GPU 焦虑背后，具身智能行业藏着一道更深的坎

行业观察 · 2026年7月

算力好歹有个盼头，数据才是真无底洞

这阵子聊 AI，三句话离不开算力。H100 交期排到几个月以后，黄牛价翻着跟头往上蹿，创业公司还没融到资先得盘算能不能抢到卡。但这股焦虑放到具身智能的语境下，反而显得有些奢侈了。

怎么讲？因为算力再缺，好歹产能爬坡有迹可循。台积电那边的 CoWoS 封装线，月产出从 2023 年的 1.4 万片 wafer 一路拉到 2025 年的 7 万片，明年摸到 13 万片也不是问题。扩产就是扩产，时间表摆在那。

可具身智能缺的不是算力，而是另一种更根本的东西——人与物理世界交互的真实数据。做一套能应付各种场景的具身模型，需要几千万甚至上亿小时的操作记录。全球搜罗一圈，2026 年这会儿能用的高质量物理交互数据加一块也就 50 万小时上下。缺口大到什么程度？99% 以上。这不是差了一点半点，是差了整整两个数量级。

为什么差这么多？问题的根子在三个地方。

头一个，数据没法从网上扒。大语言模型有整个互联网当粮仓——GPT-3 那 45TB 的训练数据，全是从网页、书籍、论文里扫下来的。轮到机器人就不灵了——它要理解的是物理世界，不是文字世界。比方说拧个瓶盖，咱们凭手感就知道用多大力、往哪个方向转，可背后涉及瓶盖材质、螺纹摩擦力、手腕角度，这些变量互联网上一条记录都没有。

第二道坎，质量要求极其苛刻。大模型训练吃点脏数据问题不大——文本里掺几句错别字，模型照样能从上下文里学会正确用法。但机器人那边可不行。采集数据的时候，摄像头帧率抖一下、关节编码器延迟几毫秒、力传感器的读数飘了，这些东西不像错别字那么好修。鹿明机器人的一位技术负责人说过，市面上不少采集设备本身的硬件就不达标，画面跟动作对不齐，采出来的数据连送进训练管线的资格都没有。花了力气不说，弄不好还把模型给带偏了。

第三，数据跟硬件绑得太死。GPU 这边，从 A100 换到 H100，训练脚本几乎不用动，算力直接翻倍。机器人这边呢？一台 1 米 6 高的机器人和一台 1 米 8 高的，同样是弯腰捡东西，重心偏移、关节转角完全两码事。前者跑出来的数据，后者根本用不了。各家机器人参数不一样、场景不一样，数据天然就是一座座孤岛。

算力是标准化的——工艺进步了，产能上来了，成本自然往下走。数据却是非标的，跟每一台机器、每一个场景深度绑定。从这个角度说，算力荒是个短期阵痛，数据荒才是埋在深处的结构性问题。

三条路，各有各的别扭

面对这个局面，行业内目前有几种主流打法，每种路子都有它的取舍。

第一种，用真机一点一点攒。就是让操作员穿戴动捕设备或者 VR 头显，远程操纵机器人做动作，逐条把操作数据录下来。好处是数据质量没得挑，录出来的直接就能用。但成本也吓人——北京人形机器人创新中心搞了个将近 5000 平的采集场地，120 台机器人同时在跑，光硬件和场地就砸进去几千万。智元那边更夸张，部署了大约 200 台机器人，几百个采集员三班倒。这种路子好比手工雕花，活儿是好活儿，就是太慢太贵，想靠它撑起上亿级别的数据底座，账面上算不过来。

第二种，把采集设备从机器人身上拆下来。这就是所谓的 UMI 方案。操作员拿一个轻便的夹爪加摄像头，在真实环境里做动作，边干边采。大衍科技跟无人超市合作，让店员戴着采集设备正常上班，干一天活顺便就把数据收了。成本比真机方案低了一大截，速度也快了不少。不过问题在于，人手操作没法保证每次的摄像头角度和夹爪姿势都一样，采回来的数据格式参差不齐。上海交大一个研究团队指出，大规模采集之后，大量参差不齐的数据需要人工筛选对齐，后处理成本一上去，综合算下来未必便宜。

