图源：视觉中国
文丨饶富英
编辑丨叶锦言
出品丨深网·腾讯新闻小满工作室
5月29日，在首钢园举行的“首钢冬奥办公区机器人大本营产业大会”上，清华大学副教授丰硕、凌云光元客视界总经理李淼等行业专家人士围绕具身智能的数据瓶颈展开对话。
2026年被业内视为“具身智能数据元年”，随着机器人加速落地，行业普遍认为，数据正成为决定行业上限的关键变量。宇树科技CEO王兴兴曾表示，“有多少数据，就有多少AI能力；数据质量越好，AI能力就越强。”
但目前，机器人训练正面临数据难题。李淼在发言中指出，当前训练中最稀缺的是真实、动态的空间交互数据，这类数据决定了模型训练的上限，相当于机器人的“天赋”。
他将数据问题拆解为三个结构性维度：多模态数据的融合（动作、力觉、触觉及场景几何信息）、数据精度（时间同步、模型精度等），以及时序一致性。只有解决这三方面问题，才能真正提升具身智能的训练质量和泛化能力。
王兴兴也曾表示，高质量数据的稀缺是当前产业面临的最大瓶颈之一。具体挑战包括数据采集难度大、质量评估标准不完善，以及不同厂家机器人硬件各异，导致数据难以通用等。
清华大学自动化系副教授封硕则从测试与安全的角度提出，具身智能对数据可靠性的要求甚至高于自动驾驶。他将所需数据分为三类：本体数据（面向特定机器人）、环境数据（客观物理世界）以及交互数据（本体与环境的动态反馈）。三类数据的采集方式、价值评估和通用性完全不同。
而这一区分在测试环节尤为关键。封硕强调，从测试角度看，高质量数据除了多样性和精度外，还需要“高价值”。其表示，行业发展初期几乎所有数据都有价值，但很快大多数数据会变得同质化而无用。
在封硕看来，真正高价值的数据是长尾场景（corner case）。尤其是人类预期机器人能良好表现、它却实际出错的场景。若能系统性地发现并利用这类数据，将成为提升具身智能安全性与迭代效率的关键突破口。
谈及具身智能行业关于“小脑和大脑发展”的讨论，李淼认为，得益于中国强大的科研与制造产业链，机器人在运动控制层面的“小脑”能力已领先全球；但在复杂场景下的理解、决策与泛化能力，即“大脑”层面，与美国仍有明显差距，而这正是高质量数据采集需要攻克的核心难题。
他举例说明：采集1000小时高质量真实交互数据，往往需要三个月以上的真实环境部署及大量人力物力投入，“不是投机取巧的事，需要扎扎实实一步步走”。
展望未来12个月，封硕认为最值得关注的信号是具身“大脑”能否取得实质性突破。李淼则重申，高质量真实数据的采集没有捷径，需要长期、扎实的投入，希望行业共同参与。
