2026年7月，上海世博展览馆。走进具身智能展区，一种混杂了焦虑与狂热的微妙氛围扑面而来。两年前的WAIC，这里只有18家企业吃螃蟹；去年飙升至80家；今年，参展企业已悄然突破200家。但热闹展台背后，产业焦虑愈发凸显：截至2026年初，全球高质量具身交互数据仅50万小时，而通用具身模型入门训练门槛为千万小时级，整体数据缺口超99%。

当数采方案遍地开花，为何数据缺口依旧巨大？层出不穷的技术路线，能否真正填平产业数据鸿沟？从“方案百出”到“数据够用”，具身智能产业仍需跨越多重产业关卡。

二十余家企业扎堆布局，四大数采路线全面铺开

走进今年WAIC的具身智能展区，几乎每一家机器人企业都带来了自己的数据“生产工具”，采集方式从遥操作到穿戴式、从无本体到仿真，几乎穷尽了人类能想到的所有路径。

遥操作——最“笨”却也是最“真”的方式。

思灵机器人的展台前，操作人员手持主臂Diana3，远端的Diana7 G2从臂便实时镜像复刻全部运动。这套系统具备毫秒级双向力反馈能力，能将远端的接触、摩擦、碰撞触感真实回传，同时全流程留存力觉、运动、视觉等多模态数据集。

星动纪元则把“全身”作为卖点，旗舰级人形机器人星动L7展示了全身55个自由度的协同遥操作，打通了“全身数据—模型迭代”的技术闭环。

穿戴式——让人类成为“数据采集员”，这是今年最拥挤的赛道。

因克斯带来了EC-Gloves数据采集手套，实现整手20个自由度关节角度精准读取，配合1kHz高频通信。

EC-Gloves数据采集手套；图片来源：因克斯

简智机器人则把“头、手、身”全部武装起来——Ego头环采集第一视角、Dex灵巧手套记录手部精细操作、全身Mesh动捕捕捉运动轨迹，构建了一套完整的Human Data采集体系。

gForce Ultra肌电腕带；图片来源：傲意科技

傲意科技的gForce Ultra肌电腕带另辟蹊径，通过8通道肌电干电极捕捉前臂肌肉电信号与手臂姿态。

超维动力的KAI Halo Lite头环融合四相机视觉与IMU，可实现厘米级空间定位与动作语义标签的自动生成。奥比中光则携手蚂蚁灵波展出EGO RGB-D系列头戴设备。

触觉——从“被忽视”到“必争之地”。

纬钛机器人一口气发布了三款视触觉数采设备，从轻量化头戴式VT-Ego到手持式VT-TacFinger，再到开合宽度达90mm的VT-TacUMI-90，构建了从感知到执行到学习的全链路触觉基础设施。

千觉机器人的XTac UMI G1穿戴式夹爪可同步采集视觉、触觉、位姿轨迹、夹爪状态等五维核心数据。

一目科技则围绕触觉构建了从数据采集、编码到多模态大模型训练的三层架构。

无本体与仿真——用“巧劲”解决“笨问题”，也是今年新兴核心路线，打破实验室场景局限。

穹彻智能的RoboPocket系统让普通用户无需接触机器人本体即可完成操作数据采集，已在全国47个城市完成十万小时级家庭场景数据采集。

光轮智能展示了“数据—评测—部署反馈”的物理AI持续学习系统，其SimFoundry仿真环境让机器人可以在虚拟世界中反复“练习”。

跨维智能首次公开DexVerse™生成式仿真引擎。机器科学则以自研可微多模态物理仿真引擎RoboMirage为核心，构建“仿真+视频”双数据飞轮，将单条数据获取成本降至传统方案的1/20至1/200。

此外，京东依托零售物流场景展示了大规模数据采集计划；宸境科技的Looper套件采用“1大+2小”多视角协同方案；凌迪科技的SynReal World全栈数据引擎专注柔体仿真。

超过20家企业的数据采集方案同台竞技，构成了WAIC 2026最拥挤也最热闹的赛道之一。

“百出”的背面，数据缺口到底有多大？

方案百花齐放的背面，是一个令人不安的现实——缺口大得惊人。

智元机器人合伙人、觅蜂科技董事长兼CEO姚卯青在WAIC“智启具身论坛”上抛出了一个震撼行业的数字：物理AI的数据量只有大语言模型的两万分之一。强脑科技在展会上给出了更触目惊心的估算——截至2026年初，全球现有具身高质量数据总量约50万小时，而训练通用具身模型预计需要超过1000万小时的数据，数据缺口超过99%。

