❶ 核心结论
1. 数据驱动范式换轨：从"机器人数据驱动"转向"人类行为数据驱动"，无本体第一人称（ego-centric）数据的战略价值凸显，采集成本可降至真机遥操作的 1/3–1/2（部分方案可到 1/5）。
2. 模型架构定型为分层混合：VLA 负责动作生成（当"小脑"），世界模型负责物理因果预测与风险校验，Transformer 凭 Token 化统一接口 + 强化学习验证 + 长序列建模形成生态锁定。
3. 数据需求量级跳升：2026 年 6 月真机数据累计约 100 万小时，年底预计 300 万小时；头部厂商年采集目标 100 万小时；2027 年行业总需求达千万小时，市场空间 30–40 亿元。
4. 仿真与真机是分工而非替代：仿真占总数据量 70–80%（预训练、补 corner case），真机/无本体仅占数量少数但价值量占 70–80%（对齐微调）。纯仿真无法闭环——英伟达 GR00T N-1 训练数据 80% 来自开源真机数据集。
5. 壁垒不在设备、不在人力：依次是场景入口 > 数据标准定义权 > 数据处理工艺 > 采集设备（约半年可被追平）> 采集能力。国内能承接 10 万小时以上订单并保证质量的公司不超过 5 家。❷ 模型端：VLA 与世界模型的分工逻辑
标准训练流程：互联网视频/第一人称数据预训练（学物理常识）→ 无本体演示数据模仿学习（VLA 监督微调）→ 仿真强化学习与闭环测试 → 真机部署后接管与失败案例回流做后训练（post-training）。典型如 Gok-1 的 VRM-LA 架构：VRM 负责理解，Let-Planer 用互联网视频学潜在动作，Action-Diffuser 生成具体动作。
世界模型补的是 VLA 的"伪物理"短板：VLA 能识别物体但无法精确预测物理交互后果（推杯子会不会掉、拧瓶盖要多大力量），误差会累积且恢复能力弱；世界模型以力为因、状态转移为果，通过无标注视频的下一帧/下一状态预测学习因果，无需动作标注，成本更低。代表：NVIDIA 的 COMIR、Google DeepMind 的 EV0、宇树科技的 UWDA。
原生多模态路线的三点差异：① 从"图像指令→单步动作映射"升级为带记忆、主体性、主动交互的"连续动作流"；② 世界模型预测能力内化进表征，而非外挂模块；③ 数据来源从机器人演示扩展到所有人类行为视频。
数据层面融合是必然：预测表征融入 VLA 主干被视为最快落地路径；开普勒 WM-1 训练数据含 2.7 万小时遥操作、UMI、第一人称与室外轨迹，证明同一批多模态数据可同时训练策略模型与世界模型。趋势是"一次采集、多种输出"，全模态（视觉/深度/触觉/轨迹同步）价值凸显。
大模型公司的分层需求：高层大模型与世界模型要"多样性+语义丰富"，标注精度要求低；部署在本体的 VLA 要高精度执行数据（动作标签准确、与本体一致、接触物理描述精确）。前者决定模型多聪明，后者决定能不能干活。❸ 数据供给：三类数据的效率、价格与配比
数据类型
效率
价格（元/小时）
主要短板
真机遥操作
1 名采集员 8 小时仅产出约 1 小时有效数据
500–1,000（工业级动捕 1,000+）
成本高、场景多为"摄影棚"、与真实世界存在分布偏移
无本体 ego-centric
8 小时工作可产出 5–6 小时有效数据，效率提升一个量级
200–400（头部报价 300–400）
缺精确动作标签与力觉，需高质量微调数据兜底
仿真合成
量产、成本最低
50–60
摸、形变、碰撞等接触物理细节不足，Sim-to-Real 鸿沟
配比经验：仿真占总量 70–80% 用于预训练/预测，真机与无本体用于对齐微调，价值量占 70–80%。即便是仿真见长的银河通用也在补真机数据。
设备定制化成常态：采集端须与执行端物理特性一致（传感器布局、自由度、视角），否则数据映射损耗高。帕西尼把 PS-Cap 手套与自家灵巧手做 1:1 物理参数对齐，实现"采集即部署"。行业从"标准化中间层"转向"统一 schema + 定制工具链"，把定制成本从数据侧移到软件侧。
设备五指标：同步精度（毫秒级）、模态丰富度与精度（力觉/触觉达 0.1N）、轨迹复现精度（编码器 ±0.15°、外部定位误差 <5mm）、佩戴无感性（300–650g）、产出直通率。
成本结构：采集人员薪酬及管理 40–50%、数据处理与标注 20–30%、设备折旧 10–20%、场景授权与场地 10–15%。规模化后标准品价格预计收敛至 150–200 元/小时，毛利率向软件靠拢。❹ 产业链结构、壁垒与交付能力
