人形机器人系列专题之具身数据：物理AI核心资产，模型迭代孕育数据产业新蓝海

　　核心观点

　　高质量物理交互数据是具身智能实现泛化的关键，具身ScalingLaw初步显现。纵观数字AI大模型的发展历程，模型能力边界的突破始终伴随着数据、算力与算法的协同演进。数据是物理AI大模型发展的关键资源，是支撑模型训练、能力涌现与智能进化的底层驱动力。具身智能领域的Scaling Law已开始获得初步实证支持，如Dyna-2在Ego第一视角人类视频预训练数据的实验中发现，当数据规模从千小时扩展至百万小时，模型的表现呈现明显改善趋势，为具身Scaling Law提供初步证据，预计数据需求将持续扩大。

　　通用模型厂商加快入局具身智能，触觉数据稀缺性高。部分基础模型厂商数字AI业务ARR增速放缓，向物理世界的延伸有望成为其拓展应用边界的重要方向，具身数据采购需求迅速增长。以GPT-6Astra为代表的多模态通用模型持续向物理世界拓展，在具身领域展现出较强的任务理解、规划与闭环纠错能力，进一步扩大了数据需求主体。当前具身数据积累以视觉信息为主，人类操作视频提供了丰富的行为与语义信息，触觉数据则需要在交互过程中同步记录接触状态，现有触觉数据的供给仍然相对有限。

　　具身数据采集路线多样，多源数据训练价值凸显。具身数据采集技术路线包括互联网视频数据、Ego第一人称视频数据、仿真合成数据和真实数据等类型，不同来源的数据具备互补价值。1）互联网视频数据规模庞大，是具身智能的数据底座，但缺乏力和触觉信息；2）Ego第一人称视角数据由采集者佩戴头戴式或颈挂式设备，在日常工作环境中自然完成任务，不依赖特定机器人本体，是规模化潜力较高、部署门槛较低的路线，未标注的Ego数据价格约几十元/小时，处理后的高质量数据几百元/小时，Ego设备则为千元级别；3）UMI通用操作接口数据由操作员手持UMI夹爪作为采集工具，采集末端操作信息，提供结构化动作信息，主要优势在于跨本体复用，不依赖特定机器人本体硬件，但动作空间与真实机器人有差距，数据价格几十到几百元/小时，核心装备万元级；4）遥操作数据提供真实机器人执行示范，是高价值的数据类型，主要用于模型后训练，数据价格为几百元至上千元/小时，触觉手套价格分化显著，国内厂商单套售价为万元级别；5）仿真数据支持高效率生成与场景扩展，但核心面临Sim-to-real Gap难题。

　　国内厂商积极布局数据采集与处理，具身数据有望实现百亿市场空间。具身智能数据产业链覆盖基础设施、数据采集、数据加工及应用等环节，具备软硬件协同、真实场景资源及持续数据交付能力的企业有望形成差异化优势。市场空间方面，展望明年，行业需求向亿小时级迈进，按数百元/小时价格测算，数据市场对应约百亿元市场空间潜力；长期看，借鉴特斯拉智能驾驶数据积累历程，在车辆持续在用、单车日均行驶1小时的假设下，测算到2024年FSD V13模型能力有明显突破时，特斯拉全球车队行驶时间测算约为60亿小时（测算值，仅供参考）。理论上，机器人的数据复杂度远高于智能驾驶汽车，若具身智能形成类似FSD V13重大模型能力突破，则数据需求大概率超越该时长，考虑到未来数据采集成本下降，远期数据市场规模也有望超千亿元，市场空间广阔。

　　风险提示：具身智能模型进展不及预期，具身机器人出货量不及预期，具身数据采购需求低于预期，数据技术路线变化，数据价格下降及行业竞争加剧。