%，机器人聪明了吗

导语： 商务部刚公布了一组数据：7月份重点平台具身智能机器人销售额增长95.1%，几乎翻倍。消费端的热情肉眼可见。但就在同一周，一场闭门会上，几位具身智能公司的一线负责人泼了盆冷水——“百万小时数据”暂时无法验证也无法证伪，数据堆上去了，机器人未必变聪明。一边是创纪录的销售额，一边是悬而未决的技术路线之争，具身智能正在经历一场典型的“商业先行、技术追赶”的错位期。钱已经很热了，接下来拼的是谁能把数据真正变成能力。

📈 95.1%，先看消费端这把火

先说一个场景：今年上半年，如果你想给家里添一台具身智能机器人，不用再托朋友从展会“人肉”背回来了。

电商平台上，从千元级的桌面机械臂到数万元的家庭服务机器人，货架越来越满，交付周期越来越短。这不是错觉，商务部商务大数据给出了背书——7月份，重点平台具身智能机器人销售额增长95.1%。

把同期数据放在一起看，画面更完整：

数据来源：商务部商务大数据、证券时报。

注意这个梯队结构：具身智能机器人的增速是扫地机器人的近5倍，是外骨骼的2倍多。扫地机器人是成熟品类的自然增长，而具身智能机器人是一个正在从尝鲜走向规模化的新品类——这个增速的含金量完全不同。

宏观背景也有意思：据国家统计局公布，1—7月社会消费品零售总额同比增长1.2%，除汽车外的消费品零售额增长2.7%。在大盘个位数增长的底色下，95.1%这个数字显得格外扎眼。

多位接近渠道端的人士私下透露，具身智能机器人目前的销售主力还是科技爱好者和高端家庭，“买回去更多是陪伴、演示和教育场景，真正替代家务的比例还不高”。换句话说，消费端已经愿意为“未来感”买单，但机器人离“好用的生产力工具”还有距离。

这就是当下具身智能最真实的分裂：销售曲线陡峭向上，能力曲线缓慢爬坡。

💾 百万小时，喂不出一个GPT时刻

2026年以来，具身智能赛道融资持续升温。据IT桔子及多家一级市场研究机构的公开统计，仅上半年国内具身智能赛道披露的融资事件已超过百起，融资BP里出现频率最高的数字，是“百万小时”。

真机遥操作、第一人称视频、UMI、仿真、触觉数据……各种数据路线轮番成为热点，行业不断抛出十万小时、百万小时乃至一亿小时的规模判断，仿佛只要数据喂够，具身智能就会自然迎来自己的“GPT时刻”。

但在虎嗅AI100第八期闭门会上，酷哇科技联合创始人、世界模型算法负责人彭湃，千寻智能预训练负责人郭俊良，光轮智能战略与生态副总裁廉和，刻行时空联合创始人、CTO郑宇靖，四位分别代表真实机器人运营、具身基础模型、数据供应和数据基础设施的从业者，给出了一组泼冷水的判断。

第一条就足够颠覆：所谓“百万小时”，暂时无法验证，也无法证伪——很多判断，只是从语言模型的Token量换算来的。

这话翻译一下就是：大模型领域，“数据规模决定能力涌现”是被验证过的规律——OpenAI的Scaling Laws论文（Kaplan et al., 2020）以及后续Chinchilla论文（Hoffmann et al., 2022）都给出过数据量与模型能力的量化关系。但把Token的量纲直接平移到具身智能，得到的“百万小时够了”之类的结论，目前既没有实验支持，也没有理论支撑。更多是一种融资叙事，而非工程结论。

彭湃在会上有句话被反复引用：“普通道路跑100公里，对模型的信息增益，可能不如菜市场的一只塑料袋。”

