“数据饥荒”——具身智能面临的训练数据瓶颈

大语言模型时代有一句话叫“数据是新的石油”。到了具身智能时代，这句话需要改一改——数据不仅是石油，更是“稀缺的稀土”。具身智能（Embodied AI）指的是能在物理世界中感知、决策、行动的智能体，包括人形机器人、服务机器人、机械臂等。这类AI的训练数据和LLM有本质区别：LLM可以从互联网上爬取海量文本，但具身智能需要的是物理交互数据——机器人抓取杯子时的力回馈数据、行走时的平衡数据、避障时的路径数据——这些数据互联网上根本没有。

数据从哪来？三种采集路线各有短板

当前主流的数据采集方式有三种，但每种都面临瓶颈：

路线一：遥操作采集。人类通过VR设备或力反馈手套远程操控机器人执行任务，同时记录所有传感器数据。这是目前质量最高的数据来源，但效率极低——一个熟练操作员一天只能采集几十组有效操作数据。银河通用、智元机器人、达闼等公司都在做遥操作采集，但规模化仍然困难。

路线二：仿真数据生成。在Isaac Sim、Mujoco等仿真环境中自动生成大量数据。优势是量大管饱，单次生成可达百万级。但Sim2Real（仿真到真实）的迁移仍然存在鸿沟——仿真中的物理规律和真实世界总有差距，模型在仿真中表现完美，到了真实环境中可能会“水土不服”。

路线三：自主数据收集。机器人在实际环境中运行，从中采集数据。这需要机器人已经具备一定的能力，存在“先有鸡还是先有蛋”的问题。

数据饥荒的具体表现

第一，多样性不足。一个机器人抓取杯子的动作，在仿真中可以有1000种变形，但真实世界中的杯子有不同材质（陶瓷、玻璃、塑料）、不同形状（高脚杯、马克杯、保温杯）、不同状态（空的、半满的、满的），还有光照变化、背景干扰等。采集覆盖所有这些情况的数据，成本是天文数字。

第二，标注难度大。与自动驾驶的3D框标注不同，具身智能需要标注的是动作链——机器人每一步应该做什么，手部姿态应该是什么角度，施加多大的力。这种标注维度远远超出传统数据标注的范畴，目前甚至没有成熟的标注工具。

第三，数据采集成本高。一台人形机器人的价格在数十万到上百万元，搭配的遥操作设备（如力反馈手套、动捕服）也是天价。训练一个可落地的具身智能模型，需要数千甚至上万小时的交互数据，成本难以估量。

对标注行业的机会

数据饥荒意味着巨大的市场机会。2026年IDC报告显示，具身智能数据采集和标注的市场规模预计在2028年突破50亿美元，年复合增长率超过80%。

对于数据标注行业，具身智能意味着新的业务增长点：动作链标注（Action Chain Annotation）、物理交互标注（Physical Interaction Annotation）、仿真场景构建（Simulation Scene Building）等新工种正在涌现。率先进入这个赛道的公司，有可能在下一轮竞争中占据先发优势。

当然，门槛也很高——这要求标注公司不仅有图像/点云标注能力，还要懂机器人学、懂物理仿真。对于传统的2D标注公司来说，转型具身智能数据服务的难度不亚于重新创业。但机遇从来只属于敢于跨越门槛的人。