具身智能領域的數據短缺正催生一條獨立的資本賽道。在近期的行業論壇上，一組對比數據被反覆提及：大語言模型預訓練可調用數十萬億token，自動駕駛積累超百億小時數據，而具身智能目前公開可用的操作數據僅有幾十萬小時級別。多位本體廠商公開表示，數據是當前最大的瓶頸。

這種短缺源於具身智能數據的特殊性。與可從互聯網直接抓取的文字、圖像不同，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，這類數據幾乎不存在於網絡，必須專門生產。當本體廠商的硬件迭代加速、出貨節奏快於預期時，內部採集能力跟不上模型訓練需求，第三方數據服務的需求迅速膨脹。

資本在過去半年密集流向數據公司。光輪智能在兩個月內連續完成兩輪融資，估值突破20億美元，成為全球具身數據領域首個獨角獸。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數據生產路線，各有優劣。真機採集由操作員通過VR設備遙控機器人，數據質量最高，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設備或動作捕捉記錄人的動作再映射給機器人，成本約為真機的一半或更低，但無法捕捉力度等精細觸覺信息，且動作“翻譯”過程存在信息丟失。仿真合成在虛擬環境中批量生成數據，光輪智能自研仿真系統已累計交付超100萬小時人類行為數據，復售率超10倍，但難以完全模擬真實世界的物理細節變化。視頻蒸餾則從互聯網視頻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數據，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——一旦本體廠商自建數據體系跑通，外部採購可能收縮。目前主流模式是一次性買斷數據集，但門檻低、易複製；賣硬件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“什麼樣的數據最有價值”尚未形成共識，數據格式互不通用，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小時數據訓練，可適配20多種機器人，但實際落地仍需針對具體機型微調。數據公司也在嘗試建立標準，光輪智能推出工業級評測平臺RoboFinals，覓蜂科技探索跨本體數據格式標準，簡智機器人聚焦工業級數據格式。

與自動駕駛相比，具身智能面對的場景更為分散，從工廠到家庭再到手術室，數據分佈差異極大，這意味著數據稀缺性更持久，獨立數據公司的窗口期也更長，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。