数据为纲：具身智能从技术突破走向规模化落地

执行摘要：近期具身智能技术进展高度聚焦于数据瓶颈的破解：以人类数据替代昂贵机器人采集（FACT、λ₀）、修复仿真与现实差距（Contact-UAN）、数据策展与训练方法选择（VLA适配指南）等成果密集涌现。业界对数据作为规模化核心驱动力的共识正在形成。本报告梳理当前产业格局与产业链分工，分析数据、算法与硬件的竞争态势，并给出规模化落地路径的趋势判断。

产业现状与竞争格局

1.1 整体发展态势：数据成为共识性主线

具身智能正处于从技术突破走向规模化落地的关键过渡期。过去一年，行业讨论的焦点逐渐从“模型能否完成任务”转向“数据如何支撑规模化”——真实数据稀缺、泛化能力不足被普遍视为行业瓶颈。2025年QCon上海设立「数据驱动的具身智能」专题，围绕数据采集与合成、模型训练、仿真到真机迁移等关键环节展开，体现了业界对“数据作为规模化核心驱动力”的共识正在形成。

从技术演进路径看，产业当前呈现三条并行主线：其一是以人形机器人为载体的全身控制与移动操作（Loco-Manipulation），其二是以灵巧手为核心的精细操作能力，其三是贯穿两者的数据基础设施与训练方法论。三者的共同底座是“以人类数据替代昂贵的机器人数据采集”这一低成本路径。

1.2 热点方向一：人形机器人与全身控制

人形方向的技术热点集中于“人类数据到机器人技能”的转换链路。λ₀系统与HumanVerse数据集构建了500小时开放世界人类移动操作数据，将第一视角视频与同步的身体、手部动作配对，经人到机器人转换管线后实现零样本迁移至宇树Unitree G1执行全身操作任务，为人类数据规模化训练提供了低成本范式。

在控制精度层面，研究重心从“跟踪得上”转向“复现得好”。最新的全身控制研究指出，平均位置误差低并不等于保留动作的表现力特征，残差学习框架开始针对幅度、能量、身体舒展度等五类补偿目标进行精细化建模。与此同时，sim-to-real差距仍是工程落地的核心障碍：Contact-UAN等无监督执行器网络残差世界模型，通过校正执行器动力学使仿真轨迹对齐真实硬件，仅依赖机载本体感知即可提升力矩效率与抗冲击鲁棒性，反映出学界与产业界正从感知侧向执行器动力学侧纵深攻坚。

1.3 热点方向二：灵巧操作与力觉数据

灵巧操作是另一大热点，其核心矛盾在于：人类演示数据丰富但普遍缺失力觉信息，机器人数据力觉完整但采集昂贵。FACT基础模型给出的解法具有代表性——构建EgoForce大规模人类触觉数据集捕获力信息，与机器人演示数据共同预训练，采用“轨迹粗规划+力感知精细调整”的级联架构打通人到机器人的技能迁移。在泛化复用层面，斯坦福等机构的DexMimic通过价值引导重置分配，将过去“一条轨迹训一个专用策略”的物理仿真范式升级为跨多样手物交互轨迹联合训练的通用跟踪策略，直接回应了灵巧技能难以规模化复用的产业痛点。

应用侧，VLA策略开始向工业退役场景渗透。PACER框架面向报废产品机器人拆解，从机器人自身轨迹与人工纠错数据中学习并重加权有效动作块，探索数据稀缺、产品多变、分布漂移条件下的落地路径。

1.4 高校与初创密集发布，格局初显

近阶段，高校团队与初创企业密集发布基础模型与数据集：FACT+ EgoForce、λ₀+ HumanVerse、DexMimic等成果覆盖力觉、全身移动操作、通用灵巧手三大数据赛道；训练方法论层面，针对VLA模型适配的系统研究（覆盖在/离策略数据、最优与次优轨迹等场景，在LIBERO仿真与Franka真机验证）开始为从业者提供“何时用监督微调、何时用critic引导”的实用决策依据。头部研究机构（斯坦福等）与国内整机厂商（宇树等）之间形成了“数据集/模型发布—真机验证”的协作闭环，竞争格局初步显现。

从竞争定位看，当前参与者可大致分为三类：掌握大规模人类数据与转换管线的模型层玩家、深耕真机与执行器动力学的整机层玩家、以及提供数据策展与后训练方法的工具层玩家。三者技术门槛与商业价值的组合各不相同：