第三种，干脆不用真机，在仿真环境里批量生成。跨维智能的 EmbodiChain 工具链全程用合成数据训练模型，最后直接部署到真机上，跑通了虚实迁移的链路。诺基亚跟英伟达合作，借助 Isaac 仿真平台把训练效率提高了将近 10 倍。但这套方案的软肋也很明显——仿真再逼真也不是真实世界。斯坦福今年的《AI Index Report》提供了一个数据：模型在仿真环境里完成任务的成功率能达到 89.4%，一到真人家里的场景就掉到了 12.4%。实验室里的优等生，进了考场就不太会做题了。

眼下三条路都在跑，也都有各自的应用场景——真机扛着精度天花板，UMI 拼规模化效率，仿真用来覆盖那些真机不好跑的极端情况。要说谁能最终突围，目前还没定论。

谁都想要数据，谁都不想给

绕来绕去，其实所有方案都卡在同一个矛盾上：数据这个东西，规模、质量、成本，三样没法同时满足。

按理说，最好的解法是全行业把数据凑一块。共享了，每家都不用重复造轮子，成本摊薄了，数据量也上去了。这个方向上已经有人探路了——乐聚牵头，联合宇树、阿里云这些玩家，建了个国家级开源数据社区 OpenLET，放了超过 6 万分钟的真机数据集出来。均普智能今年 6 月也开源了一个面向强化学习的大规模数据集。

但坦白讲，开源这件事在这个行业里还是少数派。更多的公司选择了另一条路——把数据当商品卖。京东把数据采集做成了一个独立业务，计划发动最多 60 万人参与，两年攒 1000 万小时的视频数据，还上线了一个专门的交易平台。箸境智能在江苏省数据交易所完成了国内首笔具身智能数据集交易，涵盖办公、商超、餐饮、家政四个场景。鹿明机器人搞了个「数据超市」，客户可以在线按需采购。

道理大家都懂——数据共享对全行业有利。但在商言商，我先开源了，对手拿着我的成果低成本超车，我图什么？星海图的 CEO 高继扬说得直白，现在行业对数据的私有属性看得很重。每个人都护着自己的盘子，结果就是全行业都在重复采集，整体效率并不高。这局面的本质就是博弈论里的囚徒困境——除非有人能力推一套行业标准和利益分配机制出来，否则「共享共赢」多半只能停留在 PPT 上。

与其等人喂，不如自己找食吃

回到根子上来想，如果行业注定要各走各的路，那最有希望的方向是什么？大模型那边的发展历程或许能给点启发。

英伟达的 Eureka 系统做了一件事：让 AI 自己生成多种解决方案，自己去比较、筛选、改进——有点像程序员对着自己的代码做 code review。结果是 Eureka 在 83% 的任务上超过了人类专家。Kimi K2 也是类似的路数，让智能体在一个模拟器里反复练习，通过持续试错自己积累经验。

这两套方案有一个共同的内核：智能体不再等着人类给它喂数据，而是在跟环境的互动中自己产生训练信号。把这个逻辑移植到具身智能上，思路就打开了——重点也许不是堆数据量，而是把数据流动的回路跑通。

上海创智学院和智元联合搞的 LWD 系统，就是冲着这个方向去的。机器人干活的时候，不管是成功操作、中途出错后自己纠正的轨迹，还是人类手把手引导的失败案例，全部录下来、回传、微调模型。这套机制跑下来，单一通用策略在长程复杂任务里的平均成功率做到了 0.95，远高于传统行为克隆的 0.76 和离线强化学习的 0.86。

这么一想，场景其实挺有意思的。假设一台机器人在拧瓶盖的时候碰上了滑丝的盖子，它调整了一下扭矩，成功了。这个「意外经验」被记下来，传回去，模型更新之后再推送给所有机器人——于是每一台都学会了处理滑丝的情况。每个机器人碰到的特殊情况，都能变成整个机群的共同经验。当这个闭环真的转起来，机器人就不再需要人类手把手地教了，它在真实世界里自己就能进化。

算力有钱就能买到，但物理世界的经验没人替你攒。这场长跑，最后比的恐怕不是谁的 GPU 多，而是谁能让机器人更懂这个真实的世界。

本文基于行业公开信息整理，内容仅供参考。