本文作者 | 哥吉拉

数据支持 | 勾股大数据（www.gogudata.com）

进入10月下旬，A股资金正以近乎疯狂的姿态扑向同一个方向——物理AI概念。

从近十日的涨幅榜单来看，“物理AI”、“人形机器人”等相关概念涨幅不仅多日领先，每日更是多股涨停不断。

大约前两周0penAI创始人在参加一次播客后表示会投入去做机器人的硬件、会在明年发出样机。9月份发布了GPT-6(Astro版本)在操纵机械臂层面有突出的表现，证实了这个通用模型在机器人的空间理解、任务规划等方面表现出非常强大的能力。

预期差也由此产生，未来具身智能实现的时间可能会被提前，这才引出了物理AI的连续行情。

如果这仅仅是一场短期情绪的宣泄，资金绝不可能展现出如此高强度的连续攻势。

这背后，一个新的风口行业已经确立。

01

数据成为行业痛点

物理AI这一轮最关键的变化，是行业的卡点从硬件和算法转移到了数据。

国内人形机器人整机型号已突破400款、全年产量有望破10万台，但让机器人真正干活的训练数据并没有同步跟上。

到底缺多少？如何填补？

根据机构调研，国内真实物理交互场景的合规数据仅约50万小时，而机器人商业化落地需要数千万小时，缺口超过99%。

从模型侧看，训练一个通用具身大模型至少需要1000万小时，对照这50万小时存量就是20倍缺口。按产业调研口径，如果要达到GPT-3级别的通用水平，则需要一亿小时以上的有效数据，而全球可用的高质量真机数据不到70万小时，存在巨大的数据鸿沟。

中国信通院统计，截至2026年6月30日全球真实世界数据不到100万小时，按当前资本开支推算，2026年全年约300万小时，明年有望到千万小时级别。把无本体数据也算进来，2026年全球约千万小时级。

那怎么给机器人喂数据？

当前行业的数据采集思路大致分为这几类：真机遥操作数据、第一人称视角数据、仿真数据、互联网数据。又或者分为真机、无本体、仿真三大类。

真机比较容易理解，就是人在场景里通过VR头显配手柄、外骨骼或动捕设备操控一台真实机器人，同步记录视觉画面、关节力矩、坐标位移和力控反馈。

通过这种方式采集的数据质量最高、与本体完全同构，但人要配合一台本体，换一个本体往往要重新采集，跨本体复用效率低。

无本体数据就不需要指挥机器人干活，而是让人戴着设备，再把人的动作翻译成机器人轨迹。这一类里最主要的两支，就是Ego和UMI。

目前主要采集设备包括Ego的头戴式和手腕式设备，以及UMI的夹装设备，颇为轻量化因此很容易扩大规模，这两类大约占到整个机器人整机数据来源的接近80%。

仿真合成数据则不需要人也不需要本体，用软件平台按文字或图片指令生成场景。优点是成本低、可无限扩量，但目前仍受制于虚实迁移鸿沟，只能作补充。

根据斯坦福HAI《AIIndexReport2026》显示，机器人操控在仿真环境的成功率是89.4%，到真实家庭场景骤降到12%，77个百分点的落差就是虚实迁移鸿沟。通用模型在精密操作上也偏弱，GPT在精密操作组的成功率只有4.0%，对照组为16.75%。

这也是为什么现成数据补不上缺口的重要原因，质量门槛卡在关键之处。具身数据要建立任务指令、环境观测、机器人状态、控制动作与执行结果之间的时序关联，除视觉和语言外还要覆盖关节位姿、力觉和触觉，满足"准、全、广、真"的要求。

这些技术路线的选择，本质其实就是精度与规模的平衡：精度越高，训练效果越好，但效率越低、成本越高。

根据券商调研，头部人形本体企业的实际配比印证了这个结构，仿真只用于早期环境与参数调整，真正训练数据中Ego占60%至70%，UMI这类手套精细数据约20%，最后10%至20%用真机数据做后训练闭环。

具身智能数据采集的成本与单价呈现出明显的"金字塔"分层：越靠近真实本体，数据越准、也越贵，塔尖是真机数据，塔基是仿真数据。

从采集设备的硬件投入看，高精度真机最重，含手柄与头部摄像头的整套设备采购价约20万元，若把本体一并计入则有40万元的口径。人力端同样是真机最重：采集员日薪约300元，受体能限制，单人日均有效产出不足5小时。

轻量化方案大幅降本。Ego最简配置就是头戴摄像头加算法，一套约3000元；行业主流的5到7颗摄像头加1颗IMU的多目方案，这两类部件占硬件成本六至七成。UMI加上外部摄像头、夹爪和数据盒子，整套控制在3万元以内。

这些设备门槛直接决定了数据单价的分化。成本最低的仿真数据约30至50元/小时；轻量化Ego清洗后不标注约100元/小时，带加工与标注的大概为100至400元/小时；UMI约300至400元/小时。而处于塔尖的高精度真机数据则高达1000至2000元/小时。