1.5 数据为纲：从单点突破到体系竞争

综合来看，当前产业竞争的本质正在从“算法单点突破”转向“数据体系竞争”。数据层的护城河由三部分构成：显性的是公开数据集与基础模型发布（如HumanVerse的500小时数据、EgoForce的触觉数据），隐性的是数据采集管线、人机转换算法、仿真校准能力等工程化根基。

总体判断：具身智能格局初显但远未固化。人形与灵巧操作两大热点方向均处于“数据规模决定能力上限”的早期阶段，谁先跑通“人类数据采集—模型训练—真机验证—数据回流”的飞轮，谁就可能在规模化落地竞争中占据先机。这也是后续章节讨论数据战略与工程化落地的现实背景。

产业链上游：硬件与仿真

具身智能产业链上游由执行器、传感器等核心硬件与仿真平台两大板块构成。与消费电子等成熟产业链不同，具身智能上游的独特之处在于：硬件性能的发挥高度依赖软件与算法的“翻译”能力，而仿真平台正是连接硬件能力与智能算法的关键桥梁。2025年以来，产业界的一个显著共识是——数据已成为具身智能从实验室走向规模化落地的核心驱动力，而上游正是数据的采集源头与加工工厂。

一、核心硬件：执行器与传感器构成能力基座

执行器是人形机器人的“肌肉”，其动力学特性直接决定了机器人的力交互能力上限。传感器则包括视觉、触觉、力觉与本体感知等多模态输入设备，是机器人感知物理世界的入口。

从近期研究动态看，硬件与算法的耦合正在加深。例如，面向人形机器人控制的Contact-UAN研究提出无监督执行器网络残差世界模型，其方法仅依赖机载本体感知数据即可校正执行器动力学，这从侧面印证了本体感知传感器在硬件体系中的基础地位——低成本的本体感知配上合适的算法，足以支撑高精度的力矩控制。触觉与力觉传感器则被视为灵巧操作的下一个数据富矿：FACT模型团队专门构建了EgoForce大规模人类触觉数据集，正是为了弥补人类演示数据中普遍缺失力觉信息的短板，说明力觉数据的采集与标注已成为上游数据供给的关键环节。

二、仿真平台：sim-to-real差距校正成为关键竞争点

仿真平台的核心价值在于以低成本、可规模化的方式生成训练数据。然而仿真与现实的物理差距始终存在，其中最难的环节之一是执行器的sim-to-real差距——仿真器中的理想电机模型无法完全还原真实执行器的摩擦、延迟与非线性特性，导致仿真中训练良好的力交互策略迁移到真机后失效。

正因如此，执行器sim-to-real差距校正等仿真迁移技术正成为上游的关键竞争点。产业逻辑在于：谁能在仿真中更真实地还原硬件特性，谁就能以更低的真机调试成本实现策略落地。当前的技术路线呈现多层次演进：

具体来看，三条技术路径值得关注。其一是仿真器内校正：Contact-UAN在保留仿真器物理先验的同时，通过残差模型校正执行器动力学，使仿真轨迹对齐真实硬件录制轨迹，并借助接触一致回放机制避免残差模型学习到重置伪影，最终提升了力矩效率、负载调节与抗冲击鲁棒性。其二是人类数据的低成本规模化：λ₀系统与HumanVerse数据集构建了500小时开放世界人类移动操作数据，通过人到机器人的转换管线对齐视角与外观，实现了零样本迁移到宇树Unitree G1人形机器人执行全身操作任务，为绕开昂贵的机器人数据采集提供了路径。其三是训练效率优化：DexMimic提出价值引导重置分配机制，在线调整初始化分布、将训练资源优先分配到欠训练阶段，使通用灵巧手操作策略可以从大规模人手-物体交互数据中联合训练，突破了以往“一条轨迹训一个专用策略”的规模瓶颈。

三、上游竞争格局：技术门槛与商业价值分化

综合技术门槛与商业价值两个维度，上游各环节的竞争定位呈现明显分化：

四、趋势判断

第一，仿真迁移能力将硬件竞争与软件竞争融为一体。执行器等硬件的参数差异需要通过仿真校正技术来“消化”，上游厂商的竞争力将越来越多地体现为“硬件+校正算法”的打包能力。

第二，人类数据正在成为上游数据供给的新支点。FACT、λ₀等工作共同指向一个方向：用人类演示（含触觉、力觉等多模态）替代或补充昂贵的机器人真机数据，是打破数据瓶颈的现实路径。

