本文轉(zhuǎn)自：深圳國際先進(jìn)技術(shù)應(yīng)用推進(jìn)中心
撰文：杜森、歐明緯

具身智能不是單純的機(jī)器人產(chǎn)業(yè)，而是人工智能從數(shù)字世界的“認(rèn)知智能”向物理世界的“行動(dòng)智能”的跨越。人工智能逐漸進(jìn)入物理世界的浪潮，將是一個(gè)比互聯(lián)網(wǎng)、移動(dòng)互聯(lián)網(wǎng)更具想象力的時(shí)代，通往這一未來的道路注定漫長而艱辛，這不會(huì)是一次ChatGPT式的突變，而是一場以五年、十年、二十年為尺度的漸進(jìn)式演進(jìn)。具身智能作為一種前沿交叉技術(shù)，已經(jīng)如神經(jīng)網(wǎng)絡(luò)般延伸至物理世界的每個(gè)角落。一方面，以通用人工智能（AGI）為目標(biāo)，大模型正努力從語言向多維感知突破，試圖在物理交互中建立世界模型；另一方面，機(jī)器人本體正從預(yù)設(shè)的自動(dòng)化設(shè)備，向具備環(huán)境適應(yīng)力的“具身智能體”進(jìn)化。這種認(rèn)知與身體的深度融合，其根本驅(qū)動(dòng)力在于構(gòu)建現(xiàn)實(shí)數(shù)字化到多模態(tài)數(shù)據(jù)有效整合，這一數(shù)字化重構(gòu)過程不僅是算法能力的勝利，更是為構(gòu)建物理世界與虛擬模型間數(shù)據(jù)飛輪奠定的必要基礎(chǔ)。

然而，任何從“數(shù)字”到“實(shí)體”的跨越，都將面臨物理定律與商業(yè)現(xiàn)實(shí)的雙重考驗(yàn)。數(shù)據(jù)，已成為制約這一跨越的核心瓶頸。 為此，國先中心聯(lián)合行業(yè)專家重磅發(fā)布《具身智能數(shù)據(jù)行業(yè)研究》白皮書。本報(bào)告直面行業(yè)痛點(diǎn)，梳理了從“科研焦點(diǎn)“到“產(chǎn)業(yè)應(yīng)用”的數(shù)據(jù)采集演化路徑，并借鑒自動(dòng)駕駛行業(yè)“數(shù)據(jù)驅(qū)動(dòng)閉環(huán)”的工程化經(jīng)驗(yàn)，提出了具身智能漸進(jìn)式的發(fā)展趨勢。

本白皮書旨在為政策制定者、技術(shù)從業(yè)者及投資人提供一份理性與務(wù)實(shí)的行業(yè)指南，厘清數(shù)據(jù)瓶頸下的技術(shù)路線之爭，探討如何構(gòu)建“低成本、大規(guī)模、高保真”的數(shù)據(jù)飛輪。在通往通用機(jī)器人的星辰大海中，助力產(chǎn)業(yè)在理想與現(xiàn)實(shí)之間，找到那條最優(yōu)的進(jìn)化之路。

報(bào)告核心內(nèi)容導(dǎo)讀

1. 具身智能行業(yè)發(fā)展背景

技術(shù)創(chuàng)新從未止步，不斷重塑人機(jī)共生的邊界。 具身智能(Embodied Intelligence)，作為人工智能從“硅基思維”向“物理行動(dòng)”跨越的終極形態(tài)，正站在2026年的歷史拐點(diǎn)。

過去十年，大模型賦予了機(jī)器“大腦”，但缺乏物理交互的“經(jīng)驗(yàn)”。國先中心《具身智能數(shù)據(jù)行業(yè)研究》第一章深度界定：具身智能并非簡單的機(jī)器人升級，而是認(rèn)知智能與物理載體的深度融合。

當(dāng)前，全球科技巨頭競相入局，但行業(yè)普遍面臨“有腦無識(shí)”的困境——數(shù)據(jù)，已成為制約通用智能誕生的核心瓶頸。 本章將帶您穿透概念迷霧，厘清具身智能在國家戰(zhàn)略與產(chǎn)業(yè)版圖中的真實(shí)坐標(biāo)。

