
具身智能行业最近出现了一个反常识现象:最先进的公司,正在做最笨重的事。
特斯拉把工厂产线变成 Optimus 的训练场,Figure AI 在全球采集人类动作数据;国内北京、上海、深圳、苏州、青岛、济南等地,也在密集建设具身智能训练场。地方政府、科研机构、机器人企业几乎同时入局,规模从几千平米到上万平米不等。
这不是行业突然迷恋重资产,而是具身智能走到今天,终于碰到了一个绕不过去的问题:机器人缺的不是演示视频,而是真实世界里的训练数据。
过去两三年,行业最热衷讨论的是大模型、VLA、端到端、本体成本和量产时间表。但当机器人真正要从发布会走进工厂、仓库、商超和家庭,问题反而变得很朴素:它能不能稳定抓起一个箱子?能不能在光线变化、地面打滑、物体摆歪的情况下继续完成任务?能不能把一次失败变成下一次进步?
这背后的答案,不在 PPT 里,而在训练场里。
训练场不是终局,也不是万能解法。但它是具身智能从“做样机”走向“做系统”的开始。谁能更快、更便宜、更稳定地生产高质量真机数据,谁才更接近产业化。
一、具身智能真正缺的不是模型,而是能反复生产数据的系统
具身智能行业过去一直有一个误区:只要模型足够大、算法足够强,机器人自然就会变聪明。
但机器人和大语言模型不一样。大语言模型主要在文本世界里学习,机器人必须在物理世界里摔打。互联网数据可以告诉模型杯子是什么、门把手是什么、纸箱是什么,却很难告诉机器人,杯子拿起来需要多大力度,门把手转动时会产生多少阻力,纸箱搬运时重心会怎样变化。
这就是具身智能的数据困境。
它不是简单缺数据,而是缺真实物理交互数据。抓取、搬运、拧螺丝、开门、避障,这些任务都涉及接触、摩擦、碰撞、材料形变、传感器误差和执行偏差。机器人最终不是在屏幕里完成任务,而是在真实世界里和物体发生关系。
所以具身智能的数据,大致可以分成三层。
最底层是互联网文本和视频数据,量大、便宜,适合让模型获得基础语义理解。中间层是仿真数据,可以在虚拟环境中大规模生成,适合做冷启动训练。最顶层是真机数据,也就是机器人在真实场景里执行任务时产生的数据。它最贵、最慢、最难采,但也最关键。
训练场的价值,就在于持续生产这类真机数据。
这件事听起来不性感,甚至有点笨。但它决定了机器人能不能从“看起来会干活”,变成“真的能干活”。
一个很简单的类比是,人不能只靠看游泳视频学会游泳,机器人也不能只靠仿真数据学会进入工厂。它必须在真实环境里摔倒、纠错、调整,再把这些失败变成下一轮模型训练的燃料。
这也是为什么全球头部玩家都开始做训练场。它们不是不知道仿真效率高,而是更清楚:机器人最终要面对的不是一个干净的虚拟环境,而是一个混乱、粗糙、充满误差的真实世界。
真正的竞争,已经从“谁能做出机器人”,转向“谁能持续让机器人进步”。
而进步的基础,是数据闭环。
二、训练场不是摆几个机器人,而是机器人时代的数据基础设施
国内现在的具身智能训练场,已经不只是企业自建实验室。
从北京、上海、深圳,到苏州、青岛、济南,各地都在把训练场当作新一轮产业基础设施来建设。国家队更多是在“修考场”,负责制定标准、测试体系和行业基准;地方国资是在“铺路”,通过训练场吸引机器人产业链落地;企业是在“种地”,自己搭场景、采数据、训模型;高校和科研机构则是在“发课本”,解决人才培养和数据孤岛问题。
这套分工背后,其实是一个很清晰的产业逻辑:国家队定规矩,地方建生态,企业产数据,高校养人才。
训练场之所以重要,是因为它可能成为机器人时代的数据中心。
云计算出现之前,互联网公司想做业务,往往要自己买服务器、建机房、配运维团队。门槛高、周期长,中小团队很难参与竞争。后来 AWS、阿里云、微软 Azure 把算力变成服务,开发者可以按需调用,才真正推动了移动互联网和软件创业的爆发。
具身智能训练场,也有类似价值。
未来一个机器人团队,未必需要从零搭建所有真实场景,也未必需要独立采集全部动作数据,而是可以基于公共训练场、开源数据集和标准化测试体系,快速验证模型能力。
这会降低行业门槛,也会改变竞争方式。
过去机器人企业拼的是谁能把整机做出来,谁能把成本打下来,谁能在发布会上做出更流畅的演示。未来更重要的,可能是谁有更稳定的数据来源、更完整的数据管线、更强的模型回流能力。