四层结构：采集层（众包网络，人力密集）→ 设备层（敏峰 E60、帕西尼手套、鹿鸣 Fast-UMI、Flexiv Rebico）→ 处理层（清洗、标注、对齐、仿真、增强，如光年智能、星侍数据）→ 应用层（本体公司、世界模型团队、产业应用方）。
三大痛点：① 标准缺失，格式不统一导致无法跨平台交易（国家数据标委会与信通院牵头制定中）；② 缺公开 benchmark，买家难验证质量，"上架不等于成交"；③ 合规与隐私框架滞后（人脸、声纹等敏感信息处理成本侵蚀毛利）。
交付瓶颈：10 万小时采集约需 2.5 万工时（100 人做 2–3 个月）；处理与采集时长比 1:1–1:3，100 人采集需配 100–300 人处理，自动化率不足是硬约束。
格局判断：不会一家独大，走向"平台 + 场景厂商"两级生态——平台定标准、做处理与交易市场；场景厂商拿授权、产数据。类似自动驾驶的"标注平台 + 场景车队"。
商业模式四种拿数方式：订单化数据（销售合同中约定部署后回流）、收益分成（与场景方分数据收益）、以安全换数据（边缘脱敏 + 联邦学习，仅回传脱敏调度特征）、内部员工采集（规避外部人员进场合规问题）。❺ 需求拐点与场景经济学
拐点口径：行业（中美）普遍认为 1,000 万小时有效真实数据是门槛，达到大概率促成"涌现"，但不保证；2027 年真实数据需求将达每年 1,200 万小时、至少 1,500 万条以上。类比 ChatGPT 3.5 的拐点预计在 2027 年至 2028 年上半年。
分场景数据量：单一场景可商用模型起量门槛百万小时；跨工厂迁移微调需几千到几万小时；通用大模型至少 1,000 万小时。两种说法不矛盾——分别对应预训练与现场微调。
已部署场景为何还要持续采数：分布偏移（材质、尺寸、光照、传送带速度变化即掉点）+ 成功率从 90% 到 99% 所需数据量呈指数级增长。
ROI 现状：只有工厂上下料与搬运有明确回报，回收期 1–2 年；其他场景现阶段主要为模型迭代与数据积累。物流分拣是下一个突破口（VLM 成熟后可外溢到拧螺丝），2027 年上半年技术突破、下半年开卖。
2027–2028 三个转折点：灵巧手成本降至十万级（宇树 H1 基础版已 98,000 元起）、视觉传感器从万元级降至百元级（基础款已达 200 元）、3C 与汽车产线开始要求五指手操作（带动手套耗材先放量）。❻ 厂商经营
出货与收入：2026 年预计出货 4 万台（全球第一），收入突破 40 亿元但仍亏损；2027 年目标 8–10 万台、收入 80–100 亿元、接近盈亏平衡。当前估值约 500–600 亿元（上一轮 300 多亿）。
产品结构：2026 年远征人形占 60%（约 2.4 万台，主力 A2/V3），其余 40% 为轮式；2027 年远征占比提至 70%，8 万台总目标中约 5 万台为人形，工业场景约 3 万台。
海外：2026 年海外销售额占比十几个百分点，2027 年目标 30%（含实体销售与擎天柱平台租赁）；场景结构目标为工业 40%、商业展演 30%、企业服务 20%、其他 10%。
客户：已落地龙旗科技、3C 制造、比亚迪、宁德时代等；比亚迪单厂已部署数百台，2027 年向其他工厂推广，客户复购与新增采购增速约 50%。
硬件成本：行业平均 BOM 约 4 万多元（人形整机 7–8 万元，小型机器人 1–2 万元），三年目标降至 1 万元；核心瓶颈在触觉与视觉传感器。
竞争五派：真机部署派（该公司 + 宇树）、人因工程无本体派（帕西尼，触觉传感器全球份额领先、单价降至 199 元起、正寻求 IPO）、无本体 UMI/UX 派（鹿鸣，Fast-UMI 把人力成本降至 1/5）、众包派（Egoo、Body Vibe、Meta、Sita）、仿真合成派（光轮智能 + 英伟达自用）。❼ 产业链相关公司梳理
完整调研报告及更多产业投研资料（产业进展、供需动态、订单变化等），都会发布至ima知识库中。我们致力于长期跟踪主流产业的动态进展和重要信息，持续输出产业价值投资的方法、框架体系和深度研究，欢迎关注~~~
ima是腾讯旗下的AI知识库平台，支持混元、DeepSeek等多款大模型，具有极强的信息数据调用检索及问答能力，是投研工作最强的第二大脑。
调研圈新开，欢迎限时免费入驻，邀请链接：产业调研圈（调研纪要）https://ima.qq.com/wiki/?shareId=f68b7400ea5b6ec66d478e37e43fdfe39b727497e3e86c1a029b61eb94d86b36&inviteCode=bd6b5ebcff3570f583084cb25483446c
本文源自市场公开数据资料整理而成，仅供学习交流，不构成任何投资建议。股市有风险，投资需谨慎。
OCR:IMG:AI图片