具身智能正在从“硬件先行”转向“数据驱动”。机器人本体、机械臂、传感器和执行器已具备一定基础，模型能否继续进步，可能取决于来自真实世界的数据。
模型路线可以不同，但都绕不开真实数据
当前具身模型，主要沿着VLA和世界模型两条路线发展。
VLA即视觉—语言—动作模型，把机器人看到的画面和收到的指令直接转成动作；世界模型则尝试学习物理规律，预测一个动作发生后，环境和物体会出现什么变化。
两条路线的重点不同，但都需要数据。
VLA要学习视觉、语言与动作之间的对应关系，世界模型要理解空间、碰撞、摩擦和物体状态。模型越向通用能力发展，需要覆盖的物体、任务和环境越多，对数据的需求也越大。
大模型公司进入机器人领域，可能加快模型架构和硬件路线收敛，也会放大数据需求。目前部分大模型公司正积极招聘机器人数据采集岗，并采购真实世界数据。
现在的方向也已经比较清晰：机器人大脑不只依靠互联网数据，还要从零积累能够描述物理动作的数据。
（图片由AI生成）
这类数据比文本复杂得多。视频可以看到一个人拿起杯子，却不知道手移动了多少厘米、关节转了多少角度、用了多大力。
机器人还要面对杯子重量、表面材质和湿度的变化。同一个动作换到不同本体上，也会受到机器人身高、关节数量、电机和传动结构影响。
所以，真实数据的价值不只是“更接近现实”，而是把感知、动作和结果连在一起。机器人成功完成任务的数据可以作为示范，失败数据则能告诉模型错误发生在哪里。
模型进入现场后，一边工作、一边记录，再用数据进行后训练，才可能形成能力不断提升的闭环。
四类数据组成具身智能的数据金字塔当前机器人数据大致来自四个方向，分别是互联网数据、第一人称数据、仿真数据和真机数据。它们不是互相替代，而是用于模型训练的不同阶段。互联网数据规模最大，主要帮助模型学习物理常识、视觉和语言的泛化能力，以及长序列推理。它能让机器人认识物体、理解指令，却很难直接提供精确动作。第一人称数据又分为Ego和UMI两类。Ego通常由人佩戴摄像头，在正常工作中记录第一视角和动作轨迹；UMI则在手部增加夹具和视觉设备，并可搭配IMU、力矩或触觉传感器。两者都能脱离机器人本体采集，成本低于真机数据，适合扩大预训练规模。仿真数据通过软件平台和物理引擎生成，不需要大量人员和机器人，可以快速改变场景、物体和物理参数。英伟达Isaac Sim、Omniverse是常见平台，国内也有索辰科技等企业布局物理仿真与合成数据。
仿真的问题是“Sim-to-Real”差距。
虚拟环境很难完整还原流体、软物体形变、摩擦和光线变化，模型在仿真环境中表现良好，进入真实工厂后可能失效。因此，不少早期偏仿真路线的公司，也开始增加第一人称和真机数据。
真机数据包括人工遥操作、主从机械臂、动作捕捉，以及机器人自主运行产生的数据。它采集最慢、成本最高，却最接近实际本体，也是当前数据金字塔的顶部。
Physical Intelligence等企业偏向大规模真机遥操作，银河通用的仿真数据占比相对更高，英伟达则更强调仿真平台。多数公司采取混合路线，一部分外采，一部分自建采集场。
数据市场大于采集设备，但测算仍有较大弹性
数据采集不是简单购买几套设备，还包括人员、机器人折旧、场地、任务设计、清洗标注和质量管理。真实工作时长与有效数据时长之间还存在明显损耗，两到三个小时原始数据可能只能形成一个小时有效数据。
目前测算，数据服务的价值量，可能高于本体和第一人称采集设备。设备是采集工具，数据经过任务设计、清洗、对齐和质量评估后，才成为模型可以使用的训练资产。
到2030年前后，真实世界数据需求可能会达到10亿小时，真机和第一人称数据各占一半，并假设长期单价下降至每小时500元和100元，对应数据市场可能会超过千亿。
产业链从卖设备，延伸到生产和运营数据
行业的产业链上游，是“卖铲子”的硬件和软件，包括机器人本体、机械臂、Ego头戴设备、UMI夹具、触觉手套、光学动捕、摄像头、深度相机、IMU和仿真平台。
