如果說2025年是人形機器人“學會走路”的一年，2026年正被逼著“學會干活”。一個尷尬的現實是：在舞臺上，機器人的動作一年時間里突飛猛進；在生活中，連把一杯水從餐桌端到茶幾上，都做不利索。

問題出在了哪？我們在一場行業論壇上找到了答案。

百度智能云事業群總裁沈抖的解釋是：數據是制約行業發展的核心短板，具身智能尚未進入生產生活環節，數據未形成規?；蜓h，與自動駕駛的成熟數據生態存在較大差距。

用一句話總結的話：并非只是算法不夠好，還涉及到訓練數據夠不夠多、夠不夠廣、夠不夠“真”。

01 數據的“含金量”，才是真正的壁壘

每次談及大模型時，“智能涌現”的概念被頻頻提起：把互聯網上的文本和圖片喂給模型，智能就“涌現”了。

在具身智能產業，類似的邏輯卻行不通。

文本、圖片、視頻等多半是“公開數據”，具身智能需要的是“任務級”和“過程級”的物理交互數據。比如需要讓機器人知道一個蘋果握在手里是什么觸感、掉到地上會怎么滾動、抓太輕會滑落、抓太重會捏破。

互聯網上沒有這些數據，必須有人在真實世界里手把手教，或者通過遙操作設備“示范”，代價是四個層次的數據困境。

第一，標準缺失。

即使是同一個抓取動作，由于傳感器型號、關節扭矩精度、坐標定義方式的差異，數據之間互不兼容。結果是“行業缺乏統一的數據格式標準與元數據規范，數據無法跨企業、跨平臺復用。”

就像是戰國時期的文字，每個諸侯國的“字”都差不多，就是沒有統一標準、彼此無法互通。

第二，采集成本高昂。

真機遙操作采集是行業公認質量最高的方案，操作員穿戴上動捕設備和力反饋手套，手把手帶著機器人完成每一個動作。單小時有效數據的成本可高達數千元，且操作員上手門檻極高。

好比是讓一個大學教授去給幼兒園小孩一對一輔導，效果是好，但效率太低，幾乎無法規?；?。

第三，傳統標注模式不適用。

以前標注一張圖是“貓”還是“狗”，或者在自動駕駛的2D視頻畫面里畫個框，屬于平面視覺的范疇。

但三維世界的交互，涉及力覺反饋、觸覺感知、6D自由度姿態，以及對物理規律的理解。單單是標注一個“拿起水杯”的動作，就需要同步記錄視覺、力覺、關節角度、接觸點壓力分布等多路信號。

第四，Sim2Real的鴻溝。

在仿真環境中訓練出來的機器人策略，遷移到真實世界時往往“水土不服”：光照稍微變了一點，物體擺放位置和訓練時不一樣，摩擦力、彈性質感與仿真參數有細微偏差……任何一個微小差異都可能導致整個操作失敗。

最終影響模型泛化性的因素，不只是“有沒有數據”的問題，還牽涉到“數據夠不夠真”。

參考自動駕駛行業的先例，人形機器人想要走進千家萬戶，規模化正向循環的數據體系，是不可或缺的一環。

與之相對應的，包括樂聚機器人在內的企業紛紛以生態合作的方式填補數據短板，逐漸形成了一套體系化的數據生成能力，可以清晰看到一個完整的三層結構：

第一層是基礎設施層：制造身體和訓練大腦能力。

一端是與東方精工聯合打造的萬臺級人形機器人產線，解決“身體”的規模化生產；另一端是機器人訓練場，持續生成高質量交互數據，構建“數據大腦”。

第二層是核心技術層：“核心零部件+OS+大腦”。

通過投資和聯合布局，打通了一體化關節、電機、靈巧手、數據平臺、具身大腦與操作系統等關鍵環節，把過去分散在產業鏈各處的能力，收斂為可協同的系統能力。

第三層是“場景應用層”：場景落地網絡。

在工業與服務場景中，與中國一汽、海晨股份等合作伙伴展開探索，讓機器人在真實生產環境中不斷“回流數據”，形成閉環。

只是彼時業界的注意力還集中在”人形“的形態上，對數據的討論尚未成為行業的主要議題。

02 行業正在轉向：從“造機器”到“養數據”