2. 具身智能的數(shù)據(jù)采集路線

數(shù)據(jù)是具身智能的“第一性原理”，采集方式?jīng)Q定智能上限。 面對百萬小時(shí)的訓(xùn)練數(shù)據(jù)需求，單純依賴昂貴的真機(jī)采集已走入死胡同。本章基于對行業(yè)全譜系的調(diào)研，系統(tǒng)性梳理了從“遙操作”到“合成數(shù)據(jù)”的技術(shù)與產(chǎn)品方案。

我們揭示了一個(gè)關(guān)鍵轉(zhuǎn)折：行業(yè)正從“強(qiáng)依賴本體”向“無本體數(shù)據(jù)采集”遷移。 無論是低成本的UMI方案，還是基于互聯(lián)網(wǎng)視頻的軌跡學(xué)習(xí)，亦或是高保真的仿真合成，都在試圖解決同一個(gè)問題——如何低成本地制造常識(shí)性動(dòng)作數(shù)據(jù)。本章將為您呈現(xiàn)具身智能數(shù)據(jù)采集的“金字塔”全景，解析如何構(gòu)建混合數(shù)據(jù)生態(tài)以突破規(guī)模瓶頸。

3. 自動(dòng)駕駛的數(shù)據(jù)發(fā)展經(jīng)驗(yàn)

自動(dòng)駕駛作為具身智能重要的子領(lǐng)域，其落地過程和經(jīng)驗(yàn)具有借鑒意義，是具身智能發(fā)展過程中的“避坑指南”。 自動(dòng)駕駛歷經(jīng)十余年，從依賴高精地圖的“靜態(tài)測繪”走向依賴影子模式的“動(dòng)態(tài)演化”，這一歷程為具身智能提供了寶貴的鏡鑒。

本章深度復(fù)盤自動(dòng)駕駛數(shù)據(jù)發(fā)展經(jīng)驗(yàn)，發(fā)現(xiàn)“仿真優(yōu)先，真機(jī)驗(yàn)證”的工程化范式，這為具身智能的落地提供了可供參考的路徑。 我們論證了具身智能應(yīng)當(dāng)避免陷入“靜態(tài)數(shù)據(jù)”陷阱，回歸感知技術(shù)和算法結(jié)構(gòu)的創(chuàng)新，逐漸探索建立具身智能的產(chǎn)品數(shù)據(jù)閉環(huán)，通過借鑒“車輪上的智慧”，為具身智能體工程化路徑提供參考依據(jù)。

4. 具身智能數(shù)據(jù)發(fā)展評估

在理想與現(xiàn)實(shí)之間，尋找數(shù)據(jù)采集路徑的可行解。

當(dāng)前的具身智能正處于技術(shù)路線的岔路口，真機(jī)數(shù)據(jù)的昂貴與合成數(shù)據(jù)的失真構(gòu)成了尖銳的矛盾。數(shù)據(jù)與算法相互依存，在任何算法應(yīng)用的前期，數(shù)據(jù)的有效性都非常顯著；而當(dāng)算法效果提升到一定程度，需要轉(zhuǎn)向?qū)ふ覍λ惴ǜ倪M(jìn)有效的“高價(jià)值、特異性”數(shù)據(jù)。此時(shí)，一般有兩種方式尋找有效數(shù)據(jù)，一種是增加數(shù)據(jù)規(guī)模，通過樣本量級獲取特殊數(shù)據(jù)，另一種是數(shù)據(jù)挖掘，提升獲取特殊數(shù)據(jù)的概率。

本章分析了各種數(shù)據(jù)采集路線的優(yōu)劣：真機(jī)遙操作數(shù)據(jù)作為“黃金標(biāo)準(zhǔn)”，卻難以突破規(guī)模天花板；合成數(shù)據(jù)雖然潛力巨大，但面臨數(shù)據(jù)維度和模態(tài)的多重桎梏。白皮書提出了客觀衡量數(shù)據(jù)的動(dòng)態(tài)價(jià)值，基于VLA模型發(fā)展階段，數(shù)據(jù)的多樣性將逐漸超越精度的效用，成為模型能力提升的重要支撐。

