具身智能下一阶段，究竟还应不应该继续”堆数据”？
“普通道路跑100公里，对模型的信息增益，可能不如菜市场的一只塑料袋。”
2026年以来，这个赛道融资持续升温，钱很热，但真正落地到了哪一步？
真机遥操作、第一人称视频、UMI、仿真、触觉数据轮番成为热点，行业不断出现十万小时、百万小时乃至一亿小时的规模判断，仿佛只要喂够数据，具身智能就会自然迎来自己的“GPT时刻”。
但当机器人真正进入城市、工厂和商服场景，问题没有这么简单：
数据被录下来，不等于能用于训练；进入训练，不等于能让模型获得新能力；模型在实验室变聪明，也不等于能在真实环境中稳定干活。
如果一批数据无法解释失败、覆盖长尾、迁移到不同本体，也不能在部署后持续回流，那么再庞大的规模，也可能只是一笔昂贵的成本。
在虎嗅AI100第八期闭门会中，我们邀请了：酷哇科技联合创始人、世界模型算法负责人彭湃，千寻智能预训练负责人郭俊良，光轮智能战略与生态副总裁廉和，刻行时空联合创始人、CTO郑宇靖，与虎嗅科技主笔陈伊凡，从真实机器人运营、具身基础模型、数据供应与数据基础设施四个视角，进行了一场深度对谈。
留下了5个硬核判断：
1. 所谓“百万小时”，暂时无法验证，也无法证伪——很多判断，只是从语言模型Token量换算来的。
2. 路线之争短期未必成立：数据量够大，VLA和World-Action Model未必有本质差距。
3. “堆数据”要拆开看：视频预训练堆规模，真机后训练拼难例。
4. 人形未必先落地：轮式底盘加升降机构，可能就足以覆盖当前95%以上任务。
5. 上一代自动化是改造环境，让环境适应机器；这一代具身智能，要让机器适应人类社会。
我们把全场最有价值的共识、分歧与预判，整理成这篇真话实录。
普通道路跑100公里，可能不如菜市场的一只塑料袋
具身智能究竟需要多少数据，才能迎来自己的“GPT时刻”？
彭湃举了一个非常反常识的例子：
“在一条中午几乎没有行人的普通道路上连续运行100公里，对模型的信息增益可能接近零；早高峰菜市场路口的一只塑料袋，却可能暴露激光雷达与视觉路线对柔性障碍的不同判断。”
十万小时、百万小时、一亿小时，行业里存在各种判断。
彭湃认为，目前没有一个可以被验证的统一数字——很多判断来自过往经验，或者把机器人数据与语言模型的Token量进行换算，由于行业尚未到达那个阶段，这些数字也很难被证伪。
与其只谈小时，不如先看数据的有效信息密度，他拆成三个指标：
- 可解释性（一次失败能否归因到角度、力度还是策略）
- hard case密度（暴雨、人车混行等长尾情境占比）
- 跨本体跨场景复用性（决定数据是长期资产还是一次性成本）
郭俊良认为，讨论数据量之前，必须先定义具身模型的评价标准：
语言模型输出“看起来合理”的答案就能拿到不错分数，机器人动作偏差几毫米，最终轨迹就可能完全失控。
千寻更关注两组指标——zero-shot（进入新场景、新本体，不采新数据能否完成大部分任务）和few-shot（能否用更少的数据和训练计算快速掌握新技能）。
如果预训练规模不断增加，机器人每进一家新工厂仍要重新采集大量数据，这种Scaling Law的商业价值就非常有限。
廉和则提醒，不同客户的数据需求可能相差两到三个数量级：
做通用基模的客户与解决具体场景的客户完全不同，“把一件事干成”与“一个模型什么都能干”是两个门槛。
一个通用基模叠加少量现场数据和仿真数据，可能足以解决部分任务；
但要把成功率从60%推到99.9%，仍需要大量难例和反馈数据。
郑宇靖给出了一个相对谨慎的估计：限定在manipulation和VLA，行业可能至少需要十万到百万小时级别的数据。
他同时提醒，不能把“人类学一台新机器只要几小时”直接套到机器人身上——人学得快，是因为在二三十年的生活里早已完成了视觉、语言、触觉和动作的长期预训练。数字差异巨大，根本原因是大家定义的任务范围不同。
那么，到底什么时候算“堆够了”？
彭湃给出了干脆的答案：看经济学拐点——当新增数据带来的业务价值，低于数据的采集和处理成本，这个场景就暂时堆够了。
这个拐点因场景、因公司而异，但它比任何小时数都更接近商业真相。
数据金字塔变了：人类视频进入底层，真机难例站上塔尖
训练一个具身智能“大脑”，真机、人类视频和仿真数据应该怎么配？行业没有统一答案。
彭湃将当前结构概括为一座动态金字塔：
- 底层是规模最大、跨本体能力更强的视频数据；
- 中间是仿真和合成数据，用于扩展失败样本、重建极端情境；
- 顶层是真机部署中产生的高价值难例。
“真正重要的不是把比例写死，而是让三层形成循环。”
他同时纠正了一个流行叙事：