進入2026年后，人形機器人在臺前“表演式炫技”的同時，越來越多人開始思考——怎么才能走向實用？

答案無不指向了數據。

特斯拉的思路是通過統一的AI架構，將全FSD的積累擴展至具身智能領域，讓人形機器人Optimus無需從零開始建立“世界模型”，可以復用FSD的成熟管線，實現從道路到空間場景的遷移學習。

國內廠商也在加速補數據的短板，比如樂聚機器人在4月28日發布的“數據采集訓練場2.0”。

如果說傳統AI像“應試教育”，訓練完了就定型；“數據采集訓練場2.0”既像是一個學習各種技能的“素質教育學?！?，又像是一個培訓實習的“工廠”，讓機器人在各行業正式“上崗”前，先學習、練習各類技能。

大模型之所以在兩三年內實現質的飛躍，不是某一家公司聰明，而是沉淀了二十多年的文本和圖像等著被訓練。而具身智能幾乎沒有存量的物理數據，必須一幀一幀地采集。

在“數據從哪里來，智能就從哪里涌現”的鐵律下，數據量能夠達到“智能涌現”的前提，是有人先把數據采集的“基礎設施”建起來。樂聚機器人的“數據采集訓練場2.0”，扮演的正是“養數據”的角色。

確切地說是三個層次的數據：

一是輪臂操作，通過VR+全身增量遙操作，覆蓋抓、拿、放等高頻標準動作，滿足規?；魉€作業。

輪臂機器人也是當前離商業落地最近的一條路徑，場景確定、動作標準化、容錯空間相對大，數據采集難度也相對可控，操作員通過VR頭盔和手柄遙控機器人，不需要全身復雜的動捕設備。

二是靈巧手操作，搭載觸覺靈巧手與腕部六維力傳感器，聚焦捏、扣、握等五指精細交互，瞄準的是復雜手眼協同。

人類手指有超過20個自由度，一個簡單的“旋開瓶蓋"動作，就涉及到指尖抓握力道的微調、手腕旋轉角度的實時修正、視覺反饋的閉環調整，數據采集難度指數級上升，需要動捕手套+力反饋+高清視覺的多路同步。

三是全尺寸人形操作，整合了搬、蹲、走等大范圍擬人作業，實現了多關節協同與全向移動控制。

人形機器人是數據需求最“貪婪”的一條路徑：全身40多個自由度同時運動，每一步都涵蓋重心平衡、步態調節、環境感知等協同，只有低成本、高效率生成高質量、多樣化的數據，才能建立起長期壁壘。

需要說明的是，目前“沒有哪一條是完美的技術路線”。遙操作質量高但成本貴，便攜采集規模大但不夠精細，仿真數據便宜卻不夠真實，三條路線誰也替代不了誰，適用于不同的場景、不同的階段。

2023 年樂聚提出生態計劃的概念，方向非常明確——從“自建能力”走向“開放能力”，第一階段的核心是搭建基礎設施層和核心技術層，第二階段是場景應用層。

當本體、數據、大小腦、場景四個核心要素打通后，下一步不再是單點突破，而是通過生態放大——就是目前正在開展的第三階段，面向行業招募二次開發合作伙伴。同時也意味著，在樂聚基礎設施已經搭建成熟的基礎上，商業化將全面提速。

過去，人形機器人企業更像是“整機廠”，需要自己解決幾乎所有問題；而在生態化階段，更像一個“平臺公司”，向外輸出標準、工具鏈與基礎能力，讓合作伙伴在不同場景中完成“最后一公里”。

借用行業內的一個樂觀的判斷：隨著越來越多的機器人團隊正在從“造機器”轉向“養數據”，預計2027年數據量將超過1000萬小時，人形機器人的“ChatGPT時刻"可能在兩年后到來。

03 寫在最后

樂聚機器人與東方精工聯合打造的國內首條萬臺級人形機器人自動化產線已在廣東佛山啟用；特斯拉Optimus計劃2026年中實現月產1萬臺......

2026年是具身智能的量產元年，也注定是直面商業化的一年。至少樂聚機器人在內的中國企業，已經在市場爆發前夜把產品打磨成熟、把標準制定清楚、把數據短板補齊，為量產提前鋪好了路。

或許在不久，我們再評估一臺人形機器人有多先進時，不再是驚嘆于它能翻多高的跟頭、跳多酷的街舞，而是像一個真正的伙伴那樣，步履平穩地走到你面前，穩穩地遞上一杯咖啡。