优必选、宇树科技、乐聚等本体厂商既提供设备，也参与数据采集；奥比中光、奥普特覆盖三维视觉，华依科技涉及IMU。
索辰科技依托CAE和多物理场求解能力，向物理合成数据延伸；凡拓数创的三维场景资产和空间建模能力，可以用于构建虚拟训练环境。
中游是数据生产与服务，包括第三方数据公司、数据采集工厂和各地机器人创新中心。第三方平台要完成任务设计、设备部署、采集管理、清洗标注、时空对齐和质量评估。海天瑞声、光轮智能等属于这一环节。
这个环节的壁垒不只是拥有多少设备，而是能否制定采集标准，以更低成本稳定交付客户需要的数据。
各地训练场和创新中心属于另一类参与者。它们可以集中采购机器人，建设标准场景，服务本地企业，也能为当地机器人应用积累数据。不过，这类模式资产较重，利用率、订单持续性和数据能否跨客户复用，仍需继续验证。
下游包括基础模型公司、机器人本体厂商和具体场景客户。模型公司不可能完全依赖外购数据，通常会保留自己的专有采集场，一部分自己生产，一部分向第三方采购。
本体厂商也会在客户现场采集数据，用于适配自己的硬件和控制系统。因此，行业上下游边界暂时比较模糊，硬件公司、数据平台和模型厂商都在向数据环节延伸。
下一阶段比拼的不是时长，而是有效数据
具身智能的数据需求会增长，但行业不会长期停留在“谁采得多”这一层。
大量重复、缺少物理量、没有失败案例的数据，对模型帮助有限。真正稀缺的是覆盖不同任务和环境，并且完成视觉、动作、力矩与结果对齐的高质量数据。
未来数据结构也会变化。模型预训练可以更多使用互联网、第一人称和仿真数据；进入后训练和商业化阶段后，真机自主运行数据的占比可能上升。部署的机器人越多，企业越容易形成“本体销售—场景运行—数据回流—模型升级”的飞轮。
数据标准和国产仿真平台同样重要。不同本体、传感器和控制系统的数据格式并不统一，数据难以直接迁移。谁能建立跨设备的数据标准，降低清洗和对齐成本，谁就更容易成为连接模型与本体的平台。
涉及敏感工业数据时，客户也更倾向使用本地部署和国产工具，这为国内物理仿真、数据管理和训练平台留下了空间。
未来具身智能的核心瓶颈，正在从单纯的硬件能力转向数据闭环。设备决定机器人能不能动，数据决定它能不能越干越好。
模型架构仍会迭代，数据需求的最终规模也没有定论，但真实世界数据从无到有的积累已经开始，这会成为机器人产业走向规模化必须补上的一层基础设施。
OCR:IMG:机器人训练数据的四大来源 多源数据互补，驱动机器人智能进化 FOUR MAJOR SOURCES OF ROBOT TRAINING DATA 福 公众号：捷哥的行业宇宙 互联网数据基 基础认知层 规模最大 数据规模 1013+ 提供视觉、语言、 物理常识及推理能力 数据类型 但缺乏精确动作信息 图像/文本/视频 第一人称数据低成本扩展层 Ego记录人类视角与动作 采集成本 低 a UMI增加夹爪轨迹及 传感信息 扩展数率 适合规模化采集 星 高 仿真数据虚拟训练层 虚拟训练层 利用物理引擎生成 场景多样性 10+ 多样化场景 成本可控 单次成本 但存在虚实迁移差距 低 真机数据真实执 真实执行层 O 通过遥操作或 数据质量 自主运行采集 高 成本最高 动作与反馈 采集成本 最贴近实际 高 核心逻辑 多源数据互补 → 6 预训练 技能学习 真实场景优化 泛化与落地 互联网提供知识广度 广度|第一人称提供视角与动作先验|仿真提供场景多样性|真机提供真实闭环反馆 数据决定上限，真实驱动智能 127 构建高质量数据飞轮，推动机器人走向真实世界 公众号：捷哥的行业宇宙
OCR:IMG:高 真机数据 质量 仿真合成数据 获取难度 第一人称数据 低 互联网视频数据
