过去一年，具身智能圈最明显的变化，是从「模型能不能做出来」走到了「系统能不能跑起来」。

而一旦跨进后一阶段，行业就必须回答更本质的问题：模型训练需要什么数据，数据从哪里来。

超维动力作为全栈具身智能大模型公司，既有本体，又有算法，还是数据供应商，这样的多重身份让它站得比同行更稳。

今年 4 月，他们发布了行业最高拟人度的人形本体「KaiBot」，并由机器人自己给自己开了一场发布会；

更关键的是，这家公司从第一天起就在搭自己的数据基建，并且已经有了商业化的交付。

在超维动力看来，行业里那句「数据是燃料」的话，只说对了一半。数据的考量，不能止于「够不够多」，更要追问「有没有用」。

1、数据工程，具身热潮的背后引擎

当前具身智能数据采集的困境，首先体现在技术路线的「代际冲突」上。

上一波AI+机器人的兴起在 2017、2018 年前后，由基于深度学习的计算机视觉算法驱动，在一部分工业和家用场景已经广泛落地；但近两年的这一波，真正的的推手换成了「数据工程创新」。

沿着数据工程的脉络，采集方式已经迭代了三代。

第一代是真机遥操。以 2023 年前后斯坦福 Aloha 机械臂为标志，这类工作引爆了整波热潮，至今仍是主流的方法之一。

但它的硬伤也很明显：效率极低。

一个数采员工作 8 小时，大量时间耗在布置场景、更换物体上，真正能用的数据往往只有 2 到 3 小时。成本被硬件数量和场地死死卡住。

第二代是无本体采集。

无论是 UMI这样的设备，还是轻量化的外骨骼、带动捕和压力传感的数据采集手套，它们的价值在于让人脱离实验室和数采工厂，走进真实场景。模型的泛化能力，由此有了新的提升空间。

第三代是 Ego 第一视角视频。

英伟达、Meta 的 Egoscale、Egoverse 等工作因具备量大、场景多样的特点而影响深远。但它的模态天然受限：毕竟只是一段视频，最多看到手，缺了力、触觉和全身姿态。

与之并行的还有仿真路线，规模化采集和模型验证是它的长项，可 sim-to-real 的鸿沟始终是老问题；

更现实的是，当要面对衣物、抽屉、转椅等这类柔性与铰接物体时，物理参数校准的成本，未必比买一件真实的物品低。

采集范式在变，站在数据链上的玩家也在变。超维动力自己既用数据也卖数据，这让它意外获得了一个观察窗口：到底是谁在用这些数据？

卖数据的数商把数据当成商品，最关心可交付性与长期定价，但他们却不是最终的数据使用者，对数据的需求会随外部需求摆动；

自带标注管线的大模型团队需求量极其惊人，几十万甚至上百万小时稀松平常，这类团队既包括大厂的多模态组，也包括做具身大模型的初创公司，他们倾向于自己标数据、对外购买「裸视频」，且大多聚焦于固定底座的双臂任务。

