具身智能赛道，苦数据久矣。
难题远不止数据短缺。真机采集昂贵、耗时，规模化落地门槛很高；好不容易拿到物理交互样本，距离真正转化成机器人能力，依然隔着很长一段距离。
该怎么走，行业玩家给出了不同解法。
国际上，Tesla Optimus 依托工厂场景的真机遥操快速积累万级 episode 数据；Figure AI 与英伟达则大力押注仿真合成与世界模型，试图以「数字孪生」突破物理采集的成本瓶颈。
国内，头部具身智能企业也纷纷自建数据工厂，从 UMI 手持采集到 EgoCentric 第一视角视频，希望扩大可用数据的来源和规模。
为什么大家都这么重视数据？因为没有足够的数据，很难涌现出真正的智能。
但具身智能的数据问题，可不是盯着数据本身就够了。
AI 正在从 Intelligence 走向 Action。
进入物理世界之后，具身智能形成了一个很典型的三角关系：算力驱动数据加工，数据喂养模型，模型又持续消耗算力。
三者首尾相接，构成一个持续运转的「数据飞轮」。
但这只飞轮天然带着一个「鸡生蛋」难题：模型需要好数据，好数据又需要更强的模型。
于是，具身智能的数据问题，也从「怎么多拿一些数据」，变成「怎么让算力、数据和模型真正循环起来」。
「数据飞轮」该怎么高效运转？
特别是当机器人数量从几十台走向几百台、几千台，且真机、仿真、视频、点云和动作数据同时涌入时，飞轮要如何转动，才能持续保障模型迭代速度？
9 月 23 日，在「2026 云栖大会」的具身智能论坛上，我们看到了几个越来越集中的行业判断：
数据时长正在失去意义，模型增益才是数据真正的计价单位。
具身 Scaling Law 还没有被真正验证，问题可能不只在数据规模，也在模型结构、评测方式和物理因果。
行业正在从「找数据」进入「造数据、管数据、用反馈继续生产数据」的阶段，数据工程化开始成为新的竞争壁垒。
数据路线还在分叉，飞轮已成共识
想要让「数据飞轮」真正向前推进，需要的是一套覆盖数据、模型、训练到算力的全栈工程能力。
其中，数据侧首先要建立起一条完整的「数据产线」：从采集、存储、清洗、标注、质检与增广、训练评测，再到数据管理和反馈回流。
这七个环节，基本覆盖了具身数据从原始素材变成模型能力的全过程。
而且，每一环都有自己的难点。
采集要在精度、规模和成本之间取舍，不同来源的数据需要统一采集入湖。
清洗涉及视频、点云、轨迹等多模态数据的大规模处理。
再看数据标注。
传统方法是给图片框选目标、补充类别。
但具身数据复杂得多。一段机器人操作视频，往往需要识别动作发生的时间边界、判断左右手或机械臂归属、理解操作对象、完成动作语义描述，还可能涉及位姿恢复、多视角对齐和复杂动作拆分。
因此，现阶段的数据标注，越来越依赖模型参与。
比如，AutoClip 调用 Qwen 模型实现动作片段自动切分，AutoCaption 调用 Qwen 模型生成语义描述。
对于特定场景的高精度标注需求，基于基模 + 客户数据后训练领域模型，也正在成为提升标注精度的路径。
标注之后，还要继续做质检与增广。
哪些样本存在问题，哪些 Bad Case 需要人工介入，可以通过样本质量筛选继续处理；对于数据不足的部分，也可以通过生成方式进一步扩充。
到了训练这一端，问题则变成这些数据能不能「及时」进入模型迭代。
训练侧需要分布式训练平台承接模型开发与评测，并通过训推加速框架压缩工程开销。
训练结束，还不是终点。
"对于具身来说，幻觉是灾难性的。"无界动力联合创始人兼 CTO 夏中谱在论坛上表示。
机器人最终要在真实世界里做决策和动作，模型有没有学到正确的物理关系，不能只看训练 loss，还要回到真实任务里验证。
针对评测中暴露出来的 Bad Case，还要重新回到前面的筛选、补采、清洗和标注，成为下一轮数据生产的起点。
至此，一圈飞轮才算真正跑完。
围绕这条数据产线，以阿里云为代表的云厂商已经开始补齐对应工具——从大规模数据处理、大模型参与标注，到分布式训练与评测平台，工具链正在逐步完善。
现在，数据飞轮长什么样，已经基本清楚了。
支撑它的七个环节，任何一个地方卡住，压力很快会传导到下一环。
接下来要解决的，是整条链怎么一起跑起来。