第三，数据策展能力从训练环节前移至上游。PACER框架从机器人自身轨迹与人工纠错数据中学习，Post-Training研究系统给出了失败数据、次优轨迹等不同数据场景下的方法选择指南（基于critic的引导方法在有失败数据的离线场景中优于监督微调）——这意味着上游不仅要“采数据”，还要“管数据”，数据质量分层与来源标注将构成新的基础设施需求。

总体而言，上游正在从单纯的硬件制造转向“硬件+仿真+数据”三位一体的复合竞争。仿真迁移技术尤其是执行器sim-to-real差距校正，将在未来一段时间内扮演上游竞争胜负手的关键角色。

产业链中游：模型与算法

具身智能产业链的中游，是以VLA（视觉-语言-动作）模型、灵巧操作基础模型与全身控制方案为核心的算法层。2025年以来，这一层的迭代明显加速，且呈现出一条共同主线：以人类数据替代昂贵的机器人真机数据，并通过架构创新压缩sim-to-real与实验室到产业的鸿沟。

一、VLA模型：从任务专用走向方法学分化

VLA仍是中游最受关注的范式，但其内部技术路线已明显分化。一方面，PACER等框架面向报废产品拆解等工业退役场景，从机器人自身轨迹与人工纠错数据中学习，通过进度评估与轨迹来源、结果对有效动作块重加权，应对数据稀缺、产品变化与环境分布漂移的难题，展示了VLA在非结构化工业任务中的可行性。另一方面，arXiv论文2610.19143系统研究了VLA模型后训练与微调方法的适配问题，涵盖在/离策略数据、离线与在线适配、最优与次优轨迹等场景，并在LIBERO仿真与Franka真机上验证。其结论具有行业指导意义：离线数据场景下，当存在失败数据时，基于critic的引导方法优于监督微调，但离线RL训练critic在特定条件下仍有限制。这意味着VLA落地不再只是“选一个基座模型”，而是一整套数据策展与方法选择的工程学。

与此同时，QCon上海「数据驱动的具身智能」专题聚焦数据采集与合成、模型训练、仿真到真机迁移等环节，反映业界对“数据是规模化核心驱动力”的共识正在形成——中游算法竞争的实质，正在从模型结构竞争转向数据飞轮构建能力的竞争。

二、灵巧操作基础模型：人类数据成为主流数据源

灵巧操作方向的显著趋势是利用人类演示替代昂贵的机器人数据采集。FACT基础模型针对人类数据普遍缺失力觉信息的痛点，构建了EgoForce大规模人类触觉数据集，捕获富含力信息的操作经验，并与机器人演示数据共同预训练；其级联架构先用Track-Guided Coarse Planner联合预测动作、未来视频与视觉轨迹，再进行力感知的精细化调整。λ₀系统与HumanVerse数据集则面向人形全身移动操作，构建500小时开放世界人类移动操作数据，将第一视角视频与同步的身体和手部动作配对，实现零样本迁移到宇树Unitree G1执行全身操作任务，为人类数据规模化训练提供了低成本路径。

在策略规模化复用上，斯坦福等机构的DexMimic提出通用灵巧手-物体交互跟踪策略，通过Value-Guided Reset Allocation在线调整初始化分布、优先训练欠训练阶段，突破了现有物理方法“一条轨迹一个专用策略”的瓶颈。

三、全身控制：残差学习与仿真对齐成为关键杠杆

人形机器人全身控制方面，Contact-UAN提出无监督执行器网络残差世界模型，在保留仿真器物理先验的同时校正执行器动力学，仅依赖机载本体感知即可缩小执行器sim-to-real差距，并通过接触一致回放避免残差模型学到重置伪影，提升力矩效率、负载调节与抗冲击鲁棒性。另一项残差学习工作则指出，平均跟踪误差低不等于动作表现力，其框架针对幅度、能量、身体舒展度、倾斜与骨盆高度五类补偿目标，通过运动感知门控将补偿集中于关键方面，旨在忠实复现动作的表现性而非仅运动学轨迹。

四、技术路线并存下的竞争格局

综合来看，中游呈现“多条路线并存、尚未收敛”的格局：级联架构（先粗规划后精调）、残差学习（在物理先验上叠加补偿）、价值引导重置（训练资源动态分配）分别在不同环节降低数据与算力门槛。按技术门槛与商业价值两个维度观察，各路线的位置差异明显：