为什么？因为普通道路场景高度重复，机器人跑一万公里见到的都是相似的路面、相似的行人轨迹。而菜市场里那只被风吹起的塑料袋，是模型从没见过的物理现象——轻、软、飘忽、反光、会缠住机械臂。这种长尾样本对模型的“信息密度”，远高于重复场景的堆量。这实际上呼应了机器学习领域早有共识的“数据多样性优于数据规模”原则——在自动驾驶行业，Waymo、特斯拉等公司公开的技术分享中也反复强调长尾场景（corner case）数据的价值远高于常规里程积累。

🔧 录下来≠能训练：数据的四道坎

数据从现实到模型，中间隔着四道坎：采集、清洗与标注、训练筛选、部署回流。每道坎都在筛掉大量“看似庞大”的数据集——闭门会上多位从业者提到，相当比例的真机采集数据因为传感器漂移、任务定义模糊或失败原因不可追溯，最终根本进不了训练集。

闭门会上达成的共识很尖锐：数据被录下来，不等于能用于训练；进入训练，不等于能让模型获得新能力；模型在实验室变聪明，也不等于能在真实环境中稳定干活。

如果一批数据无法解释失败、覆盖长尾、迁移到不同本体，也不能在部署后持续回流，那么再庞大的规模，也可能只是一笔昂贵的成本。

对于“堆数据”这件事，行业内部已经开始拆开看。郭俊良给出的判断是：视频预训练堆规模，真机后训练拼难例。

也就是说，两条数据管线扮演完全不同的角色：

• 预训练阶段：靠海量互联网视频、仿真数据建立对物理世界的通用理解，这个阶段确实拼规模；
• 后训练阶段：拼的是真机采集的高质量难例——那些模型反复失败的场景，才是真正拉开能力差距的地方。

这就解释了为什么“百万小时”的说法容易误导：它把两个阶段混为一谈。你用一百万小时的视频预训练，可能不如五千小时精准的真机难例数据更能提升任务成功率。

关于路线之争，判断同样务实：数据量够大时，VLA（视觉-语言-动作模型）和World-Action Model未必有本质差距。短期看，各家头部公司公开的技术报告（如Google DeepMind的RT系列、π0等）尚无任何一方拿出在同等数据规模下系统性超越对方的对比实验——架构路线之争短期未必成立，真正决定胜负的不是选哪条路线，而是谁先把数据管线跑通。

值得注意的是，围绕数据管线的分工正在专业化——做真机运营的、做仿真数据的、做数据回注基础设施的，正在成为独立环节。这通常是产业链走向成熟的标志。

⚠️ 人形未必先落地，轮式底盘先赚钱

闭门会第四个判断，直接打在了当下最热的叙事上：人形未必先落地——轮式底盘加升降机构，可能就足以覆盖当前95%以上的任务。

这背后是一个朴素的工程账本。人形机器人最贵的不是“人形”本身，而是双足行走带来的平衡控制、关节自由度和能耗成本。但你仔细盘点当前真实付费的商业场景——工厂上下料、商服巡检、物流分拣、展馆讲解——有几个真的需要双足？

答案是极少。绝大多数任务发生在平整地面上，需要的是：到达指定位置（轮式底盘解决）、够到不同高度的作业面（升降机构解决）、灵巧操作（末端执行器解决）。

这个判断也能在产业侧找到印证：据高工机器人研究所（GGII）等第三方机构的公开报告，目前工业与服务场景中实现规模化出货的移动操作类机器人，绝大多数采用轮式或履式底盘；而人形机器人整机出货量至今仍集中在数千台量级，且以科研和展示用途为主。成本端同样支持这个结论——业内普遍测算，同等作业能力下，轮式方案的本体成本通常只有全尺寸人形方案的几分之一，且维护复杂度低得多。

这正是酷哇科技这类从真实运营切入的公司的优势所在。当大量团队还在围绕“像人”做文章时，先落地的玩家选择围绕“干活”做文章——客户不为拟人度付费，客户为任务完成率付费。

