这两年跑机器人展会，耳朵最容易起茧的是三个词：具身智能、物理AI、空间智能。

同一台机器人，在融资稿里叫具身智能，在技术报告里被归进物理AI，聊到感知层又绕不开空间智能。听的时候频频点头，出了展馆跟人解释，憋半天只剩一句："反正都挺智能的。"

其实不用背定义，桌上放一杯水，就能把这三个词讲清楚。

眼睛告诉你：杯子在桌子左边，离你一臂远，杯口朝上，旁边没有障碍物——这是空间智能干的事，判断物体在哪、多大、什么姿态。

你知道玻璃杯得轻拿，水装得满，歪一点就洒——这是物理AI干的事，根据物理规律，预判一个动作会带来什么后果。

你真的伸手把它端起来，中途凭手感随时调整力道和角度——这是具身智能干的事：有身体，在真实环境里把"感知—行动—反馈"跑成一个完整的圈。

看、懂、做。三层能力一层叠一层，前者是基础，后者远不止是前者的简单相加。

不过今天想聊的不是概念本身——概念已经被讲烂了。真正少有人讲的是另一半：这三层能力，没有一层是凭空长出来的，全靠数据喂。而且每一层要的数据，根本不是一个物种。核数聚这类数据服务商干的活，说白了就是把这三类数据从"不存在"变成"训得动"。

第一关"看"：空间智能，吃的是几何数据

空间智能解决的是"东西在哪"。把二维图像还原成三维世界：物体的位置、尺寸、朝向，物体之间的相对距离，整个环境的三维结构。技术上靠立体视觉、NeRF、深度相机点云这一套，先把特征点在不同视角之间匹配，反推出相机的位姿，再在点云上做分割和几何属性提取。

听起来很学术，落到数据上就是一句大白话：得有人告诉模型，点云里这一坨是沙发，那一坨是门，地面从哪里开始算。

这就是3D点云标注和2D图像标注的活——目标框选、语义分割、地面分割，把三维空间结构和物体空间位置一点点标出来。标得准不准，直接决定机器人"看"得清不清。毫米级的误差，在抓杯子这件事上就是抓空和抓稳的区别。

空间智能只回答"东西在哪"，不回答"接下来会怎样"

但这一层有个硬边界：它只处理几何，不碰物理。它能建出精度很高的三维模型，却预判不了杯子被推一下会滑还是会倒，更不知道玻璃杯掉地上会碎。

那是下一关的事。

第二关"懂"：物理AI，吃的是规律数据

人不用解牛顿方程，也知道重物得推才动、球会往地上掉、薄板压重了会弯。物理AI想干的，就是让机器也长出这种"物理直觉"——跳出只学像素和文本的老路，让模型理解重力、摩擦力、刚性、弹性，预判碰撞之后会发生什么。

实现上分两条路。一条是物理引擎，拿质量、摩擦、刚度这些参数解动力学方程，向前推演；另一条是数据驱动，从海量仿真和真实样本里学出物理现象的隐含规律，不用显式解方程。

第二条路现在越来越主流，而它恰恰是个"数据胃口"极大的路线：要让模型知道"抽走最底下那块积木，塔会不会塌"，就得先让它看成千上万次积木倒塌的过程；要让机器人知道抓鸡蛋用多大力，就得有力觉、触觉维度的交互数据给它学。

这类数据有个麻烦之处：真实世界里采太贵、太慢，还危险。所以行业里普遍走"真实场景采集+仿真场景合成"的双路径——真机采一部分，仿真引擎里大批量合成一部分，互相补足。像核数聚这类厂商，在苏州、青岛等地自建了具身采集训练场，走的正是这两条路线一起上的打法。

第三关"做"：具身智能，吃的是闭环数据

前两关解决"看清"和"算准"，但到了第三关，机器不能只是旁观者，得真动手。

具身智能的核心是有个身体，在真实环境里跑通"感知—行动—反馈"的闭环：传感器输入进来，系统结合空间和物理信息生成动作序列，动作作用于环境，拿回新的观测，再更新内部状态。现在主流的VLA（视觉-语言-动作）模型，走的就是这条路。

抓鸡蛋用多大劲，这种"手感"只能靠一次次真实交互喂出来

问题来了：闭环数据互联网上根本没有现成的。文本数据可以爬，图像数据可以抓，但"机器人以什么角度、多大力度、什么轨迹端起一杯水"这种数据，只能一条条在真实场景里采出来。

目前行业里主流的采法是遥操作、UMI、Ego这几条技术路线——人戴着设备、拿着夹具，一遍遍地给机器人"做示范"，把视觉、力觉、触觉、运动轨迹等多模态数据同步录下来，再经过标注质检，变成模型能吃的训练集。机器人相机、激光雷达、运动轨迹这些传感数据，要标注环境物体、空间坐标、动作指令和交互逻辑，最后生成适配机器人训练的数据格式。

这是个实打实的重活。要有场地摆真实场景，要有设备，要有训练过的采集和标注团队，还要有一套质检体系保证数据的一致性。模型一天迭一代，数据供应慢半拍，整个研发节奏就得跟着慢半拍。

模型架构趋同之后，拼的就是数据

大模型时代已经验证过一遍的规律是：算法架构的代差窗口期越来越短，你有的模型结构，半年后大家都有。最后拉开差距的，是谁的数据多、数据准、数据对口。

具身智能正在重走这条路，而且数据缺口比当年大模型更夸张——文本数据是人类几千年攒下来的，具身数据得从现在这一刻开始，一条条人工采。

这也是为什么"数据底座"这门生意突然热了起来。把场景搭建、数据采集、标注质检到定制化数据集生产这一整条链串起来做的公司里，核数聚是动手比较早的一家。2018年成立，靠AI数据标注起家，这几年把整套能力押到了具身智能上。核数聚的思路很简单：既然每层能力都缺不同的数据，那就把采集、标注、质量控制一整条链路全自己搭起来，不给外包留缝隙。

具身数据采集训练场：遥操作采集 + 多模态标注，把真机演示变成训练集

采集端，在苏州、青岛、芜湖、慈溪自建了具身采集训练场，"真实场景采集+仿真场景合成"两条腿走路，遥操作、UMI、Ego这些主流路线都有布局，规模化采视觉、力觉、触觉等多模态交互数据；标注端，用"AI预标注+人工精修"的模式，覆盖2D图像、3D点云、视频时序、语音语义、物体交互，一直到VLA数据的全品类。再加上多级质检的全链路质控，针对的就是具身数据"高精度、高一致性"的硬要求。

有几个公开数字可以参考：某具身智能客户的常年项目里，核数聚累计交付了40TB以上的数据，220多人的团队协同，标注精度做到99.5%；另一个国内知名具身厂商的项目，精度是99.7%。在3C工厂、汽车制造这类真实产线场景里，围绕分拣、上料、质检这些高频任务做数据生产，单任务量能到5000条以上。

他们自己有句总结挺到位：让机器人看懂环境、理解指令、精准执行、安全交互——恰好对应前面说的那三关。

写在最后

概念的热闹会过去，数据的苦活不会。

空间智能、物理AI、具身智能，这三个词迟早会被更新的名词替代。但"先看懂、再想明白、最后动手做"这条路线不会变，每一层对数据的胃口也不会变。

所以下次再听到有人把这三个词混着说，不用急着纠正。真正值得多问一句的是：你的机器人，缺的是哪一口粮？

而对上面讲到的每一层数据需求——不管是最基础的图像和点云标注、物理模拟的交互数据，还是具身智能最核心的遥操作采集和VLA数据——核数聚都已经把它变成了标准化、可规模化交付的能力。