而人形具身团队，需求高度收敛为「多模态+高精度」，第一视角、全身姿态、精细语义标注已成共识。

同一段「厨房拿杯子」的视频，有人只要来训视觉表征，有人要双手加全身姿态做动作学习，有人只想要固定双臂的桌面操作，需求千差万别。

顺着这三类角色以及对应的需求，一个延伸问题自然浮现：当各家厂商自己把逐步把数据堆起来，卖数据的公司会不会被挤出？

答案并非绝对，但数据最好和算法一起做。

采集设备的风向变得很快，一个没有算法团队绑定的数商，看不到这种趋势切换；只有靠近部署端、算法端，才能踩准下一拍。

真正的护城河不在「卖数据」，而在「懂模型缺什么数据」，甚至需要「预判未来模型需要什么数据」。

2、高质量数据的真实标准是什么？

首先，具身需要的数据不是单一维度的，不存在某一种数据单独可以成为终极解决方案。

行业里按不同数据的来源，有数据金字塔的说法，在超维动力的视角看来，可以更进一步，按「对模型的价值点」把具身数据切成三层。

最底层是人类行为层：

2D 的 Ego 视频、互联网视频，甚至游戏里的 3D 资产——游戏产业投入巨大精力构建的 3D 世界，模拟的正是人的视角与人类世界，是被严重低估的数据富矿。

这一层主要解决模型超大规模预训练的需求。

往上是多模态交互层，在 2D 之上叠加 3D 空间、人体姿态、动作语义和力触觉，主要解决「动作生成」；而这部分数据，正是目前具身急需的。

不管是数据管线还是数据规模，都有很多有待解决的问题。以后这块的比重会越来越大。

最顶层是本体对齐层，即真机数据，主要解决部署和精度的问题。

一方面，真机遥操数据，用来在训完基础模型后对齐、校准到特定本体，另一方面，一些场景部署的数据，例如执行失败后恢复的数据，对模型提升性能意义重大。

同时这里也要先破除一个误区：

「Ego」这个词被滥用了。拿手机挂在头上拍的，叫 Ego；双目相机加深度拍的，也叫 Ego；Meta、Pico 等 VR 设备拍的，还是 Ego。

可单目视频、多目加深度信息、带环境三维模型，这些不同的组合给到模型的数据价值天差地别。不能使用一个Ego隐藏了这些巨大的差异。

一个直观的类比：给一个孩子看再多ego视角的视频，骑车、攀爬、搬箱子等，他也学不会这些动作。

人形机器人除了感知视觉，还需要四肢的协调、力的反馈和周围的空间环境信息。

Ego 只有一个纯 RGB 的画面，全身姿态、三维环境、力感知全部缺失，单目估出来的深度也并不可靠。

正因如此，超维从 VR 设备做起，继而自己推出头环、夹爪，目标是以轻量化的方式重建动态的三维世界、全身姿态与精细语义。

此外，关于好数据的标准，还有四个常被忽略的真相。

SOP 是把双刃剑。

标准操作流程定义得越细，模型学得越快，但学到的也只是一条标准路径，而不是解决问题的能力。

一线需求正在发生转向：高价值数据不是成功的演示，而是「失败后修正」的数据——路径被打断后如何重新规划，同一任务的不同策略如何平衡。

精细的语义标注常被忽略。

当前 VLA 模型对图像的过拟合，其中一个重要原因在于缺乏足够精细的语义标注。

操作意图、操作方式（单手还是双手），场景前置条件等都值得精细的标注。同样是「拿起一双筷子」，意图是吃饭、清洗、收纳还是递给别人，动作完全不同。

场景丰富度不等于采集数量。

让工人在工厂里佩戴设备采集数据，听上去很有吸引力：稳定、低成本、时长可观。但工厂通常是高度标准化的环境。

相同工位、相同动作、相同物体和相同流程，会造成大量重复样本。对于训练某个具体工业任务，这些数据很有价值；

但对于追求通用能力的机器人而言，它们未必能带来足够多的新信息。家庭数据也是一样。

家庭场景看似多样，但如果采集者只是为了完成时长，长时间做一些重复低价值操作（例如一些外发手工活，串珠，贴钻等），数据同样会失去意义。

物体的种类、场景的布局、任务的类型，才是容易被忽视的丰富度。

数采管理本身就是深坑。人员组织、设备管理，数据回流需要扎实的基本功，此外更难的是，数采员靠冲时长领取报酬，天然会利用系统漏洞做「标准化伪装」，比如拿着一个快递在站点走上一整天会相对轻松，或者反复把同一个快递盒打开又合上也是个取巧的方法。

但这些数据对模型意义不大。为了解决这类问题，管理团队需要开发合适的激励机制、自动化质检、重复检测，以及与算法团队实时紧密协同。

3、让数据流动起来：从死素材到能被灵活调用的技术要素

实际上，真实的具身智能算法研发回路并非简单的线性采集。

从真机数据的小范围试错，到失败后的场景复盘，再到针对性地补充真机、无本体或仿真数据，整个过程揭示了数据作为「活水」的真正价值。

数据问题不是孤立的，它和整个行业的商业化路径纠缠在一起。

由此可见，数据的价值可以分为三层。

第一层，只是卖数据时长。拼的是管理和质量，本质仍是体力劳动，谈不上壁垒。

第二层，成为算法可用的数据资产。这里有了阶段性壁垒，拼的是数据与算法的结合能力。

第三层，数据可以为模型能力的提升负责。

在数采、训练、评测到部署的端到端流程中，数据作为一种服务能力，参与到失败原因分析、增量数据需求的分析决策阶段，走到这一层，基建的体系化能力才可以构成长期壁垒。

数据当然是一门生意，超维动力自己就有商业化的订单与交付，而且会持续增长。

但从研发视角看，它最高价值的部分不是只卖数据，而是知道模型到底缺什么数据、什么模态和精度值得投入，把整条链路真正跑起来。

数据也是贯穿「采集—训练—评测—部署」全链路的活水：

在每一次失败里回流，在每一轮迭代里提纯，最终汇成具身智能真正难以逾越的护城河。