机器人缺的不是文本而是力反馈：从“动态交互数据”的采集标准之争，到三大计算平台与数据闭环，具身智能的数据瓶颈该怎么拆

一、先问一个尖锐的问题：大语言模型的数据逻辑，为什么对机器人不管用？

过去几年，大语言模型（LLM）的成功让整个行业习惯了一种“数据叙事”：把互联网上几十年积累的文本、书籍、图像喂给模型，规模上去，能力就涌现。这套逻辑的前提是——数据是静态的，维度清晰、获取难度低，采集成本几乎是零。

但机器人面对的是一个完全不同的数据世界。据时代周报对上海交通大学闫维新的访谈（资料《订单狂飙，概念股飞涨！人形机器人真要爆发？闫维新：规模落地任重道远》），机器人的数据问题与大语言模型“完全不同”：LLM 的数据是过去几十年积累的静态数据，而机器人需要的是动态交互数据——比如手指在抓东西时的力反馈、走路时身体的微调。这类数据不仅稀缺，更难以定义。

更麻烦的是“采什么”本身就是个悬而未决的问题：是机器人的运动轨迹？是人的操作动作？还是视觉、力的变化？同一篇访谈指出，行业里目前还没有统一标准，各家各自为政，数据无法互通。这意味着，即使某家机构愿意开源自己辛苦采来的数据集，别的团队可能根本用不上——力传感器型号不同、坐标系定义不同、动作表示方式不同，对齐成本比重采还高。

二、缺口有多大：几百万条对上千万甚至上亿万条

把数据缺口量化一下。按照闫维新在上述访谈中的说法：目前整个行业拥有的具身智能交互数据只有几百万条，而实际所需的规模可能在上千万、甚至上亿万条——差了三个数量级。

这个缺口的后果很直接：模型的泛化能力不足。IDC 的报告（资料《IDC：交互需求驱动物理AI发展 助力人工智能向具身智能加速演进》）把物理AI面临的三大挑战概括为：具身模型泛化能力不足、数据稀缺与高成本、嵌入式端侧部署受限。其中数据一项的表述是：训练具身模型需要大量高质量、多模态数据，但现实环境数据采集昂贵，且难以覆盖极端的“长尾场景”。

为什么真实环境采集这么贵？想想数据从哪来：遥操作一条演示，需要一台真机、一个熟练操作员、一段任务时长，还要处理失败重采。对比之下，LLM 的“一次爬取、亿万人共用”的模式在这里完全不成立。这也是为什么“仿真补足”成了必选项，而不是可选项。

三、仿真补足：三大计算平台怎么分工

仿真不是万能的，但在当前的数据格局下，它是唯一能把长尾场景和失败样本规模化生产出来的手段。IDC 报告把支撑物理AI的计算架构拆成三个协同的平台，这个划分本身就很值得借鉴：

1. 认知训练平台：提供强大算力，通过多模态感知与复杂决策训练，面向具身智能模型的感知、理解与决策能力做统一构建与持续优化。
2. 虚拟仿真平台：基于专业视觉计算资源，融合高精度物理引擎与数字孪生技术，生成逼真、可复现的训练数据，低成本优化操作与导航技能，并通过软件在环（SIL）验证控制逻辑。
3. 实时部署平台：依托高性能推理计算资源，让训练完成的具身模型在端侧自主设备上运行，实现实时“感知—决策—执行”闭环，并把运行中产生的数据反哺训练体系。

注意第三条的措辞——“数据反哺训练体系，形成持续优化循环”。这正是数据瓶颈的第二把钥匙：光靠前期采集永远追不上需求，真正的解法是让部署阶段产生的数据流回训练侧。

不过仿真也有边界：物理引擎再逼真，也难以完全复刻真实世界的接触动力学、材质摩擦和传感噪声。Sim-to-Real 的鸿沟意味着仿真数据通常要和真实数据混合使用，而不是替代。

四、人在环路：让“接管”和“失败”变成数据资产

如果仿真负责前段扩量，那么“人在环路”（Human-in-the-Loop）的数据回流就负责后段提质量。

据 Innotech Ventures 相关资料（资料《Innotech Ventures Portfolio Investments, Innotech Ventures Funds, Innotech Ventures Exits》中的正行创新介绍），该团队正在推进“人在环路”的强化学习后训练与数据闭环建设：真实运行数据中包含成功、失败、接管和低效行为等多元信息，团队通过创新方法识别其中真正推动任务完成的高价值动作，将交互数据转化为可用于模型迭代的优质训练数据。据该资料介绍，这一技术方向在真实机器人任务中已将任务成功率最高提升 3 倍。