OCR:IMG:上游：硬件和软件 中游：数据生产与服务 下游：应用与客户 数据采集硬件 第三方数据公司 基础模型公司 1 品 提供数据采集、 开发具身智能模型 标注、清洗和评测 提供算法和开发平台 8 等服务 机器人本体 机械臂 Ego头戴设备 机器人本体厂商 数据采集工厂 将模型与硬件结合 在真实或仿真场景中 形成整机产品 规模化采集数据 UMI夹具 触觉手套 光学动捕 传感器与软件 # 州 各地机器人创新中心 · 建设数据平台和训练场 制造业 物流仓储 商业服务 推动行业标准和生态合作 0 # 具体场景客户 摄像头 深度相机 IMU 仿真平台 在制造、 主制造、物流、能源、医疗、商业等领域落地应用
OCR:IMG:机器人数据采集 的成本与价值 2 数据驱动智能，数据资产创造价值 RoboticsData Collection:Cost&Value 公众号：捷哥的行业宇宙 市场规模测算 硬件需求测算 约需 20% 真机数据 2.7万台 真机数据 数据生产与服务 2000万小时 市场规模约 采购额 200 54亿元 40% 40% 第一人称数据 约需 仿真数据 第一人称数据 亿元 4万套 4000万小时 市场规模 4亿元 数据价值来源 远期市场展望 乐观情景下 2030年前后数据市场约 3000 原始数据 任务设计 清洗标注 质量评估 亿元 形成高质量训练资产 2024 2026 2028 2030E 数据服务价值可能 测算高度依赖 高于设备采购 需求增长与单价假设 数据是智能机器人的核心燃料，规模化采集与高质量处理 将成为产业竞争的关键壁垒 公众号：捷哥的行业宇宙
OCR:IMG:具身智能数据产业 核心环节全景图 数据驱动具身智能从感知到决策的闭环进化 EMBODIED INTELLIGENCE DATA INDUSTRY CHAIN 公众号：捷哥的行业宇宙 上游 中游 下游 采集硬件与软件 数据生产与服务 模型训练与应用 机器人本体 机械臂 基础模型公司 Ego头戴设备 UMI夹具 自 任务设计 数据采集 机器人本体厂商 触觉手套 摄像头 IMU 自 清洗标注 ? 时空对齐 质量评估 仿真平台 工业场景客户 X 提供数据采集工具 专业化数据生产与服务 C 模型训练·优化控制·部署应用 产业核心趋势 回 数据标准化 交付成本 场景复用能力 硬件 面 竞争关键 感知与执行 三位一体 深度融合 事 数据标准化 行业规范统一 成本持续下降 跨场景复用率 交付成本 数据 模型 80% ↓30% ↑3倍 采集与处理 决策与智能 场景复用能力 效率提升 成本降低 价值放大 公众号：捷哥的行业宇宙 公众号·捷哥的行业宇宙
OCR:IMG:表：主流数据采集路线 数据采集方式核心原理 主要设备 采集范围 主要优势 主要局限 通过视觉传感器捕捉操作者的 肢体姿态、手势或头部运动， 人体姿态、手势、 视觉遥操 无需穿戴硬件，采 易受环境光照影响 相机、深度相机等 经算法解算后转化为机器人运 头部运动 用非接触式感知 动作采集精度有限 动指令 操作者佩戴外骨骼机械结构 动作复现带宽高、 设备造价高、操作 通过传感器采集关节角度、位 外骨骼机械结构、 关节角度、位置、 外骨骼遥操 保真度高、刚性强 门槛高，难以规模 置与力矩，并映射至机器人对 关节传感器 力矩等 部分系统支持力反 应关节 馈 化应用 通过体感设备采集操作者肢体 兼顾便携性与动作 体感遥操 IMU、柔性传感器、 人体肢体运动与姿 运动信息，解算后驱动机器人 精度，强调自然体 通常不提供力反馈 光学动捕点等 态 完成姿态与动作复刻 感交互 主端仅控制机器人末端执行器 分离末端数据 主要聚焦末端和灵 机器人通过逆运动学与全身控 万向手柄、多指力 手、腕等末端执行 降低操作复杂度， 采集 器数据 巧操作，暂未成为 制，自主生成躯干、手臂等 觉交互器等 提高数据采集效率 全域数据采集主流 余关节运动 操作者通过头显获取机器人第 VR/MR头显、游戏 视觉信息、空间位 混合现实主从 兼顾操作效率、设 一视角信息，通过手持设备输 依赖主从映射与全 遥操 手柄、6DoF控制器 姿、手臂及末端动 备成本与动作采集 入位姿、手指动作和按键指令 等 作 精度 身运动规划算法 驱动机器人完成操作 数据来源：安德鲁人形机器人，东吴证券研究所 23
