具身智能正在把AI的竞争焦点，从文本与图像推向真实世界。谁能让机器拥有身体、感知环境并完成互动，谁就更可能抢到下一阶段技术竞赛的制高点。
但和大模型时代“数据到处都是”不同，训练具身智能所需的数据极其稀缺。机器人要学会在复杂场景中完成长链条任务，依赖的不只是海量token，而是高质量、多模态、时间空间严格对齐的人类行为数据。这意味着，行业真正要补课的，是一整套从采集到处理的基础设施。
热钱很多，落地却远没那么顺
从官方预测到行业报告，具身智能都被视作未来重点产业。中国市场规模被预计将在2030年冲到4000亿元，2035年突破万亿元。仅2026年前三个月，国内相关融资就已逼近300亿元，多家公司接连拿下大额投资。
不过，融资热度并不等于产业成熟。业内普遍承认，现在展示出来的很多能力，仍停留在“看起来很聪明”的阶段，一旦脱离预设环境，机器人在稳定性和下限保障上仍面临明显短板。
现阶段不少机器人的灵活动作，更多依赖预编排程序。也就是说，机器人的“小脑”越来越灵，但真正决定其能否像人一样理解环境、自主决策的“大脑”，还没有成熟。
在一些创业者看来，今天很多公司真正完成模型化的，仍只是叠衣服、倒水、拿杯子这类短时序任务。演示可以很漂亮，可一旦进入家庭、工厂或物流等开放场景，面对复杂变化和长链路任务，差距就会暴露出来。
过去一年被反复提及的VLP路线，更像是把语言模型的规划能力搬到了动作层面，但这和真实世界中的“感知,行动,反馈,再认知”闭环仍有距离。正因如此，产业开始把目光转向“世界模型”，希望AI真正理解摩擦、动力学和空间关系，而不是只会按语言指令生成轨迹。
一个有意思的现象是，越来越多智能驾驶背景的人才转入具身智能。原因并不神秘，二者都依赖环境建模、数据闭环和持续迭代，智驾行业积累下来的工程化能力，恰好能补足具身智能从demo走向实用的缺口。
但无论走世界模型路线，还是借鉴智驾经验，最后都会遇到同一道难题：好数据实在太少。
真正的短板，在数据而不在模型
如果把算力看成发动机、算法看成设计图，数据就是燃料。燃料不对，再强的发动机也跑不起来。这也是为什么一些公司没有继续去“卷模型”，而是转身去做数据基础设施。
业内把当前痛点总结为三类。首先，机器人本体结构差异太大，不同设备产出的数据难以互通，标准迟迟没法统一。其次，工业与家庭场景的数据采集本身就贵，设备、人力和部署成本都很高，中小公司很难长期承担。再次，企业往往担心产线数据暴露核心工艺，因此不愿开放关键场景。
而世界模型真正需要的数据，要求又异常苛刻，核心就在多模态、高精度、强因果这三个维度。
多模态意味着不能只看画面。人类学习靠视觉、听觉、触觉、力觉乃至本体感觉共同完成，机器人也一样。比如区分细微尺寸差异时，视觉未必可靠，触觉却可能更直接。可现实中很多采集方案几乎只重视视觉，导致触觉和力觉数据长期缺位。
高精度则要求不同传感器在时间与空间上都能严丝合缝地对齐。什么时候手真正碰到了杯子，视频帧和触觉信号能不能一一对应，动作又能不能映射回稳定坐标系，这些都会直接影响训练质量。柔性手套容易形变，视觉方案又怕遮挡，误差积累后，模型学到的甚至可能是错误的物理规律。
强因果更难。真正有价值的数据，不只是记录动作，还要能还原“为什么这么做”以及“结果如何”。看到杯子、决定去拿、调整手指、感受到重量、再微调握力，这种完整闭环如果只能靠后期人工拼接，成本几乎无法承受。
因此，问题已经很明确：比起机器人本体的快速进展，数据能力已经成了拖慢具身智能进化速度的重锁。
采集范式也得重做一遍
要满足新一代模型训练需求，传统采集方案显然不够用了。柔性穿戴设备精度不稳定，纯视觉系统容易被遮挡，多模态又难同步，结果就是效率不高、质量也不够。
一些团队正在从硬件层面重构方案。比如把传统柔性手套，改成更像人体骨骼结构的刚性外骨骼，通过磁编码器直接测量关节相对位移，从源头上减少形变误差。
这类设计的目标，是既保证全自由度覆盖，又把设备做得足够轻，尽量不影响操作者自然动作。再配合实时校准、温度补偿以及多特征融合，尽量把长时间采集中的漂移压到最低。
在触觉侧，行业也开始追求更高分辨率的磁触觉传感器，不只是判断有没有接触，还要进一步识别法向力、切向力、滑动趋势和材质纹理，让模型能学到更细的物理变化。
为了解决视觉遮挡，有的团队把IMU、手部摄像头和头手协同定位结合起来，用单手SLAM恢复时空坐标，让手伸进抽屉或短时被挡住时，数据仍能连续。底层再用自研SoC和通信协议控制时钟同步，把多设备延迟压缩到毫秒级。
采到原始数据之后，真正的挑战才刚开始。越来越多公司把重点放在自动化处理链路上，希望把原始多模态流直接整理成时空对齐、因果闭环、带语义解释的标准数据包。这样一来，靠算法做实时质检、数据压缩和云端处理，就能把原本需要庞大人工标注团队的工作，大幅缩到可管理范围。
当行业逐渐接受“世界模型必须靠数据喂出来”这个现实后，围绕数据底座的竞争其实已经开始了。从仿生硬件、端侧融合到自动处理系统，这些能力共同回答的，都是同一个问题：怎样把人类在物理世界中的经验，尽可能真实地记录下来，并转成机器人能学会的东西。谁先掌握这种能力，谁就更接近打开通用具身智能的大门。
