具身智慧資料賺錢嗎？97 家玩家、44.7 億融資與四大採集路線盤點

重點摘要

• 2025 年 7 月至 2026 年 7 月，15 家純具身資料服務商共融資約 44.7 億元；同期大腦派公司上半年就吸走 223 億元，資料端和演算法端的融資量體差了近 5 倍。
• 量子位統計的 97 家國內玩家中，43% 走跨路線採集，印證資料金字塔的假設：沒有任何單一採集方式能獨自滿足機器人訓練需求；單押真機遙操最多（22 家），其中 13 家是國資平臺。
• 全行業年產能約 160 萬至 180 萬小時，業界 1 到 3 年內的短期目標是 2500 萬至 3500 萬小時，差距 15 到 20 倍；新技術頻出正是這個缺口壓出來的。

量子位在 2026 年 7 月公佈的具身資料行業圖譜，統計了 97 家國內玩家，其中 70 家做資料採集、27 家做資料基礎設施（infra）。過去一年（2025 年 7 月至 2026 年 7 月），15 家不做機器人本體、也不碰模型訓練的純資料服務商，合計融資約 44.7 億元。這個數字放到整個具身智慧的融資版圖就現了原形：光是開發具身大模型的「大腦派」公司，2026 年上半年就融了約 223 億元，是這 15 家資料商全年融資的近 5 倍。

在具身智慧的萬億浪潮下，純資料服務商正夾在「大腦派」的融資碾壓與 20 倍的產能缺口之間，試圖用多路線混搭的資料金字塔，跨越虛擬與真實的遷移鴻溝，尋求獨立商業化的破局點。

44.7 億和 223 億，差距說明什麼？

融資落差不是偶然。資料商的商業模式還沒有標準化，機器人公司傾向自建採集管線，外購資料的說服成本仍高，投資人對資料端的估值自然保守。

但有一點可以確認：具身資料已從機器人公司的內部後勤，長成一個獨立的商業群體。97 家玩家裡，獨立資料服務商有 39 家，佔 40%，是最大的單一群體，超過國資資料平臺（25 家、26%）和機器人公司（24 家、25%）。向外採購具身資料的需求，已大到足以養活一批純外部供應商。

再切一刀看背景來源：97 家裡，65 家是從一開始就做具身資料或具身智慧業務的「原生玩家」（67%），32 家從 AI 資料標注、自動駕駛、動作捕捉等領域轉型（33%）。兩種背景在不同層次的分佈完全相反：70 家採集公司裡，約八成是原生玩家；27 家 infra 公司裡，約七成反而是跨界老廠。AI 資料標注公司積累的品管管線和交付能力可以直接平移到 infra，採集環節沒有現成資產可搬，新公司反而能輕裝上陣。

為什麼 43% 的玩家不敢只押一條路線？

目前具身資料採集有四條主流技術路線：真機遙操（人操控真實機器人同步採集）、無本體採集（人直接示範、透過動作捕捉或肌電等裝置記錄，不需要機器人硬體）、模擬合成（虛擬環境批次生成訓練資料）、網際網路影片蒸餾（從網路影片提取人類動作知識）。

70 家採集公司裡，30 家同時跑兩條或更多路線，佔 43%，比單押任何一條路線的玩家都多。業界稱之為「資料金字塔」：機器人訓練需要混搭不同型別的資料，沒有哪種採集方式能獨自撐起完整的訓練資料集。這不只是技術偏好，更是採購現實在逼。

單押真機遙操的廠商有 22 家，是四條路線裡最多的。這 22 家裡 13 家是國資資料平臺，7 家是機器人公司。真機遙操是重資產路線，要買機器人本體、租場地、僱操作員，固定成本高，但這恰好都是國資平臺容易調動的資源，市場化新創難以正面競爭。

單押無本體採集的有 15 家，且絕大多數成立於 2024 年 9 月之後，是四條路線裡最年輕的群體，技術變體也最多，從 Ego 視角、UMI、動作捕捉到肌電（sEMG）和觸覺採集都有人做。不需要機器人硬體、啟動成本低，是新進者集中在這裡的直接原因。

模擬派為何集體轉向？sim2real gap 問題在哪？

模擬合成曾是具身資料規模化最有想像空間的路線：建一套虛擬場景，就能批次生成資料，邊際成本遠低於真機採集。但現在單押模擬的玩家只剩 2 家，松應科技和謀先飛（Motphys）。曾以模擬為核心的光輪智慧，已補進人類資料採集；銀河通用在 2026 年 6 月發布全身遙操系統，正式具備真機採集能力。

兩股壓力讓模擬派不得不調整。外部：真機和人類示範資料的供給快速增加，價格往下走，模擬資料的成本優勢在縮小。內部：虛擬與真實遷移差距仍沒有可靠解法，摩擦力、材料形變、力覺、觸覺等物理特性在虛擬環境裡很難高保真還原，模型在模擬裡練出來、到真實場景就打折。客戶端如果無法預測模擬資料的訓練效果，採購意願就很有限。網際網路影片蒸餾目前只有樞途科技一家單押，宣稱綜合採整合本能降到行業平均的千分之五；但從網路影片轉換成符合訓練規格的資料，品質能否通過客戶端驗收，市場上的案例還不足以下結論。

15 到 20 倍的產能缺口，「花活」從哪裡來？

湖南郴州一家中國移動營業廳改掛「具身資料採集 5S 店」，讓普通顧客領夾爪、手套和頭戴相機回家做家務、順便採資料，首期投放 1000 套裝置，滿產狀態下每年能採集 100 萬小時。還有廠商免費上門保潔換資料授權、把採集包進 VR 遊戲、讓採集員遠端雲操控機器人執行任務。這些「花活」表面是創意，本質是繞過高昂的真機遙操成本，壓低每小時資料的取得代價。

背後有一個硬缺口在撐：全行業年產能目前約 160 萬至 180 萬小時，加上 7000 萬至 8000 萬條資料。業界設定的短期目標（未來 1 到 3 年）是 2500 萬至 3500 萬小時、加億條量級的資料。光看小時數，目標是現有產能的 15 到 20 倍。各家廠商披露的口徑不統一，小時數和條數之間沒有業界共認的換算標準，跨廠商比較更困難。

對工程師和創業者來說，這個缺口的意義很直接：目前所有採集路線都還沒有解決「量」的問題，市場上的繁榮更多是需求側的熱切，不是供給側真正到位。純資料服務商一年 44.7 億的融資，放在大腦派 223 億旁邊，更像是整條價值鏈分配的縮影：最終訓練出可用模型的廠商拿走大頭，資料商在中游等待篩選。資料端要改變這個格局，需要率先建立可驗證的品質標準，讓「外購具身資料」從「聽起來划算」變成「有憑有據」。在可驗證的標準出現之前，能真正交付合規、高品質資料的廠商，目前看來仍是少數。