趋势判断：中游算法层的竞争焦点已从“单点模型性能”转向“数据获取成本×泛化能力×真机迁移效率”的综合效率比。人类数据利用、级联架构与残差学习三条路线并不互斥，更可能在中期走向融合——以人类数据规模化供给为先导，以级联与残差机制弥补信息缺失与物理差距。对产业参与者而言，能否建立高质量数据策展与后训练的工程化体系，将成为中游竞争的分水岭。

产业链下游：场景与应用

具身智能的商业价值最终要在真实场景中兑现。当前产业的关注点正从实验室基准任务转向工业回收、移动操作等高价值、高难度的真实场景。这一迁移过程的核心矛盾在于：下游场景对机器人泛化能力的要求远超现有训练数据的覆盖范围，垂直行业数据稀缺与环境分布漂移成为落地的首要挑战。

一、从实验室走向真实场景的路径

下游落地并非一蹴而就，而是沿着“数据获取—能力迁移—场景验证—规模化”的链条逐步推进。以报废产品拆解为代表的工业回收场景，集中体现了这一路径的典型特征：任务非标准化、产品形态多变、环境持续变化。

二、典型场景分析

场景一：报废产品拆解与工业回收。 报废产品拆解被视为具身智能落地的标志性场景之一，原因在于其具备真实的经济驱动力（回收价值）和天然的数据飞轮结构（拆解任务可持续产生人工纠错数据）。PACER框架展示了该场景下的技术路线：VLA策略从机器人自身轨迹和人工纠错数据中学习，通过进度评估与轨迹来源、结果对有效动作块进行重加权，结合监督微调提升策略表现。该工作明确针对拆解数据稀缺、产品变化和环境分布漂移三大难题，是VLA策略在工业退役产品回收场景的代表性探索。

场景二：人形机器人移动操作。 移动操作要求机器人同时完成行走、导航与手部精细操作，训练数据缺口最大。λ₀系统与HumanVerse数据集提供了低成本路径：构建500小时开放世界人类移动操作数据，将第一视角视频与同步的身体、手部动作配对，通过人到机器人的转换管线对齐视角与手臂外观，最终实现零样本迁移到宇树Unitree G1人形机器人执行全身操作任务。这表明人类数据规模化正在成为真机数据采集的可行替代方案。

场景三：灵巧操作与接触密集型任务。 人类演示普遍缺失力觉信息，而拆解、装配等下游任务高度依赖力交互。FACT模型通过EgoForce大规模人类触觉数据集捕获富含力信息的操作经验，采用级联架构先联合预测动作与视觉轨迹，再进行力感知精细化调整，打通了人类数据到机器人灵巧控制的通道。在仿真到真机迁移侧，Contact-UAN以无监督执行器网络作为残差世界模型，校正执行器动力学，解决力交互任务的sim-to-real差距。

三、落地挑战：数据稀缺与分布漂移

下游场景的挑战可归纳为数据侧与策略适配侧两个维度。数据侧，垂直行业任务（如拆解特定品类产品）缺乏公开数据集，真机采集成本高、周期长；策略适配侧，产品形态变化与环境分布漂移导致离线训练的策略在真实部署中性能衰减。Post-Training领域的研究为此提供了方法学指引：系统研究显示，在离线数据场景下，当存在失败数据时，基于critic的引导方法优于监督微调，为数据策展与方法选择提供了实用框架。同时，全身控制研究指出，简单的运动学跟踪误差指标不足以保留人类动作的表现力特征，需要针对幅度、能量、身体舒展度等多类补偿目标进行残差学习——这提示下游场景的能力评估标准本身也在演进。

四、小结

下游场景正在从概念验证走向初步商业化，数据飞轮是贯穿其中的核心机制：真实部署产生纠错数据，数据回流改进策略，策略能力提升拓展可覆盖的场景边界。报废产品拆解、移动操作等场景因其经济价值与数据结构优势，有望率先跑通闭环。但能否实现规模化，取决于行业数据基础设施的建设速度——包括人类示教数据管线、纠错数据回流机制与跨场景泛化能力。业界在“数据驱动的具身智能”这一命题上的共识正在形成，数据策展与适配方法学的工程化，将成为决定下游落地节奏的关键变量。

数据飞轮与竞争壁垒

当具身智能的技术路线从“模型架构创新”逐步收敛，产业竞争的焦点正在转向一个更底层的问题：谁拥有高质量的训练数据，谁就掌握了规模化落地的主导权。真实机器人数据采集成本高昂、周期漫长，而人类演示数据虽然廉价易得，却普遍缺失力觉信息、存在具身形态差异。如何策展、采集与合成训练数据，已经从工程细节上升为一门系统性学问。