OCR:IMG:VLA与世界模型的 数据需求解析 VLAxWorldModel:驱动智能机器人进化的核心数据引擎 公众号：捷哥的行业宇宙 核心技术路线 世界模型 VLA模型 学习物理规律 将视觉、语言指令 预测动作对环境的影响 映射为机器人动作 当前状态 动作作用 视觉输入 语言指令 动作输出 物理规律建模 未来状态预测 数据采集难点 数据核心价值 02 F 成功数据 失败数据 0n 视觉数据 动作轨迹 关节角度 作用力 物体状态 一 提供动作示范 帮助识别错误 覆盖不同任务、环境和机器人本体 建立感知、动作与结果的关联 能力进化闭环 真实采集 模型训练 现场执行 数据反馈 持续优化 高质量、全维度数据 TD 数据维度 数据覆盖 B 能力提升 是VLA与世界模型能力跃迁的关键燃料 5+ Nx 核心结论 核心维度 任务/环境/本体 持续进化 公众号：捷哥的行业宇宙 1
OCR:IMG:具身智能数据产业 核心环节全景图 数据驱动具身智能从感知到决策的闭环进化 EMBODIED INTELLIGENCE DATA INDUSTRY CHAIN 公众号：捷哥的行业宇宙 上游 中游 下游 采集硬件与软件 数据生产与服务 模型训练与应用 机器人本体 机械臂 基础模型公司 Ego头戴设备 UMI夹具 自 任务设计 商 数据采集 机器人本体厂商 触觉手套 摄像头 IMU 清洗标注 时空对齐 质量评估 仿真平台 工业场景客户 X 提供数据采集工具 专业化数据生产与服务 C 模型训练·优化控制·部署应用 产业核心趋势 尚 数据标准化 交付成本 场景复用能力 硬件 感知与执行 画 竞争关键 三位一体 深度融合 事 数据标准化 行业规范统一 成本持续下降 跨场景复用率 交付成本 数据 模型 80% ↓30% ↑3倍 采集与处理 决策与智能 场景复用能力 效率提升 成本降低 价值放大 公众号：捷哥的行业宇宙
OCR:IMG:具身智能 数据闭环与产业机遇 Embodied Intelligence:Data Closed-Loop&IndustryOpportunities 公众号：捷哥的行业宇宙 数据竞争焦点 数据结构演变 币 任务多样性 预训练阶段 后训练阶段 物理信息完整性 互联网数据 多模态精准对齐 第一人称数据 视觉/动作/力矩/结果 准确对齐是核心壁垒 仿真数据 真机运行数据 重要性提升 能力进化飞轮 本体销售 场景运行 数据回流 模型升级 能力提升 产业发展方向 核心判断 H B 跨设备 国产 本地化 硬件决定 高质量数据闭环 数据标准 仿真平台 数据管理 执行能力 决定持续进化能力 数据闭环=机器人进化的核心引擎 多模态对齐 真机数据 闭环飞轮 基础设施 是门槛 价值提升 驱动进化 决定产业格局 公众号：捷哥的行业宇宙
OCR:IMG:上游：硬件和软件 中游：数据生产与服务 下游：应用与客户 数据采集硬件 第三方数据公司 基础模型公司 4 提供数据采集、 开发具身智能模型 标注、清洗和评测 提供算法和开发平台 日 机 等服务 机器人本体 机械臂 Ego头戴设备 数据采集工厂 机器人本体厂商 在真实或仿真场景中 将模型与硬件结合 形成整机产品 规模化采集数据 UMI夹具 触觉手套 光学动捕 传感器与软件 量 各地机器人创新中心 。 建设数据平台和训练场 制造业 物流仓储 商业服务 推动行业标准和生态合作 具体场景客户 摄像头 深度相机 IMU 仿真平台 在制造、物流、能源、医疗、商业等领域落地应用
OCR:IMG:图表35：仿真数据训练 Virtual Worlds MultidisciplinarySkills SoftwareApplications Environments Vehicles Algorithms Scenes Sensors Detection Localization Tracking&Fusion Scenarios Dynamics Planning Decision& Controls DevelopmentPlatform Analyze Simulate Design Deploy Integrate Test 资料来源：Mathworks，国盛证券研究所
