2026年8月21日，在世界机器人大会（WRC）论坛现场，火星加速器、云启资本、无限基金SEE Fund联合发布《2026具身智能数据产业链与新基础设施研究报告》。报告提出，具身数据竞争正在从“拼数量”转向“拼有效性”，行业焦点正从本体、模型的单点较量，转向数据飞轮驱动的全链路系统工程。
从token到action：AI产业进入范式变革
报告指出，过去十余年AI主流路径依赖大规模静态数据和离线预训练，输出以文本、图像、代码等离散数字形式为主。具身智能的出现改变了这一点：系统输出从token变成action，训练对象从文本转向“感知—动作—反馈”的时序闭环。报告将Digital AI与Physical AI的差异归纳为七个关键点，并强调“Digital AI可以只对token负责，而Physical AI必须对动作结果负责”。
真正的竞争核心：从“一个模型”到“一个可持续交付系统”
报告认为，仅从模型技术叙事出发，容易低估产业落地的系统性挑战。具身智能的竞争核心正在从“一个模型”变为“一个可持续交付系统”。技术与商业化的核心差距体现在四大层级，其中第四层系统闭环能力尤为关键：缺少这一层，技术只能停留在效果优化的演示demo阶段；补齐工程整合与场景回流能力，才能构建产业级核心壁垒。
数据缺口不在数量，而在质量
行业目前不存在共识的“通用具身模型最低小时数”。不同研究使用小时、轨迹、片段、任务、本体和token等不同单位，同一小时的信息密度、动作覆盖、失败比例和传感器模态也可能相差数倍。报告进一步指出，数据缺口不单来自数量，更大的痛点来自质量：
- 真实数据贵、慢、碎——单台设备产生1万小时训练数据需消耗上百万元，总体采集成本是普通数据的10倍以上。
- 结构性不可用——任务定义缺失、多模态时序错位、动作空间不一致、失败原因缺失、元数据不全，这些采集断点会让采集时长在进入训练与评测前大量折损。
报告提出，真正稀缺的是“可用数据”：可检索、可对齐、可压缩/加载、可复现、可评测、可跨本体复用、权利与血缘可追溯的数据，才能转化为模型能力。行业评价维度正从“累计时长”转向更有解释力的新框架。未来领先企业不一定拥有最多数据，而是拥有最高的数据价值转化效率。
数据生命周期闭环与部署回流
报告将具身智能数据生命周期定义为一个循环闭环：数据生产、数据治理、生成与仿真、数据消费、部署回流。数据不再是单次交易的静态交付物，而是贯穿产业全链路、持续迭代的动态生产要素。当前行业正从各环节松散耦合的割裂模式，加速迈向协议级垂直整合的一体化形态。头部整机与模型企业普遍重视自有数据和部署反馈，但“全部自建”并不经济。更可能的格局是：高价值私域数据、关键评测和回流留在企业内部，通用采集硬件、治理工具、仿真与标准化测试由专业供应商和公共平台提供。
部署回流是具身智能实现持续进化的核心机制。不同于传统AI“训练完成即定型”，具身智能模型需要“部署-采集-优化-再部署”的持续迭代。报告特别指出，当模型执行成功率接近99%时，剩余1%的失败样本——极端场景、未适配场景——成为数据回流的核心来源。这些失败样本暴露当前版本的能力边界，具有高边际价值。
世界模型：从“响应环境”走向“预测环境”
报告将面向具身智能的世界模型拆成三类相互连接的基础能力。多数VLA的链路是“看到→行动”，不显式要求模型预测候选行动对未来世界的影响；而世界模型让机器人从“响应环境”走向“预测环境”，从对单步动作的模仿走向对动作后果的建模。它不意味着VLA消失，而是为策略提供前置推演、后置验证和训练辅助信号。但报告同时提出明确警示：世界模型的价值必须接受真实任务验收。它可以生成经验、预测后果和筛选策略，但只有在未参与训练的真实测试集上降低失败、接管或测试成本时，放大才具有产业意义。
2026是“规模化探索拐点年”
从市场规模看，预计2026年全球具身智能整体市场规模为65亿美元，到2033年将增至676亿美元，复合年增长率达39.7%。其中，软件与生态市场占比约48.8%，具身智能数据产业链在软件生态中占据约62%的份额，形成百亿级人民币蓝海市场。中国利用独特的体制与产业集群优势，走出“政府引导+新基建先行”的道路，形成“数采场”集群。全国已出现数十个具身智能数据采集或训练中心，主流建设模式呈现“政府出资建设+政企合资公司运营+企业优先回收数据”的格局。
报告最后判断，行业正从“能不能做出来”转向“能不能稳定交付”。谁能持续把真实世界变成可验证的经验，谁就掌握了新基础设施。
热门跟贴