具身智能数据有效率仅10%：多模态采集路线的技术分析与行业思考

2026年8月13日，36氪发表了一篇深度报道，标题为《具身数采的「鬼故事」越来越多了》，揭示了具身智能数据采集行业正在面临的一个严峻问题：一家机器人公司批量采购训练数据，投入约一半的人力资源进行数据清洗与对齐工作，耗时一个半月，最终有效率仅为10%。所谓有效率，指的是经过清洗对齐后真正进入训练流程并对模型产生正增益的数据比例。更值得注意的是，用这10%的有效数据训练出的模型，在部分场景下的表现甚至劣于之前用少量数据训练的版本。

这并非个别现象。据行业内部反馈，2026年上半年包括头部数据公司在内，数据有效率低下是一个相当普遍性的行业问题。本文将从技术角度分析这一现象的根因，探讨纯视觉采集路线的局限性，并对多模态数据采集的技术方向进行展望。

一、数据有效率低的根因分析

有效率10%意味着90%的原始数据在清洗后被废弃。造成这一现象的原因可以从三个层面理解。

第一层是数据采集的质量控制问题。具身智能训练数据不同于传统NLP或CV领域的文本和图像数据。一条具身智能训练数据通常包含多个维度的信息：RGB视觉流、深度图、关节角度序列、力觉/触觉信号、末端执行器位姿等。这些维度之间需要严格的时间同步和空间对齐。任何一路传感器的标定偏差、时间戳漂移或丢帧，都会导致整条数据不可用。在多传感器系统中，这种多通道同步的精度要求极高——通常需要达到亚毫秒级的同步精度，这在实际采集环境中是非常有挑战性的工程问题。

第二层是行业对数据规模的过度追求。过去两年，具身智能领域形成了较强的"数据规模叙事"。受大语言模型scaling law成功经验的启发，很多团队默认"数据越多、模型越好"。但具身智能的数据本质与语言数据有根本区别：语言数据的维度相对单一（文本），质量差异主要体现在信息密度上；而具身智能数据是多维度的物理交互记录，任何一个维度的缺失或失真都会导致整条数据在训练中成为噪声源。不少团队一开始都在追求数据量的积累，采了几万小时数据觉得很有底气，结果一清洗发现有效率不到15%。

第三层是训练过程中的"数据毒性"问题。低质量数据不仅无法提供有用的梯度信号，反而会引入错误的关联模式。这就是为什么那家公司用10%的有效数据训练后，模型表现反而下降——这10%的数据中可能混杂了部分低质量样本，它们产生的错误梯度抵消了高质量数据产生的有效梯度。这个现象在强化学习和模仿学习中都有文献记载，通常被称为"poisoning effect"。换句话说，不是数据少了不行，而是坏数据比没数据更糟糕。

二、纯视觉采集路线的技术局限性

UMI（Universal Manipulation Interface）路线在过去一年受到了广泛关注。其核心思路是降低采集端对真实机器人本体的依赖，通过第一视角（Egocentric）的视觉记录来采集操作数据。从工程实现和成本角度来看，这确实显著降低了硬件门槛和采集成本。但从信息论角度分析，纯视觉数据存在根本性的信息缺失。

第一视角视觉数据记录的是"像素与像素之间的关系"——它本质上是一个二维投影加上时序变化的信息结构。这个信息结构可以编码"看到了什么"和"运动轨迹是什么样的"，但无法完整编码以下关键物理量：

力觉信息：物体与手/工具之间的接触力大小和方向。这是完成精密装配、柔顺操作等任务的关键变量。

触觉信息：接触面的纹理、硬度、温度等物理属性。这些信息影响抓取策略的选择和调整。

关节力矩：驱动关节运动所需的力矩，反映了负载情况和动力学约束。

接触状态：物体之间是否发生接触、接触点在哪里、接触面积多大。这些在手部遮挡区域尤其难以从视觉中推断。

这些信息的缺失不是算法层面的问题，而是传感器物理层面的限制——摄像头本身就采集不到力和触觉信号。无论后处理算法多么先进，都无法从纯视觉数据中恢复这些物理量的精确值。举个直观的例子：让摄像头看人抓杯子，模型能学会视觉层面的识别和路径规划，但学不会"抓玻璃杯和抓不锈钢杯需要的握力不同"——而这种力觉层面的精细判断，恰恰是机器人在真实家庭环境中安全可靠工作的核心能力。

斯坦福大学2026年AI Index报告的数据从另一个角度佐证了这个判断：机器人在仿真环境中的任务成功率达到了89.4%，但在真实家庭环境中仅有约12%。这个巨大的性能落差（89.4%→12%）表明，仿真环境中训练出的策略在迁移到真实世界时面临严重的sim-to-real gap。而这个gap的核心就在于仿真环境无法完整建模真实物理世界的接触力学、摩擦特性和不确定性。

三、高价值数据的技术标准

基于上述分析，行业对"高价值训练数据"已经形成了比较清晰的技术标准。一条高质量的具身智能训练数据需要同时满足三个条件：

高保真度：数据中的每个物理量（关节角度、接触力、末端位姿等）都必须精确反映真实物理交互的状态。保真度的要求是定量化的——关节角度误差通常要求在1度以内，力觉数据误差要求在全量程的1%以内。这种精度要求对传感器标定、数据采集系统的同步精度和传输带宽都提出了很高的工程要求。

