问题——机器人“看得见、听得懂”之后，还要“学得会、做得稳”。目前具身智能正加速服务、制造、商用巡检等场景试点落地，但智能化升级的瓶颈越来越集中到数据端：一上，模型要复杂环境中完成抓取、搬运、开关门、整理等操作，离不开高质量、多样化且具备泛化能力的训练数据；另一上，真实场景数据难以规模化、持续获取，导致模型迭代与可靠性提升受限，机器人“极端情况”和“长尾问题”上表现不稳定，影响产品可用性与部署信心。 原因——数据难在“三重门槛”。其一是场景门槛。真实数据多来自工厂、仓储、商超、医院等一线现场，牵涉安全、隐私、生产秩序与管理权限，数据采集往往需要场景方开放接口并配合流程调整，沟通与协调成本高。其二是成本门槛。业内普遍认为，大规模采集涉及设备投入、训练场搭建、遥操作人员、标注与清洗等多环节支出，周期长、见效慢；传统“1:1复刻场景自建训练场”的方式还常常需要工程团队全流程介入，效率与灵活性不足。其三是工程门槛。即便数据到手，如何搭建数据管线、保持质量一致性、完成多模态对齐与可追溯管理，仍考验企业体系化能力；而行业在标准、工具链与评测基准上相对薄弱，导致类似投入带来的效果差异明显。 影响——竞争焦点从“数据量”转向“数据闭环能力”。多位从业者指出，单纯堆数据难以形成长期壁垒。通过资金投入采购设备、组织采集并外包标注，数据规模短期内可以快速扩张，但真正拉开差距的是企业能否真实部署中实现数据自动回流，形成“采集—训练—上线—再采集”的迭代闭环。对产业而言，这意味着两点变化：其一，场景资源更关键，谁能进入更多真实场景、覆盖更多工况，谁就更可能积累高价值数据；其二，数据处理与工程体系更关键，缺乏稳定管线与质量控制，会直接造成数据可用性低、训练效率低，甚至出现“数据越多、噪声越大”的反效果。 对策——以平台化建设破解数据难题，以协同机制提升转化效率。3月28日，作为中关村论坛涉及的活动内容之一，北京石景山具身智能触觉及多模态感知数训创新中心正式揭牌。该中心由北京石景山科技创新集团有限公司与企业合作打造，围绕具身智能产业需求，明确触觉、异构、自主无人数采等技术方向，旨在打通多模态数据采集、算法训练与场景落地的全流程转化。相关人士介绍，石景山人形机器人数据采集训练中心项目也在与多家企业推进合作，尝试缓解行业数据短缺与质量瓶颈。 业内同时提出两条可行路径：一是打造“数据飞轮”闭环，让机器人在真实环境中持续学习、覆盖长尾问题，通过自动化回流提升整体效率；二是探索“人类演示+真机采集”的组合方式，兼顾效率与真实性，但仍需在本体构型、运动形态、感知方式差异各上持续攻关，提升跨形态数据的可迁移性。 前景——数据体系或将重构，标准与场景成为关键变量。行业观察认为，“无本体数据”等新方法正在兴起，例如第一人称视角数据、通用操作接口等思路，有望降低对特定机器人本体和固定训练场的依赖，推动数据采集更直接地向真实场景迁移。随着相关技术与工具链逐步成熟，场景的可及性与多样性将更稀缺，数据竞争力将更多取决于“谁能进入现场、谁能持续迭代、谁能把数据变成能力”。此外，部分依赖重资产与固定场地的传统模式可能面临产能利用率与单位成本压力，行业需要提前布局更灵活的采集方式与更高效的数据处理体系。 面向未来，具身智能训练所需的数据体量仍可能继续增长，但“多”之外更强调“真”“准”“可用”。推动数据标准化、建立可比可测的评估体系、完善安全合规与数据治理机制，将成为行业从试点走向规模化应用的基础工程。
在具身智能的快速演进中，数据正成为决定进度与上限的关键变量；北京石景山创新中心的成立，是对现实痛点的回应，也是在为后续产业化能力打基础。随着技术持续推进，如何在数据安全与共享、效率与质量、短期投入与长期价值之间找到平衡，仍有待行业共同探索。围绕数据的这场攻坚，可能将影响我国在全球机器人产业竞争中的位置。