国际领先大语言模型预训练数据已达100万亿Token，约合100亿小时说话量。而物理世界数据的信息密度远低于文本——你拍一个小时视频，里面包含的有效“物理知识”可能还不如读一篇千字文章。具身数据规模与语言模型预训练语料之间，存在“万倍以上”的鸿沟。

换算成具体数字：要实现可用的具身智能，行业至少需要1000万小时量级的多模态交互数据。如果以“ChatGPT时刻”为目标——机器人能“开箱即用”、在常见任务中达到70%至80%的基础成功率——这个数字需要攀升到亿小时级别。

而这些数据的背后不只是代表着“规模大”，更需要用更低的成本完成如此大规模高质量的多模态交互数据。

截至目前，真机遥操作数据精度最高、适配性最强，但设备昂贵、采集效率极低，无法规模化；穿戴式采集成本适中、落地灵活，但数据与机器人本体存在偏差，需要复杂的域适配；仿真数据产量大、成本低，但天然存在虚实鸿沟，仿真训练的模型迁移至真机后性能大幅衰减。

于是，抓取现有互联网海量视频是业内常规选择，但在宸境科技相关专家看来，这些视频对具身智能的价值极为有限，“没有可靠位姿的视频只是垃圾素材”。更准确的说是需要带有空间结构和任务逻辑的“具身经验”——稳定的轨迹、时间同步、空间对齐和质量评估，缺一不可。

而聚焦在手上的操作上，它石智航创始人陈亦伦在7月17日主论坛圆桌进一步指出，公开视频主要提供几何与视觉信息，而机器人操作属接触系统，单纯依靠视频难以获得力、触觉、柔性、摩擦等关键物理量。

举个例子来看，就一个人类拿起水杯的动作，看起来毫不费力，背后却涉及视觉定位、手臂轨迹、手指力度、触觉反馈、关节角度等数十个维度的数据。任何一个维度的缺失，都会让模型学到的“经验”大打折扣——就像让一个盲人仅凭听觉去模仿你喝水，结果可想而知。

图片来源：戴盟机器人

因此，戴盟机器人认为，触觉能直接提供接触力、接触形变及物体纹理、材质等物理反馈，有效弥补视觉的盲区与错觉。基于此，戴盟机器人联合数十家机构发布全球最大规模含触觉全模态物理世界具身数据集Daimon-Infinity，搭载11万感知单元、120Hz高频率视触觉传感器。

但就现有行业信息来看，各家企业采集设备、标注规范、坐标系标准互不统一，数据格式割裂，异构数据无法互通联合训练，甚至出现“数据越堆、模型效果越差”的负迁移问题。

此外，场景覆盖不足，长尾稀缺数据严重匮乏也是关键问题之一。当前存量数据大多来自标准化实验室场景，环境单一、物体规整、操作重复度高。而真实物理世界充满复杂长尾场景，异形物体、柔性材质、动态干扰、极限工况等场景数据极度稀缺。

更关键的是，行业普遍重视成功操作数据，忽视失败试错数据，而失败案例恰恰是机器人提升容错率、泛化能力的关键。场景数据的结构性缺失，直接导致模型“实验室满分、落地翻车”，泛化能力难以突破。

基于以上种种，智元合伙人、具身业务部总裁姚卯青总结提出，物理智能规模化需突破三道墙：数据墙（真实交互数据稀缺且获取成本高）、表征墙（跨任务、跨场景、跨本体的统一物理表征尚未形成）、闭环墙（真实试错代价昂贵、反馈缓慢）。

可以说，全行业还没有任何一套方案，能够同时突破精度、规模、成本三大限制，这才是导致数据积累速度远远跟不上模型迭代速度。

从单点堆硬件到体系化建链，四大路径加速数据突围

面对数据瓶颈，本届WAIC清晰呈现出行业的破局思路：产业竞争已从单点硬件比拼，升级为数据体系、闭环生态的综合竞争，虚实融合、标准统一、分布式采集、全链路闭环四大路径，成为行业通用解法。

虚实融合是当前平衡数据质量与规模的最优解。行业普遍形成“仿真扩规模、真机定精度、穿戴提多样性”的分层逻辑。

图片来源：强脑科技

强脑科技搭建三层数据体系，以仿真数据、Ego视频数据做大规模预训练，穿戴式人类数据丰富场景多样性，真机遥操作数据完成高精度调优，完美兼顾成本、规模与精度。

光轮智能Real2Sim2Real闭环、谋先飞“真机+仿真”数据工厂，均通过真机数据校准仿真环境，再用仿真批量生成数据，最后真机验证迭代，持续缩小虚实差距，破解仿真数据落地失效难题。

