联合发布《2026具身智能数据产业链和新基础设施报告》｜云启 X WRC

从工厂、田间到生活的各个角落，“数采大军”正在全球快速壮大，更多设备、更多人、更多小时，就能突破数据瓶颈了吗？

一大批世界模型快速涌现，具身智能的“GPT时刻”真的近了吗？

2026年8月21日，在世界机器人大会（WRC）论坛现场，火星加速器、云启资本、无限基金SEE Fund联合发布**《2026具身智能数据产业链与新基础设施研究报告》**，并分享了对于具身数据产业下一阶段演进的核心判断：

具身数据竞争正在从“拼数量”到“拼有效性”；从拼本体、拼模型等单点较量，转向数据飞轮驱动的全链路系统工程。世界模型、数据治理、评测与部署等新基础设施，正在推动行业从手工作坊走向“经验工厂”。

以下是报告核心内容梳理：

PART 1

行业为什么需要数据基础设施？

云启研报：工业场景下的具身智能

过去十余年，AI的主流发展路径主要依赖“大规模静态数据和离线预训练”，输出形态以文本、图像、代码等离散化数字形式为主。而具身智能的出现，标志着AI产业进入范式变革阶段：系统的输出从token变成action，训练对象从文本转向“感知—动作—反馈”的时序闭环。

报告指出，Digital AI与Physical AI存在七个关键差异：

维度	大语言模型/数字AI	具身智能/物理AI
训练数据	互联网文本、代码、图像等离线语料	真实/仿真物理世界中的多模态时序数据
输出形式	离散token	连续action/轨迹/策略参数
学习方式	以离线预训练为主	离线预训练+真机微调+部署回流的持续迭代
核心评测	文本理解、生成质量、推理正确率	任务成功率、鲁棒性、恢复能力、安全性、人工接管率
价值闭环	模型输出可直接交付	必须经机器人系统和真实场景验收
错误成本	内容质量、合规与决策风险	接触失败、停机、资产损失与人身安全

具身智能不是大语言模型的简单延伸，而是从Digital AI向Physical AI的跃迁。**Digital AI可以只对token负责，而Physical AI必须对动作结果负责。**这也意味着，仅从模型技术叙事出发，容易低估产业落地的系统性挑战。

系统竞争取代单点模型竞争

报告的核心判断之一是：具身智能真正的竞争核心，正在从“一个模型”变为“一个可持续交付系统”。技术与商业化的核心差距，体现在四大层级：

• 第一层：模型能力——能否理解任务并产生有效策略
• 第二层：数据供给能力——数据是否合格、可复现、可复用
• 第三层：预测评估能力——能否预测后果并高频筛选
• 第四层：部署回流的工程落地能力——能否快速发现、归因和关闭问题

缺少第四层系统闭环能力，技术只能停留在效果优化的演示demo阶段；唯有补齐工程整合与场景回流能力，才能构建起不可替代的产业级核心壁垒。

PART 2

什么是真正有效的数据？

数据并非越多越好

行业目前不存在共识的“通用具身模型最低小时数”。不同研究使用小时、轨迹、片段、任务、本体和token等不同单位；同一小时的信息密度、动作覆盖、失败比例和传感器模态也可能相差数倍。

报告指出，数据的缺口不单来自于数量，更大的痛点来自于数据质量：

**痛点一：真实数据贵、慢、碎。**单台设备产生1万小时训练数据需消耗上百万元，总体采集成本是普通数据的10倍以上。

**痛点二：结构性不可用。**任务定义缺失、多模态时序错位、动作空间不一致、失败原因缺失、元数据不全……这些采集断点会让采集时长在进入训练与评测前大量折损。解决这些问题，往往比新增同等小时数更能提升训练和交付效率。

“可用数据”的七大能力

报告提出，真正稀缺的是“可用数据”——可检索、可对齐、可压缩/加载、可复现、可评测、可跨本体复用、权利与血缘可追溯的数据，才能转化为模型能力。这意味着，行业正在从“累计时长”的评价维度，转向更有解释力的新框架：

指标	定义
Data-to-Action Efficiency	单位新增合格数据带来的任务增益
Data Reuse Efficiency	同一数据跨任务/场景/本体的复用能力
Simulation Amplification Ratio	仿真/世界模型减少真机消耗的能力
Deployment Feedback Loop Velocity	从发现失败到更新上线的速度

未来领先企业，不一定拥有最多数据，而是拥有最高的数据价值转化效率。

PART 3

数据飞轮如何形成？

数据生命周期的五个环节

报告将具身智能数据生命周期定义为一个循环闭环：数据生产→数据治理→生成与仿真→数据消费→部署回流。数据不再是单次交易的静态交付物，而是贯穿产业全链路、持续迭代的动态生产要素。