总的来说，带力觉标签、带失败样本的高质量真机数据依然紧缺；反而是一两元一条的低价外包数据，缺力觉、缺失败样本，喂进去会拉低模型性能。

根据券商测算，中性情况下，行业数据需求达到100万小时，2030年具身智能数据采集规模将达到1741亿元，五年复合增长率高达203%，上游硬件设备规模也超过150亿元。

需求缺口确定之后，问题就变成了谁来提供产能、谁能拿到最稀缺的那部分数据、以及谁能把原始数据加工成可以反复售卖的资产。

02

铲子股来了

未来，物理AI数采市场将向具备三种能力的玩家集中：重资产组织的大规模采集产能、多模态触觉数据的获取能力，以及将原始数据转化为可复用资产的加工能力。

产能是目前行业最硬的壁垒，数据采集本质上是一门强调系统化工程、运营与资金投入的重资产生意。

以按每天8小时计算的真机遥操为例，2026年全行业已披露总产能约300万小时，宽峰科技以两千余台本体和56%的市占率居首，博登智能占14%。

相比之下，无本体数据采集由于门槛较低，当前竞争格局就比较分散。目前该领域产能主要集中在宽蜂与京东手中。

数据采集正迅速兑现为真金白银的现金流。

以海天瑞声为例，其具身数据训练场估算年产能完全释放可对应1.2亿元收入，相当于2025年营收的32%弹性。目前该公司已签下超1.8万小时高质量遥操数据合同，而优必选去年近10亿订单及乐聚的部分收入也均来自数采。

行业的第二个高价值点在于触觉与力觉数据。

这类数据无法通过纯仿真或网络爬虫获取，直接决定了机器人从“知道抓取”到“真正稳定交互”的跨越。在采集工具端，高保真、低耗损的多模态数采手套逐渐替代易损坏且存在失真的灵巧手。

带触觉与末端6D位姿的高精度异构数据因其稀缺性，卖到了每小时500至800元，海外同类型定价还要高至少50%。

这一趋势直接带动了上游器件的重估，单台价值超千美元的电子皮肤以及压阻式与电容式柔性触觉传感器成为核心入口。华依科技与安培龙等传感器供应商，已借此切入头部模型公司供应链。

第三个分化点则决定了企业的毛利率上限。区别于传统的劳动力密集型标注，物理AI数据需经过空间重建、多模态时间戳对齐与质量校验等复杂加工才能用于训练。数据公司通过将同一份高质量数据复卖给不同客户，能够实现高达60%至70%的毛利率。

一级市场已经在为这种稀缺资产给出极高的溢价。Physical Intelligence在零收入的情况下，仅凭万小时级别的跨本体真机数据便轻松撑起超百亿美元估值。这印证了500小时多样化数据的泛化价值，远超2000小时同质化数据的表现。

当前大量资金正加速涌入数据基础设施赛道。随着海内外需求共振，头部本体企业如智元的数据积累量已达百万小时量级。一旦其跨越千万到一亿小时的泛化门槛，全产业链的跟进采购将被进一步引爆。

既然数据采集本质上是个拼资金、拼人头、拼场景的“重体力活”，不难猜测，很快A股有些原本看起来不够性感的公司就会跑来跨界抢饭碗了。

在这个看似高大上的物理AI赛道里，写代码的算法精英们搞不定工厂拧螺丝和街头扫垃圾的真实接触数据。这恰恰让那些坐拥庞大厂房、物流车队和环卫大军的传统企业，顺理成章地成了手握稀缺场景的“香饽饽”。

近期的市场动态已经为这一跨界逻辑提供了充分的实证。

例如，汽车整装传统龙头天奇股份依托场景优势，投资近亿元建设了规模庞大的具身智能工业数采与实训中心。目前该中心已搭建163个细分场景并沉淀近两万小时多模态数据，成功交付首批30万条高质量数据。这帮助企业顺利打开了从数采服务到方案交付的第二增长曲线。

同样，以市政环卫为主业的玉禾田也在加速物理场景的数据变现。该公司不仅在上市公司侧占据了约9%的数采产能份额，近期更明确表示正与智元机器人等企业围绕环卫场景展开深度合作。

这些实证案例表明，拥有庞大实体场景的A股上市公司正通过跨界数采，将原有的物理壁垒转化为新一轮高毛利AI资产红利。

传统企业的核心壁垒在于雄厚的资金实力、成熟的大规模人员运营体系，以及最为关键的独占性物理场景，他们有能力将日常作业中沉淀的真实产线互动，转化为稀缺的触觉与多模态数据资产。

这将推动它们直接从场景应用方，升维为产业链上游的底层数据供应商。

03

尾声

总的来说，物理AI的卡点已从硬件和算法转到数据，行业因此沿着精度与规模的长短取舍发展出多条采集路线。

而收益并不会平均分配，它向同时具备大规模采集产能、触觉数据获取能力和数据加工复用能力的玩家集中。

但空间大不等于就很好赚钱。商业化仍在早期阶段，面临下游预算、同质化价格战以及大厂自建产能等约束。

收益并不会平均分配，它向同时具备大规模采集产能、触觉数据获取能力和数据加工复用能力的玩家集中。因此，选股必须去伪存真，要看实际交付的成色。（全文完）