OCR:IMG:VLA与世界模型的 数据需求解析 VLAxWorldModel:驱动智能机器人进化的核心数据引擎 公众号：捷哥的行业宇宙 111 核心技术路线 世界模型 VLA模型 学习物理规律 将视觉、语言指令 预测动作对环境的影响 映射为机器人动作 当前状态 动作作用 视觉输入 语言指令 动作输出 物理规律建模 未来状态预测 数据采集难点 数据核心价值 F 成功数据 失败数据 0n 视觉数据 动作轨迹 关节角度 作用力 物体状态 提供动作示范 帮助识别错误 覆盖不同任务、环境和机器人本体 建立感知、动作与结果的关联 能力进化闭环 真实采集 模型训练 现场执行 数据反馈 持续优化 高质量、全维度数据 OTD 数据维度 数据覆盖 B 能力提升 是VLA与世界模型能力跃迁的关键燃料 5+ Nx 核心结论 核心维度 任务/环境/本体 持续进化 公众号：捷哥的行业宇宙 公众号·捷哥的行业宝审
OCR:IMG:图7：机器人基础模型训练示例 专门化 视觉-语售-行动模型 视觉-语言-行动模型 通才 机器人能够烹饪特定菜肴 Additional:额外的 专门化 机器人数据 数据 翻转数据 加何包饺子 Md 勺子操作 数据 箱选数据 #》 大型通用 数据集
" onload="resizeImg(this,400,400);">
OCR:IMG:具身智能 数据闭环与产业机遇 Embodied Intelligence:Data Closed-Loop&IndustryOpportunities 公众号：捷哥的行业宇宙 数据竞争焦点 数据结构演变 币 任务多样性 预训练阶段 后训练阶段 物理信息完整性 互联网数据 多模态精准对齐 第一人称数据 视觉/动作/力矩/结果 准确对齐是核心壁垒 仿真数据 真机运行数据 重要性提升 能力进化飞轮 O 本体销售 场景运行 数据回流 模型升级 能力提升 产业发展方向 核心判断 日 跨设备 国产 本地化 硬件决定 高质量数据闭环 数据标准 仿真平台 数据管理 执行能力 决定持续进化能力 数据闭环=机器人进化的核心引擎 多模态对齐 真机数据 闭环飞轮 基础设施 是门槛 价值提升 驱动进化 决定产业格局 公众号·捷哥的行业宇宙 公众号：捷哥的行业宇宙
" onload="resizeImg(this,400,400);">
OCR:IMG:机器人训练数据的四大来源 多源数据互补，驱动机器人智能进化 FOUR MAJOR SOURCES OF ROBOT TRAINING DATA 福 公众号：捷哥的行业宇宙 互联网数据基 基础认知层 规模最大 数据规模 1013+ 提供视觉、语言、 物理常识及推理能力 数据类型 但缺乏精确动作信息 图像/文本/视频 第一人称数据低成本扩展层 Ego记录人类视角与动作 采集成本 低 营 UMI增加夹爪轨迹及 传感信息 扩展数率 适合规模化采集 昌 高 仿真数据虚拟训练层 虚拟训练层 利用物理引擎生成 场景多样性 10+ 多样化场景 成本可控 单次成本 但存在虚实迁移差距 低 真机数据真实执行层 真实执行层 通过遥操作或 数据质量 自主运行采集 高 成本最高 动作与反馈 采集成本 最贴近实际 高 核心逻辑 多源数据互补 → 6 预训练 技能学习 真实场景优化 泛化与落地 互联网提供知识广度 广度|第一人称提供视角与动作先验|仿真提供场景多样性|真机提供真实闭环反馈 数据决定上限，真实驱动智能 127 构建高质量数据飞轮，推动机器人走向真实世界 公众号·捷哥的行业宇宙 公众号：捷哥的行业宇宙
" onload="resizeImg(this,400,400);">
OCR:IMG:高 真机数据 质量 仿真合成数据 获取难度 第一人称数据 互联网视频数据 低 公众号·捷哥的行业宇宙