第一人称视频并不是2025年才冒出来的新概念——早在视频理解时代，Something-Something等数据集和CLIP带来的图文对齐路线就已打下基础；
真正的变化是，近两年它快速进入了世界模型与具身基础模型的研发主航道。
回看行业演变：2018至2019年前后基本以真机为主；疫情后3D渲染、仿真和场景重建逐步成熟，难例可以在小时级被重建和扩展；再到今天，人类视频成为新的底层。
郭俊良也使用“数据金字塔”的概念，但千寻的分层有所不同：
- 底层是互联网大规模人类数据;
- 中间是UMI类设备采集的人类示范;
- 最上层是真机数据与部署回流后用于强化学习和后训练的数据。
纯人类视频存在天然缺口——没有机器人末端与物理世界直接交互的动作和接触信息，观察分布也与机器人不同；UMI类设备用手持夹爪采集示范，与机器人末端相对同构，本体差异更小。
廉和从供应端看到了更直接的变化：2025年客户采购更多的是仿真和遥操作数据，2026年人类第一人称视频需求明显放大，金字塔底层开始变厚。
但仿真依然有它的市场价值——“egocentric data、仿真数据和UMI数据都有各自的缺口，未来长期会是一个mix。”
郑宇靖补充，不同发展阶段的公司需要的数据也不同：
刚起步的团队更需要基础、同构、能快速跑起Demo的数据；进入预训练和规模化阶段后，才会同时考虑获取难度、价格、覆盖度和模型路线。
具身数据不会有一套适用于所有公司的固定配方，需求始终取决于一件事：模型当前缺少什么能力。
录了8小时，真正有用的是多少？
采集时长，究竟等不等于有效数据？
廉和给出了一组数字：一名熟练采集员一天工作8到10小时，最终有效视频通常只有约三分之一到二分之一——准备时间、设备故障、错误动作和任务前后的无效片段都要被去掉。
这种折损不只发生在人类视频上，UMI、真机和仿真数据同样存在。
他认为必须区分“数据”和“信息”：模型真正需要的是additional information，重复或质量较差的数据即使体量很大，信息增量也可能接近零，甚至污染训练集。
如此庞大的数据不可能依赖人工逐条筛选。
彭湃提出，规模化数据需要强自动标注——让更大的VLM承担判别任务，过滤无关片段、识别动作类别与异常；纯机器筛选同样会有误差，因此仍需要human in the loop，人的精力应集中在模型最困惑、信息增益最高的样本上。
郭俊良将这个问题概括为：“我们追求的不只是证明Scaling Law存在，而是提高它的斜率。”
同一个动作采到一定规模后，后续数据几乎没有新增价值；标注结构还必须与模型架构匹配——如果视频预训练阶段学了丰富的场景、纹理和时序信息，后续却只配一句极简单的动作标签，模型就无法充分调用已经学到的知识。
数据效率的本质，是让每一批新增数据补上一块能力缺口。
触觉与仿真：真实世界里，有些数据根本采不到
机器人进入真实物理世界后，仅仅“看见”还不够：摩擦力、压力、滑落趋势和材料软硬，很多信息无法通过视频判断。
郑宇靖认为，触觉与力控数据最直接的挑战是采集设备——机器人要感知极细微的接触变化，遥操作设备也要给操作者相应反馈，但行业尚未形成成熟、标准化、可大规模复制的方案。
廉和将触觉数据从采集到被模型使用拆成三道关：
- 传感器是否足够准确、长期使用会不会漂移；
- 采集结果能否retarget到不同本体——人戴上传感手套的触觉与裸手不同，握住带传感器夹爪的感受也与机器人末端不同；
- 模型能否大规模消费这些数据。
郭俊良认为，当前更大的瓶颈在设备，而不是模型能否加入触觉模态。
他提到FTP-1：约3000小时、跨多种传感器和本体的触觉操控数据，把触觉作为与视觉、语言并列的输入，设置独立的tactile expert与action expert协同——模型已经开始学习消费触觉数据，前提仍是设备可靠、信号稳定。
彭湃给出了真实部署中的工程折中：
环卫机器人必须让扫刷贴近路缘，才能清理缝隙中的落叶和烟头，但接触过度又会损坏扫盘。
酷哇用视觉观察扫刷受挤压的程度，用轻量模型估计接触状态，再通过后训练调整策略——不是终极解法，却是当前商业部署中可行的选择。
仿真解决的是另一个问题：
有些数据不是太贵，而是现实世界无法反复采集。
廉和举了极端案例：核电站不可能为了测试机器人停掉真实产线，只能先在高保真仿真中验证；机械臂内部应力分布等信息，现实传感器也很难低成本、全覆盖地采集。
他还提供了一个理解仿真价值的视角：语言是人类长期压缩形成的高密度表征，像素没有经过同等程度的精炼，而仿真中的物理量、公式与约束，反而是一种更高层的信息，能提供普通视频里没有的监督信号。
按廉和的总结：仿真是具身数据的重要支柱，对于部分场景，仿真是规模化获取数据的唯一方式。
VLA还是世界模型？短期不是二选一