当前行业正从各环节松散耦合的割裂模式，加速迈向协议级垂直整合的一体化形态。头部整机与模型企业普遍重视自有数据和部署反馈，但“全部自建”并不经济——更可能的格局是：高价值私域数据、关键评测和回流留在企业内部，通用采集硬件、治理工具、仿真与标准化测试由专业供应商和公共平台提供。

部署回流：最具边际价值的数据源

部署回流是具身智能实现持续进化的核心机制。不同于传统AI“训练完成即定型”，具身智能模型需要“部署-采集-优化-再部署”的持续迭代。

特别值得关注的是：**当模型执行成功率接近99%时，剩余1%的失败样本（极端场景、未适配场景）成为数据回流的核心来源。**这些失败样本暴露了当前版本的能力边界，具有高边际价值。

PART 4

世界模型如何重构具身数据产业链？

世界模型不是单一模型，而是一套基础能力

报告将面向具身智能的世界模型拆成三类相互连接的基础能力：

能力类别	核心问题	主要价值
世界表征模型	世界是什么	统一多模态状态，支持复用与记忆
世界预测模型	世界如何变化	生成候选未来，支持仿真、规划和评估
世界动作模型	如何改变世界	预测—选择—行动一体化

多数VLA的链路是“看到→行动”，不显式要求模型预测候选行动对未来世界的影响；而世界模型让机器人从“响应环境”走向“预测环境”，从对单步动作的模仿走向对动作后果的建模。它不意味着VLA消失，而是为策略提供前置推演、后置验证和训练辅助信号。

中国厂商的集中爆发

2026年7月，中国厂商迎来集中发布的窗口期，至少六个项目同时开源：蚂蚁灵波LingBot-World 2.0、高德ABot-World系列、腾讯Robotics X与混元团队的Hy-Embodied系列、自变量机器人WALL系列、极佳视界联合清华的GigaWorld-1、星尘智能Lumo-2等。路线活跃，涵盖像素/视频表征、潜在空间预测、世界-动作融合等多种方向。

但报告也提出明确警示：**世界模型的价值必须接受真实任务验收。**它可以生成经验、预测后果和筛选策略，但只有在未参与训练的真实测试集上降低失败、接管或测试成本时，放大才具有产业意义。

仿真和世界模型是放大器，不是替代品

报告明确提出：仿真和世界模型会放大真实数据的训练与验证价值，但不能替代真实数据。真实数据依然是校准物理规律、验证泛化能力和闭合部署飞轮的基准。生成规模只有在真实独立测试上降低失败、接管或测试成本时，才具有产业意义。

PART 5

未来市场和产业结构将会怎样？

2026是"规模化探索拐点年"

报告判断，2026 年更适合被定义为"规模化探索拐点年"，全面规模化部署尚未到来。工业、物流、商超、酒店等半结构化、容错率高的场景将先跑通，家庭场景仍受安全、成本、长尾任务与合规约束。

从市场规模看，预计 2026 年全球具身智能整体市场规模为 65 亿美元，到2033 年将增至 676 亿美元，复合年增长率达 39.7%。其中，软件与生态市场占比约 48.8%，具身智能数据产业链在软件生态中占据约 62% 的份额——百亿级（人民币）蓝海市场。

中国正在形成新一代具身数据基础设施供给群

中国市场最值得关注的变化，不是单一公司又采了多少小时数据，而是数据能力正在从模型/整机公司的内部能力，逐步裂变成专业化供给网络。报告识别出四类供给主体：

• 数据原生型企业：聚焦硬件与数据产线（如简智、觅蜂、鹿明）
• 平台型玩家：提供全链路基础设施（如智元、京东）
• 模型/整机公司：自建数据工厂并向生态外溢能力（如破壳、穹彻）
• 世界模型公司：为行业提供基础设施和平台能力（如飞捷科思、无问智科）

同时，中国利用其独特的体制与产业集群优势，走出了一条"政府引导+新基建先行"的道路，形成了"数采场"集群。全国已出现数十个具身智能数据采集或训练中心，主流建设模式呈现"政府出资建设+政企合资公司运营+企业优先回收数据"的格局。

从"能不能做出来"到"能不能稳定交付"

报告最后指出，当模型真的进入工位、产线、仓内流程或家庭场景之后，行业的价值中心会从"能不能做出来"转向"能不能稳定交付"。具身智能的发展关键，正在从单点模型能力转向系统交付能力。

谁能持续把真实世界变成可验证的经验，谁就掌握了新基础设施。

领取完整版报告方式

关注公众号，回复**"具身智能报告"**，

即可领取报告完整版PDF。