從實驗室走向產業，當前人形機器人落地應用的最核心短板是數據嚴重不足。

5月29日，在2025張江具身智能開發者大會期間，一批具身智能企業探討人形機器人產業落地困境時，不約而同提到了數據難題。數據采集難、適配難，真機數據遠遠不夠，如何才能彌補具身智能的數據短板？

2025年5月29日，上海張江科學會堂，具身機器人達人秀表演吸引眾多觀眾。澎湃新聞記者 朱偉輝 圖

數據嚴重不足制約產業化落地

“如果沒有數據，算法很難做。”智元機器人具身智能算法專家陳立梁表示，目前具身智能的操作等高質量真機數據“非常缺失”。去年年底，智元開源了上百萬條真機數據，推動數據高質量化，希望形成采集、訓練、測試、推理一體化的閉環數據路線。但陳立梁坦言，即便智元已經開源了這些數據，并且近一年中各大廠商和研究機構也在不斷開源，然而目前可獲得的數據還是遠遠不夠。

光輪智能技術生態負責人甘宇飛介紹，大模型開發依賴的是二三十年里所有互聯網數據，自動駕駛發展了十幾年，積累了大量真實數據，但具身智能的興起只有幾年時間，積累的數據量遠遠無法支撐機器人的復雜行動。目前大語言模型的數據量是PB級規模，自動駕駛的數據量在百PB級規模。“自動駕駛本質上是一種特殊的具身智能，但具身智能不僅僅有駕駛場景，它還有諸如商超、居家、工廠、實驗室等場景，每個場景單拎出來都需要自動駕駛這么大規模的數據，所以具身智能所需要的數據量相對于自動駕駛的百PB級又要更上一層。”

“必須用某種方式快速、低成本地彌補數據上的短板。”靈御智能CEO金戈認為，為了降低獲取數據的成本，一方面要制造出相對低成本、高質量、高敏捷的本體，另一方面要將機器人更早投入到使用場景中，邊使用邊采集數據。

機器人的訓練方式和傳統機器學習不同，只有在真實物理環境中交互才能驗證實際性能。僅僅通過觀看以及文字模態的數據，具身智能是無法掌握像人類一樣的行動技能的。

“今天的模型是否可以滿足實用化需求？今天模型的成功率是否可以讓機器人在現實場景中全自主工作？”金戈認為，現階段來看仍有一定難度。他提出使用類似遙操作手段，讓人類操作機器人，解決目前模型無法覆蓋的部分，讓機器人盡快投入使用，“就像自動駕駛汽車一樣邊開邊收集數據，提升算法模型，降低人的參與比例，從而大幅降低數據采集成本，讓機器人更快地從實驗室進入產業。”

陳立梁則表示，算法層要找到更優的閉環迭代路線，“我們會投入強化學習，它可以在和真實世界的交互中學習，我們也會持續推進世界模型研究。”除了數據和算法上的閉環，陳立梁認為，還要探索測試閉環。迭代后的算法需要經歷測試，但測試會造成損耗，測試成本也高，實現高效低成本的閉環評測已成為行業關注焦點。

機器人本體性能仍有提升空間

“通用機器人不光大腦要好，身體也要好。”智萊特具身智能科技有限公司CEO鄧振華表示，具身智能機器人的算法層對硬件要求非常高，尤其是在實施的時效性和多模態的融合方面。“硬件如何有機結合多模態大模型，也是我們現在探討的問題。”

鄧振華表示，目前企業、高校、科研機構都在探索機器人軟硬件的不同技術路線，但當前場景落地仍然不成熟，硬件成本、效率、工程化都面臨挑戰，機器人本體的散熱、輕量化、負載、壽命、精度、運動控制路徑等方面仍有較大提升空間，一些機器人進工廠時，由于負載能力不足，往往只能選擇一些負載較輕的工位。他迫切希望機器人能落地防塵防爆、高溫高濕等特殊場景，這對機器人硬件和算法提出了更高的要求。同時，機器人的小試、中試依托于原有產業遺留下來的工業設備，未來這些生產和測試設備也需要快速迭代升級。

當前，機器人軟硬件行業標準也沒有完全明確。甘宇飛表示，底層算力、模型訓練、數據采集、通用場景搭建等方面都需要盡快制定標準。尤其是數據采集，相對于自動駕駛，具身智能的數據適配難度是陡增的。具身智能的本體有機械狗、機器人等不同形態，單就人形機器人而言，也有雙足、輪式、雙臂、單臂等形態。“每一種機器人之間的數據不一樣，并且短期內可能主要是人形機器人，長期來看可能會針對一些特定任務做定制化，那時數據量又是很大的規模。”甘宇飛提到，目前機器人種類多樣，每家每戶都在采集數據，“但A公司采集的數據并不能給B公司用，B公司部署的模型也不能用在C公司的本體，這里面有非常多的浪費，所以要制定行業標準，提高資源利用效率。”

金戈認為，機器人有望在消費和商業場景快速落地，安全是核心問題。在模型可控性無法完全保證的情況下，強制性的安全標準是必要的。“針對機器人的保險機制應該出現，不管是機器人本體的受損，還是由于機器人操作不當造成的其他財物或身體損傷。”

無論是推動機器人在工業場景落地，還是進入居家場景，眼下算法層還需要更多創新。陳立梁表示，當前國內很多團隊以跟隨為主，“國外出了一個新的架構，國內就去跟隨。其實目前具身智能還處于較早階段，應該去探索更多新東西。”