有公司押注VLA，例如Physical Intelligence的π系列；也有团队转向世界模型或world-action model。
未来会收敛为一个模型，还是长期多模型协作？
郭俊良认为这首先取决于行业阶段：任务简单、模型规模不大时，一个模型可能足够；数据和参数继续scale、同时还要兼顾端侧部署和推理时延时，多模型协作更现实。
他更看好slow-fast或agentic系统：低层模型负责抓取、旋转等明确技能，上层meta-agent负责任务拆解和调度。
更具冲击力的是千寻的实验观察：当数据量达到一定规模后，VLA与world-action model的效果未必存在本质差距——world-action model通常更依赖数据整理和增强，否则泛化同样受影响。今天就宣布某条路线成为终局，仍然太早。
廉和从数据视角给出“大脑可能收敛，小脑仍会分化”的判断。
他援引Rich Sutton《The Bitter Lesson》的规律：长期胜出的往往是能最高效利用计算和数据的通用方法；但低层模型要面对控制频率、时延、功耗和具体本体，必须与硬件深度绑定，不会只由Scaling Law决定。
“很多商业场景根本不需要one model rules them all。”廉和说。
郑宇靖举了一个行业实例：Google的Gemini Robotics就是分层系统——高层模型负责理解意图和规划，on-device VLA负责低时延执行，SLAM等现有能力被调用，而不是全部塞进同一个模型。
模型架构会直接决定数据供应商要记录什么：统一大模型时代，数据格式相对集中；分层agentic时代，数据格式必须跟着调用链一起变。
具身智能不是给传统机器外挂一个模型，而是让数据、模型、本体和控制系统共同闭环。
商业化落地：上一波改造环境，这一波适应社会
彭湃用城市环卫机器人的真实场景回答了“两波自动化有什么本质差别”：
上一代清洁机器人主要在商场、餐厅、园区等封闭环境运行，遇到障碍减速、绕行或停下即可；
现在进入辅道、人行道等开放空间后，机器人要面对外卖车、隔离杆、菜摊和各种临时障碍，在人流密集处清扫，还要判断是否会扬尘、扰民，必要时先喷水降尘、等行人通过再贴边清扫。
“上一波自动化更多是在改造环境，让环境适应机器；这一波具身智能，则要让机器通过数据和AI适应开放环境。”
落地先落在哪里？
廉和提醒，当前家庭数据需求很大，但家庭场景远没有形成商业闭环——家里有老人、孩子和宠物，短期落地难度远高于工业和商服场景，具身智能只能从corner case较少的小场景逐步走向复杂环境。
郭俊良建议先排除两个极端：一端是高度定制、传统自动化程度已经很高的工业场景，利润空间有限；另一端是高度自由的家庭场景，现阶段根本达不到商业要求。
更现实的是中间地带——有一定定制需求、仍需要泛化、人机交互相对稀疏的部分工业和商服场景。
人形是不是最佳形态？
郑宇靖观察到，2026年市场对whole-body control、复杂关节运动和灵巧手数据的需求明显增加，研究正在从平面移动走向三维物理交互；但轮式或特种构型在特定场景中效率更高，只有目标是general-purpose机器人时，人类构型才展现优势。
郭俊良更直接：
“在当前落地场景里，我们尚未看到双足的必要性。轮式底盘加升降机构，可能就能覆盖95%以上任务。”
这与市场对人形机器人的高热形成鲜明反差：资本市场关注机器人是否“像人”，客户关注的却是任务能否稳定完成、设备是否容易维护、ROI是否成立。
郭俊良指出，To B商业化绕不开三个9、四个9级别的成功率，很难靠单一模型完成，更现实的是“模型＋人工接管＋数据回流＋自动迭代”的系统——可以像自动驾驶一样用“一拖N”衡量：一名远程监督员能同时看护的机器人越多，ROI越可能成立。
客户最终购买的不是某种本体，也不是一个模型，而是一套能够稳定把事情做完的系统。
中美有代差吗？数据公司怎么活下来？
郭俊良的判断是，当前中美没有明显代差：
行业仍在早期，数据、评测和架构都在快速变化，大家都有机会；中国的突出优势是机器人供应链、工业积累和硬件人才，团队可以更快搭出本体并迭代。
但他紧接着给出了一个对数据公司并不轻松的判断：具身智能如果最终出现胜出者，大概率是一家全栈公司，或者至少必须非常深刻地理解本体。
模型从设计之初就要以终为始——部署在哪类本体、数据由什么设备采、传感器分布和控制周期如何变化，都会反过来影响训练。
郑宇靖提供了一个参照：Google可以直接利用Gemini已有的视觉、语言和推理能力延伸到具身任务，多数中国创业公司没有同等规模的基础模型资源，因此国内更现实的路径是分层组合，而不是一步到位做统一大模型。