导语：大模型靠互联网文本喂大，具身智能却找不到属于自己的「互联网」。当机器人需要学会叠衣服、拧瓶盖、插花、装配零件时，它面对的是一个几乎没有现成数据集的世界。数据，正在成为具身智能从 Demo 走向量产的第一道门槛。

一、为什么具身智能会「缺数据」

过去几年，LLM 的爆发建立在互联网上海量文本、代码和图文对之上。这些数据天然存在、规模巨大、获取成本极低。具身智能面对的情况完全不同：

• 物理交互数据无法从网页爬取。 抓取一个杯子的力度、手指与物体接触的瞬间反馈、失败后如何调整姿态，这些信息只存在于真实物理世界中。
• 数据维度更高。 一条具身数据往往同时包含视觉、本体感受（关节角度、力矩）、触觉、动作指令、时间序列等多模态信号，采集和标注难度远高于一段文本。
• 任务长尾极其分散。 叠衣服、开抽屉、倒水、插线，每个任务的动作空间、物体属性、环境布局都不同，很难用一套通用数据覆盖。
• 失败样本同样重要但难以规模化。 机器人学习需要大量「试错」，但真实环境中试错成本高、速度慢、还可能损坏设备。

依据现有素材判断，具身智能当前的核心矛盾是：模型能力在快速提升，但可用的高质量交互数据供给远远跟不上。

二、高质量交互数据的几个关键特征

在讨论「从哪来」之前，需要先明确什么样的数据才算「高质量」。行业内的共识大致指向以下几点：

1. 真实物理交互。 数据来自真实机器人或高保真仿真环境中的实际动作执行，而非纯视觉标注。
2. 多模态同步。 视觉、动作、本体感受、触觉等信号在时间上严格对齐。
3. 任务语义清晰。 每条数据能对应到明确的任务目标、成功/失败判定和语言指令。
4. 可复现、可扩展。 采集流程标准化，能在不同机器人本体、不同场景间迁移或复用。
5. 覆盖长尾与失败。 不仅记录成功轨迹，也记录纠错、重试和异常处理过程。

三、数据可能从哪来：几条主要路径

1. 真机遥操作采集

由人类操作员通过遥操作设备（如动捕手套、主从机械臂、VR 控制器）控制机器人完成任务，同步记录多模态信号。

• 优点：数据真实、任务可控、质量高。
• 挑战：人力成本高、采集速度慢，难以快速规模化。

2. 仿真环境合成

在物理仿真器中批量生成任务与轨迹，通过域随机化提升泛化能力。

• 优点：可并行、可无限扩展、失败样本廉价。
• 挑战：仿真与现实的差距（sim-to-real gap）仍然存在，触觉、柔性物体、接触动力学尤其难模拟。

3. 真实世界「被动」数据

利用人类日常操作视频、第一人称视角录像、可穿戴设备记录的动作数据，作为预训练或辅助监督信号。

• 优点：规模潜力大，接近真实分布。
• 挑战：缺少精确动作标签和力反馈，需要额外的对齐与推断。

4. 互联网视频与人类示范

从公开视频中提取手部动作、物体交互等信息，用于学习先验。

• 优点：数据量巨大。
• 挑战：视角、遮挡、动作空间与机器人本体不匹配，迁移难度高。

5. 众包与共享数据生态

由多家机构、开发者共同贡献数据，形成类似开源社区的数据池。

• 优点：分摊成本、加速积累。
• 挑战：标准不统一、质量参差、隐私与安全问题。

四、真正的难点不在「采集」，而在「闭环」

依据现有素材判断，具身智能的数据问题不只是「量不够」，更是「闭环没打通」：

• 采集—训练—评测—再采集 的循环尚未标准化。采到的数据能否直接用于训练、训练结果能否反馈指导下一轮采集，仍缺少成熟工具链。
• 数据格式与本体绑定。 不同机器人本体的关节配置、传感器布局不同，数据难以直接复用。
• 评测标准缺失。 没有统一的 benchmark，就很难判断一份数据到底「值不值钱」。
• 成本与收益不匹配。 真机采集成本高，但模型对数据的利用率、泛化能力仍有限，投入产出比不清晰。

结论

具身智能的「数据荒」，本质上是物理世界数据无法像互联网文本那样被低成本、大规模地获取。真机遥操作、仿真合成、人类视频、众包共享，各有优劣，短期内很难有单一方案通吃。

真正决定进展的，可能不是某一项采集技术，而是能否建立起采集、训练、评测、再采集的闭环，以及一套被广泛接受的数据标准。谁先把这条链路跑通，谁就更有可能在具身智能的下一阶段占据先机。

生成标记：本文由 ITPUB 文章生成平台基于已选素材整理生成。