“据多位接近人士”透露，不少投资人内部已经开始调整评估框架：从“演示视频的惊艳程度”转向“单台机器人的作业时长和复购率”。这个转向一旦成为行业共识，“轮式+升降”这条务实路线的商业价值会被重新定价。

当然，这不是说人形没有未来。人形的终极价值在于通用性——一个能适应人类环境的身体，理论上可以干人类环境里的所有活。但通用性的前提是模型能力到位，而在数据管线还没跑通的今天，用最贵的本体去赌最远的目标，性价比确实存疑。

先落地赚钱，再图通用性——这可能是未来两三年具身智能商业化最理性的打法。

💡 从“卖出去”到“用起来”，中间隔着一整条数据链

把消费端和工程端的两幅图景拼起来，才能看懂当下具身智能的真实位置。

回顾这条赛道的数据路线演进：从真机遥操作（早期主流采集方式），到第一人称视频（低成本扩充规模），再到UMI（便携采集方案）、仿真（合成数据补长尾）、触觉数据（精细操作新战场），如今行业的焦点正在转向数据回流基础设施。

这条演进路径透露了一个关键信号：行业的重心正在从“怎么采数据”转向“怎么让数据流动起来”。真机遥操作解决的是“有没有”，视频和仿真解决的是“多不多”，而部署后的数据回流，解决的是“能不能持续变好”。

这也是95.1%销售额增速背后更深层的产业意义：每一台卖出去的机器人，都是一个潜在的数据采集端。消费端起量，意味着真机数据的获取成本正在快速下降。这是消费市场反哺技术迭代的正向循环——前提是厂商真的建起了数据回流管线，而不是把卖出去的机器当成一锤子买卖。

郑宇靖所在的数据基础设施赛道之所以被资本市场看好，逻辑正在于此：当机器人保有量上到一定规模，谁掌握数据回注的管道，谁就掌握了模型迭代的弹药库。

对从业者，给出三个务实建议：

1. 别用数据规模讲故事，用任务成功率说话——融资叙事可以热，交付标准必须冷。建议在商务合同中把“任务成功率”“平均无故障作业时长”写进验收条款，用可审计的指标替代演示视频；

2. 优先建设难例挖掘和回流能力，这比再采十万小时常规数据更值钱。具体来说，先搭好失败案例的自动标注与分诊系统，让每一台部署在外的机器都成为难例的“侦察兵”；

3. 本体选择跟着任务走，别为人形支付不必要的成本。在动手立项之前，先老老实实拆解目标场景：地面是否平整？需要到达哪些高度？末端需要几个自由度？如果轮式底盘加升降机构能覆盖90%以上的作业点，就先别碰双足——把省下来的本体成本投进数据管线，换取更快的迭代速度。人形可以是远期路线图上的一站，但不应该是今天商业模式的地基。等数据闭环跑通、模型能力到位之后，再从轮式平滑升级到人形，才是风险收益比更高的路径。

小结

95.1%的销售额增速证明了一件事：市场对具身智能的信心已经到位，钱和用户都上桌了。但闭门会上的四个判断提醒我们，信心不能替代工程——百万小时数据无法验证、架构路线之争短期无解、人形落地仍需等待。未来18个月，真正决定格局的不是谁的发布会更震撼，而是谁能把“录下来—训进去—用起来—流回来”这条数据闭环跑通。机器人卖得好只是上半场，用得好才是决赛。

主要信源：

• 商务部商务大数据（2026年7月重点平台销售监测数据），经证券时报报道；
• 国家统计局：2026年1—7月社会消费品零售总额数据；
• 虎嗅AI100第八期闭门会（与会嘉宾发言，经虎嗅整理）；
• Kaplan et al., Scaling Laws for Neural Language Models, 2020；Hoffmann et al., Training Compute-Optimal Large Language Models, 2022；
• IT桔子、高工机器人研究所（GGII）公开统计与行业报告。