但这里也必须冷静一点:不是所有训练场都有价值。
训练场不是摆几台机器人、搭几个货架、放几条传送带,就自动变成产业基础设施。很多地方如果只是为了招商、展示和项目包装,训练场很容易变成“高级样板间”,看上去热闹,实际上产不出多少有效数据。
真正有价值的训练场,至少要满足三个条件。
第一,场景足够真实。它不能只模拟理想状态,而要覆盖真实工厂、仓库、商超、家庭环境里的混乱细节。
第二,数据能进入模型闭环。采集数据只是第一步,后面还要清洗、标注、对齐、训练、验证、回流。如果没有后端模型能力,训练场只是“数据堆场”。
第三,要有真实客户场景牵引。机器人最终不是在训练场里打工,而是在产业现场创造价值。训练场如果脱离订单和应用需求,就容易变成地方新基建冲动。
所以训练场真正要比的,不是面积多大,也不是机器人数量多少,而是能不能把真实世界的复杂性,转化成可训练、可复用、可迭代的数据资产。
这是它和普通展示中心最大的区别。
三、下一阶段的胜负,不在谁讲故事更快,而在谁的数据复利更厚
现在行业里关于数据路线有很多争论。
有人认为,具身智能不能完全依赖真实采集。真机数据成本太高、周期太长,未来具身大模型需要的数据量极其庞大,全部靠真实采集既不现实,也不可持续。所以更合理的路线,是用仿真数据和合成数据做基本盘,再用少量高质量真实数据做校准。
也有人认为,仿真可以辅助,但不能成为底座。因为机器人最终要进入真实世界,而真实世界里的接触、摩擦、光照、遮挡、噪声和意外情况,很难被仿真完全还原。如果过度依赖仿真,机器人可能会在虚拟环境里表现很好,一进真实场景就掉链子。
表面上看,这是路线之争。
但本质上,它们都说明了一件事:行业太缺高质量数据了。
真正的矛盾不是仿真有没有用,也不是真机是不是万能,而是什么数据真正有效。低质量真实数据不一定有价值,高质量仿真数据也不是没有用。未来更可能出现的路线,是仿真数据负责扩大规模,真实数据负责校准模型。机器人先在虚拟环境里完成大规模训练,再回到真实世界中对齐、纠错、泛化。
但无论哪条路线,真机数据都绕不过去。
因为机器人不是纯软件。它每一个动作都要经过硬件执行,每一次执行都会遇到物理世界的不确定性。手臂抓取是否稳定,步态是否平衡,传感器是否被遮挡,末端执行器是否产生误差,这些问题只有真机运行才能暴露。
训练场不是仿真的替代品,而是真实世界的校准器。
它最大的价值,不是一次性生产多少数据,而是持续把模型拉回现实世界。
这也是为什么乐聚、智元、银河通用、星海图等企业对数据的理解不同,但都在证明同一个趋势:具身智能已经进入数据短缺阶段。有人押注仿真,有人押注真机,有人尝试开源数据社区,有人希望通过真实部署形成闭环。路线不同,方向一致——大家都在找可持续的数据生产方式。
以乐聚为例,它在多地建设机器人训练场,本质上做的是具身智能行业的基础农活:搭建真实 POC 场景,让机器人在物流、搬运、工业等场景里反复执行任务,采集多模态真机数据,再反哺模型训练。
这件事不如大模型发布会性感,但很接近产业本质。
早期云计算公司建数据中心,自动驾驶公司搭路测车队,AI 数据公司做标注平台,本质上都是在做同一类事情:先把行业需要的“粮食”生产出来。
具身智能现在也是如此。
模型再先进,手里没粮,机器人就无法真正长大。
更重要的是,数据资产是时间的函数。今天采集的数据,不只是今天可用,它会沉淀为模型能力、场景经验、测试标准和工程壁垒。越早开始积累,越容易形成复利。等行业真正进入规模化应用阶段,再回头补数据,成本会更高,差距也更难追。
所以今天看似笨重的训练场,可能就是未来具身智能行业最关键的护城河。
具身智能表面上还在卷机器人本体、卷大模型、卷发布会演示,但真正的竞争已经悄悄换了战场。
谁能生产更多有效数据,谁就更接近真实世界。
谁更接近真实世界,谁才更有可能把机器人从视频里的科技秀,变成工厂、仓库、家庭里的真正劳动力。
训练场不是终局,但它是门票。
这场竞争表面上是机器人之争,底层其实是数据之争。而训练场,就是这场战争最早被看见的基础设施。
道正网提示:文章来自网络,不代表本站观点。