" onload="resizeImg(this,400,400);">
OCR:IMG:表：主流数据采集路线 数据采集方式 核心原理 主要设备 采集范围 主要优势 主要局限 通过视觉传感器捕捉操作者的 肢体姿态、手势或头部运动， 人体姿态、手势、 视觉遥操 无需穿戴硬件，采 易受环境光照影响 相机、深度相机等 经算法解算后转化为机器人运 头部运动 用非接触式感知 动作采集精度有限 动指令 操作者佩戴外骨骼机械结构 动作复现带宽高、 设备造价高、操作 通过传感器采集关节角度、位 外骨骼机械结构、 关节角度、位置、 外骨骼遥操 保真度高、刚性强 门槛高，难以规模 置与力矩，并映射至机器人对 关节传感器 力矩等 部分系统支持力反 应关节 馈 化应用 通过体感设备采集操作者肢体 兼顾便携性与动作 体感遥操 IMU、柔性传感器、 人体肢体运动与姿 运动信息，解算后驱动机器人 精度，强调自然体 通常不提供力反馈 光学动捕点等 态 完成姿态与动作复刻 感交互 主端仅控制机器人末端执行器 分离末端数据 主要聚焦末端和灵 机器人通过逆运动学与全身控 万向手柄、多指力 手、腕等末端执行 降低操作复杂度， 采集 器数据 巧操作，暂未成为 制，自主生成躯干、手臂等 觉交互器等 提高数据采集效率 全域数据采集主流 余关节运动 操作者通过头显获取机器人第 混合现实主从 VR/MR头显、游戏 视觉信息、空间位 兼顾操作效率、设 一视角信息，通过手持设备输 依赖主从映射与全 遥操 手柄、6DoF控制器 姿、手臂及末端动 备成本与动作采集 入位姿、手指动作和按键指令 等 作 身运动规划算法 驱动机器人完成操作 精度 精度号·捷哥的行业宇宙 数据来源：安德鲁人形机器人，东吴证券研究所 23
" onload="resizeImg(this,400,400);">
OCR:IMG:捷哥的行业宇宙 微信扫码加入星球 C知识星球
" onload="resizeImg(this,400,400);">
OCR:IMG:Mnuia m
" onload="resizeImg(this,400,400);">
OCR:IMG:图表35：仿真数据训练 Virtual Worlds Multidisciplinary Skills SoftwareApplications Environments Vehicles Algorithms Scenes Sensors Detection Localization Tracking&Fusion Scenarios Dynamics Planning Decision & Controls DevelopmentPlatform Analyze Simulate Design Deploy Integrate Test 提奇的行业手由 资料来源：Mathworks，国盛证券研究所
" onload="resizeImg(this,400,400);">
OCR:IMG:表1：世界模型与VLA模型的区别 对比维度 世界模型 VLA模型 物理世界的动态模拟器，核心目标是预测环 感知一决策一执行的端到端控制器，核心目标是 核心定位 境未来状态演变（比如模拟湿滑路面的刹车 将视觉/语言输入直接转化为控制动作（如识别 距离变化） 施工区域后输出绕行轨迹） 看见→推演未来状态→基于结果规划动作； 看见（Vision）→理解（Language）→映射动作 通过学习或模拟物理规律（如物体运动惯 决策逻辑 （Action）；依赖数据拟合映射（比如从历史驾 性、摩擦效应），在多路径风险评估中选择 驶数据学习输入一输出关联） 最优动作 依赖带标注的专家演示数据（如驾驶轨迹、遥操 数据使用 多模态序列数据，学习状态变化的动态 作数据）进行端到端训练 技术不成熟，算力消耗大，构建真实动态模 关键局限 据采集成本高昂，泛化能力提升面临数据瓶 型极具挑战 初步实现规模化商用（如自动驾驶、工业分抹等 应用现状 从实验室验证向商业化落地过渡 公众号领哥的行业宇宙 数据来源：LecunY《APathTowardsAutonomous MachineIntelligence》、Hafner rdsAutonomous Machine Intelligence》、HafnerDet al.《Learning Latent Dynamics forPlanning fromPixels》、