底层需求在收敛，全栈工程能力仍稀缺
在具身智能实际研发环境里，七个环节的卡点很少孤立出现。
清洗慢，背后可能是计算资源无法弹性扩展；标注堵住，可能是数据和模型系统没有打通；训练一直等数据，又可能是前面的存储、处理和调度吞吐跟不上。
七个环节暴露的是不同症状，背后指向的却是几类相同的系统性问题。
一个是环节割裂。采集、数据处理、仿真和模型训练往往由不同团队、不同系统承接，数据来回搬，反馈也很难快速回到上一环。
另一个是工具不打通。自研脚本、标注平台、训练集群各自能跑，但任务触发、数据版本、模型版本和血缘关系没有真正接起来。
再有，规模化之后的吞吐瓶颈。数据从几百小时涨到几千、几万小时后，最慢的一环很快就会变成整条飞轮的上限。
对于「数据越多，模型就一定越强」这件事，行业也开始变得谨慎。
论坛上，原力灵机联合创始人范浩强直言："加数据涨点，这不是必然的。"
对具身智能来说，问题可能已经不只是数据规模。模型结构、评测方式，以及能不能真正学到物理因果，都还没有完全解决。
无论数据来自哪里，七大环节的工程挑战也高度相似。
具身智能今天缺的，是这一套覆盖数据、模型、训练到算力的「全栈工程能力」。
科学的天花板，一定要有工程能力作为基础。
阿里云承接的，正是这条链上各环节之间的衔接工作。
数据侧，采、存、洗、标、质检与增广需要被组织成连续的数据生产流程。
标注端，Qwen 负责识别，HappyHorse 通过视频生成进行数据增广。DataWorks/Argo Workflows 则把上述工具编排为连续流水线，让数据在加工与训练之间不再需要人工中转。
这一步很关键。
具身数据复杂度越来越高，单靠人工很难跟上规模。模型参与越深，数据处理、标注和质检才有机会真正走向自动化。
再往后，是训练和评测。
前端数据生产速度提上来之后，后端训练系统也要同步承接，否则前面生产得越快，后面积压得越多。怎么接住？
阿里云人工智能平台 PAI，承接分布式训练与评测，与前端数据生产直接打通；PAI-TurboX 等高性能加速组件，继续压缩训练和推理过程中的工程开销。
到了最底层，则是算力。
具身智能同时包含数据处理、仿真、预训练、微调、评测和推理，对底层计算的需求越来越重。
平头哥真武 AI 芯片提供训推一体能力，并通过 M890 超节点架构组成超节点服务器，承接更大规模的训练和推理任务。
据阿里云方面披露，平头哥真武 810E 芯片已经在具身智能赛道出货超过万片。
由此，一条「芯、云、模」协同的技术栈开始形成，从 Qwen 参与标注，到 HappyHorse 生成增广数据，再到 DataWorks 编排流水线、PAI 完成训练——这些能力需要协同运转，才能真正压缩飞轮一次完整周转的周期。
据了解，阿里云提供的一体化数据与训练体系，已经可以把具身智能企业日常训练中的部分反馈迭代周期，从周级压缩到日级。
由此可见，不管数据从哪里来、技术路线有几条，底层工程需求已经率先一步收敛了。
飞轮在真实场景怎么跑的？
飞轮是一整套系统，但真正落到企业研发里，不同技术路线的重点并不一样。
更值得看的，是一些企业已经根据各自业务重心，率先把数据飞轮里的关键几环跑顺了。
穹彻智能就是一个典型案例。
为了研发具身预训练模型，他们采用自研的 Robopocket 无本体数据采集方案在真实场景中采集操作数据，覆盖不同的场景、物体和任务，数据多样性丰富。这也对后续加工处理提出了更高要求。
原始数据进入系统后，首先要经过时间戳对齐、视频编解码、分辨率与帧率转换；随后又要经过数据质量检测与数据标注。
因此，在模型研发链路中真正影响效率的，是原始数据多久能变成模型可直接使用的样本。
穹彻的数据处理流程中，阿里云为穹彻提供充足的弹性资源、MaxCompute MaxFrame 承担分布式计算、千问大模型参与自动打标，三者配合将原本分散的处理步骤整合为高效的连续产线。
目前，约 80%-90% 的标注工作可以由 AI 完成，人工主要处理复杂 Bad Case。标注完成后，数据进入穹彻世界动作模型 Noe 的训练管线。
也就是说，采集、处理、标注和训练开始真正接成一条连续链路。据悉，基于这套体系，穹彻已经推出世界动作模型 Noe-0。