5. 數(shù)據(jù)視角下的漸進(jìn)式商業(yè)化道路

具身智能尚未迎來屬于它的“GPT-3.5時(shí)刻”，其發(fā)展路徑注定無法復(fù)制自然語言處理領(lǐng)域“模型即產(chǎn)品”的線性爆發(fā)奇跡。由于涉及更長的感知決策鏈條、更嚴(yán)苛的物理約束以及更復(fù)雜的環(huán)境變量，單純依靠擴(kuò)大視覺 - 語言 - 動(dòng)作（VLA）模型的參數(shù)規(guī)模已遭遇“邊際效應(yīng)遞減”的瓶頸，能力增長不再隨算力堆砌而自動(dòng)涌現(xiàn)。正如a16z所指出的殘酷現(xiàn)實(shí)：實(shí)驗(yàn)室里95%成功率的策略，一旦進(jìn)入真實(shí)倉庫，光照、背景、視角、物體材質(zhì)發(fā)生變化，成功率可能迅速跌到60%。

從數(shù)據(jù)視角出發(fā)，數(shù)據(jù)瓶頸提供了一個(gè)確定且漸進(jìn)演化的硬約束。自然語言處理之所以能夠?qū)崿F(xiàn)快速躍遷，關(guān)鍵在于它解決了自監(jiān)督預(yù)訓(xùn)練的問題，能夠壓縮海量互聯(lián)網(wǎng)知識(shí)。而在具身智能中，行業(yè)對視覺的編碼方式和3D空間的推理機(jī)制等問題仍未形成統(tǒng)一認(rèn)知。高質(zhì)量真實(shí)數(shù)據(jù)的稀缺、多模態(tài)融合的工程難度、仿真到現(xiàn)實(shí)的遷移鴻溝，共同影響了智能體的能力邊界與商業(yè)化場景的廣度和深度。

因此，具身智能的商業(yè)化無法一蹴而就，必須摒棄對通用大模型的盲目幻想，轉(zhuǎn)而擁抱一條務(wù)實(shí)的“漸進(jìn)式”道路：即在特定場景中通過積累高質(zhì)數(shù)據(jù)、攻克虛實(shí)遷移難題，逐步拓寬智能體的能力邊界，以穩(wěn)扎穩(wěn)打的姿態(tài)跨越從實(shí)驗(yàn)室demo到規(guī)?；涞氐摹罢鎸?shí)數(shù)字鴻溝”。

6. 機(jī)會(huì)與風(fēng)險(xiǎn)總結(jié)

站在2026年這一從“認(rèn)知智能”邁向“行動(dòng)智能”的歷史拐點(diǎn)，具身智能正經(jīng)歷從技術(shù)驗(yàn)證到產(chǎn)業(yè)應(yīng)用的深刻蛻變，孕育了大量機(jī)會(huì)，廣泛分布在產(chǎn)業(yè)鏈上下游。

當(dāng)前的投資機(jī)遇不再局限于單一的模型算法，而是廣泛涌現(xiàn)于為多模態(tài)感知提供入口的硬件革新、推動(dòng)行業(yè)標(biāo)準(zhǔn)化的數(shù)據(jù)采集與治理基建、以及能加速模型落地的垂直場景解決方案之中；特別是那些能夠利用真機(jī)失敗數(shù)據(jù)反哺訓(xùn)練的中立平臺(tái)，以及被視為通往通用智能“GPT-3.5時(shí)刻”關(guān)鍵路徑的世界模型，雖仍面臨“無本體”數(shù)據(jù)路線是否可行的開放命題，卻已展現(xiàn)出巨大的潛在價(jià)值。

然而，機(jī)遇與風(fēng)險(xiǎn)始終共生，投資者需清醒認(rèn)識(shí)到，技術(shù)架構(gòu)的快速迭代可能導(dǎo)致既有路徑迅速收斂甚至失效，而數(shù)據(jù)可用性驗(yàn)證的高昂投入、數(shù)據(jù)安全與倫理監(jiān)管的紅線、人機(jī)交互中功能安全保障的缺失，以及行業(yè)標(biāo)準(zhǔn)空白帶來的生態(tài)不確定性，均構(gòu)成了懸在行業(yè)頭頂?shù)摹斑_(dá)摩克利斯之劍”，加之商業(yè)化進(jìn)程可能不及預(yù)期的現(xiàn)實(shí)挑戰(zhàn)，要求決策者在擁抱技術(shù)創(chuàng)新重塑人機(jī)邊界的同時(shí)，必須持有一份兼具前瞻視野與實(shí)操理性的風(fēng)險(xiǎn)評估指南，以耐心和智慧穿越周期，迎接真正的產(chǎn)業(yè)爆發(fā)。