一、数据策展：方法选择正在体系化

数据策展不再是经验判断，而是有明确方法论支撑的技术决策。arXiv论文《Post-Training, Finetuning, and Steering: A Field Guide for Curating Training Data》（2610.19143）系统研究了VLA模型适配方法的选择问题，覆盖在/离策略数据、离线与在线适配、最优与次优轨迹等常见数据场景，并在LIBERO仿真任务与Franka真实机器人平台上完成验证。其核心结论颇具指导意义：在离线数据场景下，当数据中存在失败案例时，基于critic的引导方法显著优于传统监督微调；同时该研究也坦诚指出，离线RL训练critic的技术在特定条件下仍存在局限。这类研究的出现，标志着数据策展方法的选择已有章可循，从业者可以依据自身数据条件匹配合适的训练范式。

二、人类数据规模化：低成本路径成形

人类演示替代昂贵的机器人数据采集，正在成为行业共识性的技术路径，且出现了多条互补的技术分支：

• 触觉补齐：FACT基础模型针对人类数据普遍缺失力觉信息的痛点，构建了EgoForce大规模人类触觉数据集，捕获富含力信息的操作经验，与机器人演示数据共同预训练，并通过级联架构实现力感知的精细化调整，打通了人类数据到机器人灵巧操作的通道。
• 全身移动操作：λ₀系统与HumanVerse数据集构建了500小时开放世界人类移动操作数据，将第一视角视频与同步的身体和手部动作配对，经人-机转换管线对齐后，实现零样本迁移到宇树Unitree G1人形机器人，为人类数据规模化训练提供了低成本验证案例。
• 表现力保留：最新研究指出，仅以关节跟踪误差为目标会丢失人类动作的表现力特征，残差学习框架针对幅度、能量、身体舒展度等五类补偿目标进行优化，让人类数据的价值不止于运动学轨迹。
• 仿真对齐：Contact-UAN通过无监督执行器网络作为残差世界模型，校正执行器动力学，仅依赖机载本体感知即可让仿真轨迹对齐真实硬件，缓解执行器sim-to-real差距导致的力交互迁移失败。

三、数据飞轮：从概念到工程化实践

数据飞轮的核心逻辑是：模型部署产生交互数据，交互数据（尤其是人工纠错数据）回流训练，模型能力提升带来更大部署规模，进而产生更多数据。QCon上海「数据驱动的具身智能」专题的设立是一个标志性信号——产业大会开始以专题形式聚焦数据采集与合成、模型训练、仿真到真机迁移及数据飞轮构建的工程化实践，说明业界对“数据是规模化核心驱动力”的共识正在形成。

PACER框架展示了飞轮闭环在具体场景中的落地方式：面向报废产品机器人拆解任务，它从机器人自身轨迹和人工纠错数据中学习，通过进度评估与轨迹来源、结果对有效动作块重加权，结合监督微调提升策略表现，应对拆解数据稀缺、产品变化与环境分布漂移难题。这说明在真实工业场景中，纠错数据的回流与筛选本身就是飞轮运转的关键齿轮。

DexMimic则从训练效率侧补齐了飞轮的一环：其价值引导重置分配机制在线调整初始化分布，优先将训练资源分配给欠训练阶段，使跨多样人手-物体交互轨迹的联合训练成为可能，为人类HOI数据的大规模复用提供了工程基础。

四、数据资产成为核心竞争壁垒

综合来看，具身智能的竞争壁垒正在经历结构性迁移：模型架构趋于公开与收敛后，数据资产形成了难以快速复制的护城河，其壁垒性质体现在三个层面。其一，采集壁垒——大规模力觉数据集、500小时级人类移动操作数据等多模态数据集需要长期投入与专有采集管线，无法在短期内复现。其二，方法论壁垒，数据策展与适配方法的选择能力（如critic引导式后训练、残差世界模型对齐）决定了同等数据量下的模型上限。其三，飞轮壁垒——已部署系统持续产生纠错数据回流，形成先发者数据量的复利式积累，后来者的追赶成本随时间递增。

对产业参与者而言，当前的策略启示是明确的：在模型能力差距逐步缩小的窗口期内，尽早建立数据采集管线、沉淀数据策展方法论、启动部署侧的数据回流机制，将决定未来竞争格局中的位置。数据为纲，不再是口号，而是正在被工程化实践验证的产业规律。