多模态完整性：不能只有视觉信息，还需要包含力觉、触觉、关节角度、末端位姿等多维度信号。从信息论角度看，多模态数据的价值在于不同模态之间的互补性——视觉提供空间结构信息，力觉提供接触动力学信息，本体感知提供运动学信息。只有这些信息完整了，模型才能学到物理交互的全貌。

场景多样性：数据采集需要覆盖足够多样的场景和任务类型。从技术角度看，模型的泛化能力直接取决于训练数据的分布覆盖度。如果训练数据只覆盖了桌面上的简单抓取任务，模型在面对厨房操作、卫生间使用、户外环境等场景时就会出现严重的分布偏移。

四、多模态融合采集的技术路径

针对纯视觉路线的信息缺失，行业正在探索多模态融合采集方案。技术上有几条主要路径：

Ego+遥操作融合：在第一视角视觉采集的基础上，通过遥操作设备同步记录本体感知、力觉和触觉数据。这种方式能在自然操作场景中获取高保真的多模态数据，但采集效率受限于操作者的速度和耐力。

UMI+力觉增强：在UMI视觉采集方案中集成力觉传感器，补充接触力信息。这种方案在降低成本的同时尽可能补充了缺失的力觉维度，但力觉传感器的集成会增加系统复杂度和标定难度。

全身遥操作：使用全身控制的外骨骼或主从系统进行数据采集，可以同时获取全身关节角度、末端力觉和视觉信息。这是目前保真度最高的方案，但设备成本和维护成本也是最高的。

这些技术路径的共同特点是在视觉信息的基础上补充了力觉、触觉或本体感知等缺失模态。从工程实现角度看，最大的挑战在于多模态数据的同步精度和标定一致性——不同传感器的采样率、坐标系、时间基准都不同，需要在采集系统的设计阶段就做深度的集成优化。

五、数据缺口与行业挑战

即便有了正确的技术路线，数据缺口依然是具身智能面临的最大挑战之一。截至2026年初，全球范围内高质量真实物理交互数据的总量估计仅有约50万小时。而业内评估，实现可用的具身智能至少需要1000万小时量级的多模态交互数据。这个20倍的缺口意味着：

当前全球数据产能远不能满足需求。以单个团队为例，10万小时的数据跑完一轮完整训练需要两个多月（假设算力充足），而要积累100万到200万小时的训练数据——这是做出一个可用模型的最低门槛——需要数十个团队持续工作数年。很多创业公司的融资周期根本撑不了几个完整的训练迭代。

数据质量控制的成本在增加。多模态数据的采集和标注比单一视觉数据复杂得多，需要在传感器标定、时间同步、异常检测等环节投入更多工程资源。这也是为什么有效率低的问题如此突出——很多团队在多模态数据处理的质量控制方面还没有成熟的方法论和工具链。

六、商业模式的调整方向

数据有效率10%的现实，正在倒逼数据采集行业重新审视自己的商业模式。过去以数据量为定价基准的模式——数据量越大、价格越高——在有效率极低的现实面前已经失去了合理性。

更合理的定价逻辑是"按有效数据量计价"——以经过质量控制、能直接进入训练流程并对模型产生正增益的数据量为基准。这种模式要求数据提供方在采集端就建立严格的质量保证体系，而不是把质量控制的成本转嫁给下游的模型训练团队。从技术发展趋势看，未来具身智能数据采集行业真正的竞争核心不是谁的数据量大，而是谁的数据有效率高。一个有效率90%的数据提供方和一个有效率10%的数据提供方，即便原始数据量相同，实际能为客户创造的价值也相差9倍。

此外，一个值得关注的技术趋势是"数据飞轮"方法——即先用少量高质量数据训练出基础模型，然后利用模型的推理反馈来指导下一轮数据采集的优先级。哪些场景表现差、哪些操作的泛化能力不足，就针对性地补采哪些类型的数据。这种以模型需求驱动采集的策略，相比盲目追求数据总量，在资源利用效率上有明显优势。同时，合成数据和仿真数据虽然无法替代真实物理交互数据，但在特定基础能力训练上可以作为有效补充，减少对真实数据的依赖程度。

七、总结与展望

2026年具身智能数据行业正在经历一次深刻的认知校正。从"数据越多越好"的粗放增长，转向"数据质量决定一切"的精细化运营。数据有效率10%的教训虽然痛苦，但它揭示了一个基本的、不可忽视的技术事实：具身智能的数据问题本质上不是规模问题，而是质量系统性问题。

多模态融合采集是弥补纯视觉路线信息缺失的必然方向。高保真、多模态、多样性是高价值数据的三个核心标准，也是数据采集技术方案设计的出发点。在这个方向上，传感器集成、多模态同步、质量控制等工程挑战还有很多需要攻克。

具身智能的长路才刚刚开始。1000万小时的数据缺口不是一两年能填平的，但正确的技术方向和商业模式调整，可以让每一个小时的数据都发挥出最大的训练价值。这或许正是这一轮"鬼故事"背后最有价值的启示。

参考来源：

1. 36氪，2026-08-13，《具身数采的「鬼故事」越来越多了》

2. 斯坦福大学，《2026 AI Index Report》