苏度科技则展示了另一种实践。
苏度采用「虚实融合」路线， 其中的 real2sim2real 技术，通过高保真仿真生成训练数据，再把模型迁移回真实世界。它要解决的核心问题，是仿真数据怎样持续生成、处理，并稳定进入模型训练。
因此，苏度基于阿里云搭建了数据仿真、质检、标注、分割、增强的全链路数据产线，并利用多模态模型提升标注和数据处理效率。
数据生产速度一旦提高，压力也会自然传导到训练端。
苏度进一步使用真武 810E 芯片作为核心训练算力，在提升模型训练效率的同时降低 TCO。
训练吞吐的重要性，也能从莫刻机器人的实践中得到印证：
其使用 2 台、32 卡平头哥真武 810E 完成世界模型预训练和继续训练，并取得 WorldArena 榜单第二。
这说明，前面的数据产线跑得再快，训练端也必须具备足够的吞吐能力，把持续产生的数据及时消化掉。
否则，飞轮仍旧无法高效转动，问题只会从数据处理环节继续向后转移。
穹彻、苏度、莫刻只是企业实践的三个侧面，却已经能拼出一个越来越清晰的趋势：
具身智能的数据竞争，正在从单个环节的能力比拼，走向整条数据飞轮的工程化协同。
谁能把整条飞轮转得更快，谁就能更快把数据变成能力。
下一轮数据战争，拼产能
具身很新，数据形态也很新，但这套「数据→模型→反馈→再生产」的工程命题，行业早就做过两遍。
自动驾驶先跑过一轮，大模型又跑过一轮。
两条赛道技术对象不同，却经历了相似的阶段变化。
早期大家更关注模型本身够不够强、手里的数据够不够多。等数据和任务规模真正上来以后，竞争很快从「有多少」转向「能不能持续生产」。
自动驾驶要不断从真实道路中发现 corner case，再回收数据、重新训练、评测和部署；大模型同样需要持续完成数据清洗、合成、训练、评测和反馈回流。
△统一整合架构 Unified Training Architecture
到了 Agent 阶段，这条循环进一步拉长，任务执行本身也开始反过来生产新的训练数据。
浙江大学教授、影溯科技创始人章国锋在论坛上提到一句很关键的话：
做出一批效果好的数据，跟持续稳定地规模化生产高质量数据，其实还不一样。
真正进入规模化阶段以后，问题已经从「能不能做出一批好数据」，变成「能不能持续生产，而且规模起来之后，质量还不掉」。
真正拉开差距的，也就变成了一套能持续把新数据变成新能力的工程系统。
这套 Data+AI 工程能力，阿里云已经在自动驾驶和大模型里锻炼过。到了具身智能，数据更复杂、链路更长，但底层工程方法仍然可以复用。
背后的方法论，可以概括成 12 个字：一份数据、多类模型、一站训练。
△阿里云 Data+AI，打通具身智能数据产线闭环
换句话说，一份数据，不再只对应一次训练，而是可以在不同模型之间流转和复用；训练也不再是链路终点，评测暴露出来的问题还要继续回到数据侧，决定下一轮该补什么、怎么补。
这也把具身智能的数据竞争推向了下一个阶段。
过去大家容易比存量。谁有 10 万小时，谁有 100 万条 episode，谁的数据工厂规模更大。
但简智机器人副总裁雷腾指出，当前具身行业最被高估的，就是「数据小时数」。真正被低估的，是「数据治理」。
同样是 10 万小时数据，生产成本可以相差 1 到 2 个数量级，市场价格也能相差 1 到 2 个数量级。
所以，到了这一阶段，衡量模型迭代速度，需要看另一组指标：
每天能新增多少有效数据，原始数据多久能变成训练样本，模型一次失败多久能反馈到下一轮数据生产，一批新数据又多久能重新进入训练。
这比的，是产能。
这里的产能，也不等于采集速度。它衡量的是整条飞轮一次完整周转的效率。
从 Intelligence 到 Action，AI 真正进入物理世界之后，Scaling Law 已经换了一种写法。
参数可以继续涨，数据可以继续堆，但具身智能真正开始比拼的，是把真实世界的问题转化成下一轮模型能力的速度。
数据飞轮的转速，正在决定具身 AGI 到达的速度。
一键三连「点赞」「转发」「小心心」
欢迎在评论区留下你的想法！
— 完 —
� � 点亮星标 � �
科技前沿进展每日见
元股证券提示：文章来自网络，不代表本站观点。
