具身智能的数据困局：真机采集贵，世界模型能补上吗

具身智能赛道长期受困于数据问题。真机采集昂贵耗时，规模化门槛高，物理交互样本转化为机器人能力仍有距离。国际上，Tesla Optimus依托工厂真机遥操积累万级episode数据；Figure AI与英伟达押注仿真合成与世界模型。国内头部企业纷纷自建数据工厂，从UMI手持采集到EgoCentric第一视角视频，扩大数据来源。

具身智能形成算力、数据、模型的三角关系，构成“数据飞轮”，但存在“鸡生蛋”难题：模型需要好数据，好数据需要更强模型。问题已从“多拿数据”变为“让算力、数据和模型循环起来”。

9月23日云栖大会具身智能论坛上，行业判断趋于集中：数据时长失去意义，模型增益才是计价单位；具身Scaling Law尚未验证，问题不只在数据规模，也在模型结构、评测方式和物理因果；行业从“找数据”进入“造数据、管数据、用反馈继续生产数据”阶段，数据工程化成为新壁垒。

数据飞轮需全栈工程能力。数据侧要建立完整产线：采集、存储、清洗、标注、质检与增广、训练评测、数据管理与反馈回流。采集需平衡精度、规模与成本；清洗涉及多模态大规模处理；标注依赖模型参与，如AutoClip调用Qwen切分动作，AutoCaption生成语义描述，基模加客户数据后训练领域模型提升精度。质检与增广筛选Bad Case并生成扩充。训练侧需分布式平台与加速框架。评测暴露的Bad Case回流至筛选、补采、清洗、标注，成为下一轮起点。

底层需求收敛，全栈工程能力仍稀缺。卡点常表现为环节割裂、工具不打通、规模化吞吐瓶颈。原力灵机范浩强直言：“加数据涨点，这不是必然的。”问题不只在数据规模，模型结构、评测方式、物理因果学习均未解决。

阿里云承接各环节衔接：数据侧组织连续生产流程；标注端Qwen识别、HappyHorse视频生成增广，DataWorks/Argo Workflows编排流水线；训练评测由PAI承接，PAI-TurboX压缩开销；底层平头哥真武AI芯片提供训推一体，真武810E已出货超万片。一体化体系可将部分反馈迭代周期从周级压缩到日级。

企业实践中，穹彻智能采用Robopocket无本体采集，阿里云提供弹性资源、MaxCompute MaxFrame分布式计算、千问自动打标，约80%-90%标注由AI完成，已推出世界动作模型Noe-0。苏度科技采用real2sim2real路线，基于阿里云搭建全链路数据产线，使用真武810E训练降TCO。莫刻机器人用2台32卡真武810E完成世界模型预训练，获WorldArena榜单第二。

趋势清晰：具身智能数据竞争正从单个环节能力转向全栈工程体系。