具身智慧領域的資料短缺正催生一條獨立的資本賽道。在近期的行業論壇上，一組對比資料被反覆提及：大語言模型預訓練可呼叫數十萬億token，自動駕駛積累超百億小時資料，而具身智慧目前公開可用的操作資料僅有幾十萬小時級別。多位本體廠商公開表示，資料是當前最大的瓶頸。

這種短缺源於具身智慧資料的特殊性。與可從網際網路直接抓取的文字、影像不同，機器人訓練需要“看到什麼-做什麼-力度多大-關節怎麼動”的完整動作閉環，這類資料幾乎不存在於網路，必須專門生產。當本體廠商的硬體迭代加速、出貨節奏快於預期時，內部採集能力跟不上模型訓練需求，第三方資料服務的需求迅速膨脹。

資本在過去半年密集流向資料公司。光輪智慧在兩個月內連續完成兩輪融資，估值突破20億美元，成為全球具身資料領域首個獨角獸。2025年成立的簡智機器人獲得螞蟻、滴滴、德聯資本領投；從智元孵化獨立的覓蜂科技也迅速完成數億元融資。

目前行業形成了四條主要資料生產路線，各有優劣。真機採集由操作員通過VR裝置遙控機器人，資料質量最高，可直接訓練VLA模型，但成本昂貴、廢片率高，特斯拉Optimus採集員時薪在25至48美元。無本體採集使用可穿戴裝置或動作捕捉記錄人的動作再對映給機器人，成本約為真機的一半或更低，但無法捕捉力度等精細觸覺資訊，且動作“翻譯”過程存在資訊丟失。模擬合成在虛擬環境中批次生成資料，光輪智慧自研模擬系統已累計交付超100萬小時人類行為資料，復售率超10倍，但難以完全模擬真實世界的物理細節變化。影片蒸餾則從網際網路影片中提取操作動作規律，邊際成本極低，代表公司極佳視界三個月內累計融資約35億元，估值達百億級別，但缺乏關節角度和力度資料，通常僅作輔助。

儘管技術路線多元，商業變現仍處於早期探索階段。據行業調研估算，國內具備持續採購能力的客戶可能只有幾十家，且付費意願不穩定——一旦本體廠商自建資料體系跑通，外部採購可能收縮。目前主流模式是一次性買斷資料集，但門檻低、易複製；賣硬體或提供訂閱服務的壁壘更高，但市場尚未成熟。有從業者透露，部分公司年收入僅幾百萬元，估值卻已達數億元，收入與估值之間存在明顯錯位。

行業對“什麼樣的資料最有價值”尚未形成共識，資料格式互不通用，模型被鎖定在單一機器人本體上，跨品牌遷移需重新採集和訓練。頭部模型廠商如螞蟻靈波近期推出LingBot-VLA 2.0，號稱用60000小時資料訓練，可適配20多種機器人，但實際落地仍需針對具體機型微調。資料公司也在嘗試建立標準，光輪智慧推出工業級評測平台RoboFinals，覓蜂科技探索跨本體資料格式標準，簡智機器人聚焦工業級資料格式。

與自動駕駛相比，具身智慧面對的場景更為分散，從工廠到家庭再到手術室，資料分佈差異極大，這意味著資料稀缺性更持久，獨立資料公司的視窗期也更長，但商業化節奏更慢。業內判斷，未來一年行業將從“拼融資”切換到“拼客戶”，缺乏穩定訂單的公司將率先出局。