这里的关键洞察是：机器人在现场的所有行为都是数据，而不只是成功演示才是数据。一次接管意味着“模型在这里错了，人做了正确修正”——这是比成功演示更珍贵的高价值样本；低效行为则标注了策略的次优区间。把真实运行数据当作持续的数据来源，而不是部署的副产品，数据闭环才真正成立。

同一资料还提到该团队的产业合作思路：与正大集团、华勤技术等企业合作，构建“场景—数据—模型—产品—解决方案—场景”的完整闭环。这个链条说明了另一件事——数据来源最终要绑定真实场景，光靠实验室遥操作永远采不出工业级的规模。

五、技术路线之争：VLA、世界模型与数据的关系

数据瓶颈也影响模型路线的选择。据时代周报访谈中闫维新的分析：

• VLA 模型融合视觉输入和自然语言指令，直接生成可执行的物理动作；通过语言这一中间环节把具象化的图像进行“抽象化”，而不是死记硬背，从而获得更好的泛化能力。
• 世界模型以视觉与运动数据为基础，通过生成式建模预测环境变化和行为后果，具备强大的时空预测能力，擅长处理现实中罕见但至关重要的极端情况（如紧急避障）；但代价是对算力需求极高，硬件成本比 VLA 模型高 40% 以上。
• 两者互补：世界模型擅长环境动态预测和物理规律理解，VLA 强于多模态融合和语义推理，结合可构建更强的智能系统。

从数据的视角看，这两条路线对数据的需求侧重不同：VLA 依赖大量“指令—视觉—动作”对齐数据，世界模型则更吃视觉与运动数据的连续性和物理一致性。采集标准不统一的问题，在这两条路线上表现也不同——这也是标准化之争迟迟没有收敛的结构性原因之一。

六、落地建议：如果你正要开始做具身智能的数据工作

结合上述资料，给出几条具体的、可操作的建议：

1. 尽早定义自己的数据 schema，并尽量向开源标准靠拢。既然行业尚未统一标准，至少要在团队内部把运动轨迹、动作空间、力/视觉通道的表示固化下来，避免三个月后自己的新旧数据都对不上。
2. 仿真和真机数据按用途配比，而不是一比一。仿真平台（物理引擎 + 数字孪生）负责规模和长尾，真机数据负责校准 sim-to-real 偏差；IDC 所述的 SIL 验证是低成本检验控制逻辑的好入口。
3. 从第一天就设计数据回流管道。部署端产生的成功、失败、接管、低效数据都要打标入库，参考“人在环路”后训练的思路，把接管数据当作高价值修正样本。
4. 绑定真实场景。与有真实业务需求的产业方合作，让数据在“场景—数据—模型—产品”的闭环里循环，这比在实验室里堆遥操作时长更有长期价值。
5. 把算力架构按“训练—仿真—部署”三层规划。IDC 描述的三大计算平台协同，对应的是训练端算力、仿真端视觉计算资源、端侧推理算力的不同需求，提前规划可以避免后期推倒重来。

七、适用范围与局限

需要坦率说明本文的边界：

• 本文依据的是公开报道与行业访谈资料（时代周报对闫维新的访谈、IDC 报告、正行创新相关介绍），不代表亲测或复现。其中“任务成功率最高提升 3 倍”等数字来自相关方资料，引用时应注明来源。
• 行业数据（几百万条现有、上千万至上亿万条所需）来自从业者的估计性判断，具体数量级会随定义口径（什么算一条交互数据）而变化。
• VLA 与世界模型的技术路线仍在快速演进，文中成本比较（如世界模型硬件成本高 40% 以上）是特定时间点的说法。
• 人在环路数据闭环目前主要在头部团队中推进，中小团队复制时需要评估遥操作人力与标注成本。

结语

具身智能的数据瓶颈不是单一的“数据不够”，而是三个交织的问题：数据形态不同（动态交互数据 vs 静态文本）、标准不统一（采什么没有共识）、采集成本高（真机遥操作贵且难覆盖长尾）。对应的解法也是三件套：仿真扩量、人在环路的运行数据回流、绑定真实场景的产业闭环。大模型时代“先堆数据再说”的直觉，在机器人这里需要先回答“什么样的数据、按什么标准、从哪来”——回答清楚这三个问题，具身智能的数据飞轮才转得起来。

参考资料

以下链接为本文使用的公开资料。事实依据与检索摘录保存在本地记录中；资料内容与适用范围以原始页面为准。

• Innotech Ventures Portfolio Investments, Innotech Ventures Funds, Innotech Ventures Exits
• IDC：交互需求驱动物理AI发展 助力人工智能向具身智能加速演进 提供者 智通财经
• 订单狂飙，概念股飞涨！人形机器人真要爆发？闫维新：规模落地任重道远 提供者 时代周报