" onload="resizeImg(this,400,400);">
OCR:IMG:捷哥的行业宇宙 微信扫码加入星球 C知识星球 公众号·捷哥的行业宇宙
" onload="resizeImg(this,400,400);">
OCR:IMG:公众号·捷哥的行业
" onload="resizeImg(this,400,400);">
OCR:IMG:机器人数据采集 的成本与价值 2 数据驱动智能，数据资产创造价值 RoboticsData Collection:Cost&Value 公众号：捷哥的行业宇宙 市场规模测算 硬件需求测算 约需 20% 真机数据 2.7万台 真机数据 数据生产与服务 2000万小时 市场规模约 采购额 200 54亿元 40% 40% 第一人称数据 约需 仿真数据 第一人称数据 亿元 4000万小时 4万套 市场规模 4亿元 数据价值来源 远期市场展望 乐观情景下 2030年前后数据市场约 3000 原始数据 任务设计 清洗标注 质量评估 亿元 形成高质量训练资产 2024 2026 2028 2030E 数据服务价值可能 测算高度依赖 高于设备采购 需求增长与单价假设 数据是智能机器人的核心燃料，规模化采集与高质量处理 将成为产业竞争的关键壁垒 公众号：捷哥的行业宇宙 公众号·捷哥的行业宇宙
" onload="resizeImg(this,400,400);">
OCR:IMG:aMnan
" onload="resizeImg(this,400,400);">
OCR:IMG:图7：机器人基础模型训练示例 专门化 视觉-语言-行动模型 视觉-语言-行动模型 通才 机器人能够烹饪特定菜肴 Additional:额外的 专门化 机器人数据 数据 翻转数据 始包饺子 Md 勺子操作 ® 数据 箱选数据 S 大型通用 数据集 ③ 公众号 的行业宇宙
" onload="resizeImg(this,400,400);">
OCR:IMG:mnuan mR 公众号·捷哥的行业宇宙
OCR:IMG:表1：世界模型与VLA模型的区别 对比维度 世界模型 VLA模型 物理世界的动态模拟器，核心目标是预测环 感知一决策一执行的端到端控制器，核心目标是 核心定位 境未来状态演变（比如模拟湿滑路面的刹车 将视觉/语言输入直接转化为控制动作（如识别 距离变化） 施工区域后输出绕行轨迹） 看见→推演未来状态→基于结果规划动作； 看见（Vision）→理解（Language）→映射动作 决策逻辑 通过学习或模拟物理规律（如物体运动惯 （Action）；依赖数据拟合映射（比如从历史驾 性、摩擦效应），在多路径风险评估中选择 驶数据学习输入一输出关联） 最优动作 依赖带标注的专家演示数据（如驾驶轨迹、遥操 数据使用 多模态序列数据，学习状态变化的动态 作数据）进行端到端训练 技术不成熟，算力消耗大，构建真实动态模 关键局限 据采集成本高昂，泛化能力提升面临数据瓶 型极具挑战 步实现规模化商用（如自动驾驶、工业分抹 应用现状 从实验室验证向商业化落地过渡 领域） 数据来源：LecunY《APathTowardsAutonomousMachineIntelligence》、Hafner owardsAutonomousMachineIntelligence》、HafnerDetal.《LearningLatentDynamicsforPlanning fromPixels