趋势判断与展望

回顾具身智能当前的技术演进脉络，一个日益清晰的判断是：数据，而非模型结构，正在成为决定竞争格局的核心变量。围绕数据的获取、对齐与利用，产业正在形成三条清晰的技术主线。

主线一：人类数据规模化，低成本扩容的起点

真实机器人数据采集成本高、效率低，一直是制约规模化的第一瓶颈。以人类数据替代或补充机器人数据，正在从概念走向工程验证。

λ₀系统与HumanVerse数据集是这一路径的代表性成果：通过构建500小时开放世界人类移动操作数据，将第一视角视频与同步的身体、手部动作配对，并经人到机器人的转换管线对齐视角与外观，最终实现零样本迁移到宇树Unitree G1人形机器人执行全身操作任务。这证明人类数据规模化训练人形机器人具备现实可行性，且成本远低于真机采集。

在灵巧操作方向，FACT基础模型同样走通了“人类演示替代机器人数据”的路线，并针对人类数据普遍缺失力觉信息的痛点，构建了EgoForce大规模人类触觉数据集，将富力信息的操作经验与机器人演示共同预训练。这提示我们：人类数据的规模化不只是“视频量”的扩张，更是触觉、力觉等多模态信息的补全过程。与此同时，DexMimic通过价值引导重置分配，在多类人手-物体交互轨迹上联合训练通用跟踪策略，解决了单轨迹专用策略难以规模化复用的问题，为人类HOI数据的大规模利用提供了方法论支撑。

主线二：Sim-to-Real对齐，从运动学到动力学与表现力

仿真到真机的迁移正在从“轨迹像”走向“动力学准、行为真”。

Contact-UAN提出的无监督执行器网络残差世界模型，在保留仿真器物理先验的同时校正执行器动力学，仅依赖机载本体感知即可对齐仿真轨迹与真实硬件录制轨迹，解决了执行器sim-to-real差距导致的力交互迁移失败问题。这表明sim-to-real的攻坚重点正从视觉场景泛化转向接触密集型任务的动力学一致性。

对齐的另一个维度是“质”而非“量”：最新全身控制研究指出，平均位置误差低并不等于保留动作的表现力，团队提出残差学习框架，针对幅度、能量、身体舒展度等五类补偿目标进行精细化优化。这意味着未来的人形机器人不再只是复现运动学轨迹，而是忠实传承人类动作的质感——这对服务、展演等对交互体验敏感的场景尤为关键。

主线三：后训练方法体系化，从经验走向科学

模型预训练之后如何高效适配到具体任务，正在形成一套可循证的方法论。

PACER框架展示了后训练的实践形态：面向报废产品拆解任务，从机器人自身轨迹与人工纠错数据中学习，通过进度评估对有效动作块重加权，结合监督微调应对数据稀缺与分布漂移。而arXiv论文2610.19143则提供了系统性的方法选择指南：在离线数据场景下，当存在失败数据时，基于critic的引导方法优于监督微调；同时该工作也指出离线RL训练critic在特定条件下仍有限制。这类研究的价值在于，把“该用什么数据、选什么方法”从依赖个人经验，推向可验证的工程准则。QCon上海“数据驱动的具身智能”专题聚焦数据飞轮构建与工程化实践，也印证了业界对数据作为规模化核心驱动力的共识正在形成。

商业化推演：数据闭环能力决定先发优势

三条主线并非平行演进，而是共同指向一个闭环：人类数据提供低成本规模化供给，sim-to-real对齐打通虚拟到物理的转换，后训练方法体系化则决定了数据利用效率。具备完整数据闭环能力的玩家，能够以更低单位成本持续扩大高质量数据资产，形成正反馈。

据此可以给出三个趋势判断：其一，数据资产将超越模型权重，成为具身智能企业估值的核心依据，人类数据管线与触觉数据集的构建速度将拉开差距；其二，sim-to-real对齐能力将内化为头部企业的工程壁垒，接触密集型任务的迁移成功率是关键观测指标；其三，商业化落地将率先出现在数据获取成本可控的场景——如拆解回收（PACER所代表的工业退役场景）、结构化服务任务等，而非一步迈向开放世界通用机器人。

未来两到三年，行业分化的分水岭不在于谁拥有最大的模型，而在于谁能跑通“数据采集—对齐—后训练—部署回流”的完整飞轮。数据为纲，落地为本，这将是具身智能从技术突破走向规模化产业的必经之路。