凌迪科技的柔体仿真、跨维智能的工业仿真生成，进一步补齐特殊场景数据短板，让仿真数据的产业价值持续提升。

数据标准化与生态对齐，是打破数据孤岛的核心抓手。

本届展会标准化进程显著提速，从企业级标准走向国际、行业级共建。光轮智能作为唯一中国企业，参与全球具身仿真与数据两大国际标准制定，主导底层数据规则建设。

跨维智能通过物理时空对齐技术，实现人类、仿真、真机三类异构数据互通复用，重构行业“有效数据优先于数据增量”的研发范式。

戴盟机器人Daimon-Infinity数据集采用通用标准化格式，支持跨机器人本体适配，让单份数据可复用、可迁移，大幅提升数据利用效率。

标准化的推进，彻底改变了企业各自为战、数据重复采集的低效局面。

分布式、无本体社会化采集，打开真实场景数据增量空间。传统封闭式数采模式产能有限，而轻量化穿戴设备的普及，让规模化社会化采集成为可能。

戴盟外发式采集网络覆盖十余行业、上百类真实场景，实现百万小时级年产能力。穹彻智能无本体采集方案降低采集门槛，让普通用户参与家庭场景数据生产。

京东、博登智能依托自有商业、工业场景，实现“作业即采集、落地即迭代”，在不影响产业运营的前提下，持续积累高价值真实场景数据，有效破解场景准入难题。

全链路数据闭环，构建可持续迭代的数据飞轮。数据采集并非单一环节，只有打通“采集-标注-训练-部署-回流”全链路，才能实现数据自我增值。

节卡机器人依托三万台落地机器人，在工业产线持续采集真实交互数据，形成“落地越多、数据越足、模型越强”的正向循环。

纬钛机器人搭建“感知-执行-学习”三层硬件体系，实现触觉数据从采集、应用到学习的全链路闭环。零次方、博登智能打造采训推一体化平台，让数据从生产到落地形成完整闭环，彻底激活数据长期价值。

从方案百出到数据够用，还需翻越三座大山

当前行业技术路线已趋于完整，破局路径清晰可见，但距离“数据够用、模型可用、产业可落地”，仍需翻越三座核心大山，短期难以实现规模化突破。

第一座大山是全行业统一标准与生态共建。目前具身数据领域仍处于碎片化状态，采集规范、模态定义、标注体系、评测标准尚未统一，数据无法跨企业、跨设备、跨场景流通复用。单一企业的产能终究有限，只有全行业共建共享，才能快速填平千万小时级数据缺口。尽管头部企业已启动国际、行业标准建设，但覆盖范围有限、落地进度缓慢，数据确权、利益分配、开源共享等生态机制仍处于空白阶段，是制约行业提速的核心制度壁垒。

第二座大山是数据成本与规模化临界点突破。当前高质量多模态物理交互数据成本依旧偏高，无法支撑亿小时级积累。虽然仿真、自动化标注、分布式采集持续降本，但真实场景高精度触觉、力觉、失败案例数据，依旧存在采集难、成本高的问题。行业普遍预判，2026至2027年有望突破千万小时数据门槛，实现基础泛化能力，但距离通用具身智能所需的亿小时级有效数据，仍需3至5年持续迭代，成本拐点尚未真正到来。

第三座大山是从“数据增量”到“数据提质”的跃迁。当下行业仍处于“堆数据量”的初级阶段，大量数据存在同质化、低价值、无差异化问题。未来产业竞争的核心，不再是采集速度与数据体量，而是数据质量、场景多样性、模态完整性与长尾数据覆盖率。企业需要从单纯的硬件采集，升级为数据治理、筛选、估值、迭代的全能力体系，精准挖掘高价值数据，淘汰无效冗余数据，真正实现数据驱动模型能力跃迁。这也是当前绝大多数企业尚未突破的能力短板。

结语

数据缺口是巨大的，但缺口巨大不等于无法填补。大语言模型用十年完成了从“不可用”到“ChatGPT”的跨越，具身智能的数据基础设施也在以肉眼可见的速度进化。

这场竞赛的终局，将由谁能构建起最高效、最可持续的数据飞轮来决定。真实场景产生数据，数据训练模型，模型部署回真实场景，场景再产生新数据——这个循环转得越快、越稳，离“够用”就越近。

WAIC 2026告诉我们的，不是答案本身，而是所有人在用不同方式回答同一个问题。答案何时揭晓？也许就在明年，也许还需三五年。但方向已清晰，脚步已迈出。

模型决定起点，数据定义终局。这场关于“够用”的追问，终将在数据飞轮的加速旋转中得到回答。而我们，正在见证这个回答被书写的过程。