人形机器人踩坑：集中式数据采集工厂路线已经走不通了？

近日，成立刚一年、位于石景山的北京首家人形机器人数据训练中心调整停运，引发关注。

遥想一年前的8月15日，我还去往现场，参加了首家人形机器人数据训练中心启动仪式，当时大家还憧憬着数据训练、运行、销售的未来前景。

但万万没想到，这座曾经被寄予厚望的“数据工厂”，刚快速建成、运行不到一年，却悄然退场。

据调研机构Interact Analysis报告统计，截至2026年4月底，国内已经有超过90个人形机器人数据采集和训练中心处于使用或规划建设中。

在此之前，通过真机遥操进行数据采集，是这些数采中心最主要的数据采集模式。

这也引发机器人行业的反思：大家一窝蜂去做数据采集，但完全依靠人工搭建封闭场景，是否能够产出人形机器人产业化所需的真机数据？我们真的需要100万、1000万的真人数据采集才能训练出高质量的具身智能和世界模型吗？

本文重新解构具身智能数采，探讨如何让机器人真正实现低成本、高质量的具身原生大脑。

集中式数采工厂要淘汰了？

当前，具身智能与人形机器人的高质量数据生产，一般来说，以真机遥操作为核心主线，完整链路分为前置标定与部署、实时遥操作与同步采集、后处理、数据集封装与模型输入等核心环节。

在行业看来，真机遥操数采的优势点在于，数据来自机器人与真实物理世界的直接交互，完整保留了物体材质、摩擦力、重力、环境扰动等真实物理变量，覆盖了人类面对突发状况的判断、调整、纠错的完整决策过程，避免了仿真数据的理想化偏差，可以获得接近真实物理世界的交互数据，从而大幅降低落地误差。

值得一提的是，最近这两年比较火的Ego（第一人称视角数据方案） 和UMI（俯视手部操作数据方案），二者也都是当前具身智能领域以人为核心的低成本真人数据采集路线的两大主流范式，采集对象是人，而且硬件成本低，人力门槛低，可快速规模化，和“真机遥操作”并列。

数据采集行业目前主要落地三类方案：

1、集中式实验室数据工厂方案。在固定场地内搭建多类标准化场景（工业产线、家庭、康养等），部署多台机器人与遥操作工位，批量采集特定任务数据。代表如早期北京人形机器人数据训练中心、智元上海数据工厂，优势是环境可控、管理集中，适合标准化任务的大规模生产。

2、分布式真实作业场景方案。将机器人直接部署到工厂、仓储、电力、零售等真实业务现场，操作员通过低延迟网络跨地域操控机器人完成真实作业，在业务执行中同步沉淀数据，代表如睿尔曼智能GLN远程作业网络。

3、开源全栈工具链方案。基于开源工具搭建从遥操采集、数据处理到模型训练的完整链路。比如，腾讯云LeRobot+NVIDIA Isaac Teleop 方案，降低中小团队的研发门槛，但数据依然属于仿真，存在诸多真实人机操作的数据不足、无法部署等情况。

但无论是 Ego 视角、UMI 俯拍方案，还是真机遥操作，在数据质量、模型技术等层面均暴露出诸多共性问题，智能纪元AGI将其核心矛盾归纳为三点：

第一，成本问题。

真机遥操作属于人力密集型生产模式。公开信息显示，每名操作员每日采集的8个小时里，有效采集时长仅2-5小时，单台机器人单小时有效数据成本可达500元以上，而每天至少消耗数千至数万元。

前期需投入机器人本体、场地、硬件等重资产，后续运维、标注持续消耗人力，规模化扩量的经济门槛极高。

所以，集中式数采模式深层症结在于，纯靠融资输血维持的运转逻辑根本走不通。这类项目只产出训练数据、不承接真实业务，既没有稳定营收对冲场地、设备、人力的重资产投入，也没有打通数据资产商业化的清晰路径，一旦行业融资节奏放缓，缺乏自我造血能力的项目就会率先撑不下去。

极佳视界联合创始人、首席科学家朱政近期提到一组数据，以几十万小时数据训练几十亿参数的具身基模（世界模型），当前训练成本约 1 亿元。按此比例推演，若未来数据量增至数千万乃至上亿小时、参数量扩大10至100倍，在样本利用效率没有突破的前提下，单模型训练成本将飙升至千亿级。

当然，朱政提到的实验室遥操，和远程遥操数采二者的成本结构差异很大。

实验室遥操属于重资产纯投入模式，需要单独投入场地建设、专用设备、专职数采团队，所有成本都是纯研发投入。而且，由于数据泛化性有限，大量采集的数据无法落地应用，折算到可落地的有效数据上，单位成本很高。

第二点是集中式数采的硬件绑定性强，数据复用性差，泛化能力不足。

当人类真机采集数据高度绑定特定机器人的传感器布局、关节构型与控制模态时，不同品牌、不同型号的机器人之间数据无法通用，每更换一次本体或调整作业流程，都需要重新投入采集，数据资产无法跨平台沉淀。

对行业来说，无法使用的重复数据没有价值。

而且，传统集中式数据工厂多在标准化封闭训练场采集，光照、物体摆放、工况全部人为设定，产出的“干净数据”与真实环境的光线干扰、物料偏差、突发工况存在明显断层，数据质量与操作员熟练度高度相关，新手与资深操作员的采集成功率、动作合理性差距显著，最终可能形成“训练场满分、现场失灵”的泛化鸿沟。

以头环采集数据为例，作业过程中设备很难始终稳定对准观测与操作部位，会混入大量无效、偏移、噪声样本，这类数据短期内同样难以直接赋能产业应用。

最后一点是体量天花板低，难以支撑大模型。

受人力与硬件限制，遥操作数据年产出量级远低于文本、图像数据。公开信息显示，截至2026年初，全球高质量真实物理交互数据总量仅约50万小时，不足大语言模型训练数据的万分之一，难以支撑超大规模具身模型的端到端训练，缺口超过99%。

中国信息通信研究院人工智能研究所8月18日联合发布的《具身智能训练场研究报告（2026）》显示，要实现人形机器人“ChatGPT时刻”，模型参数55B，训练所需数据量约1.1万亿 tokens（词元）。

要知道，Physical Intelligence π系列模型的参数也就40亿左右，而数采成本依然高到亿元级别，更不用说数据清洗、算力成本、模型前训练和后训练，这些都会推高成本、拉低参数效率，让真实物理AI数据更难获得。

睿尔曼智能表示，实验室遥操数采解决“有没有数据”的问题，而到真实作业环境中远程遥操数采，解决的是“数据好不好”的问题。

而针对北京人形机器人数据训练中心停运，其运营方睿尔曼智能相关负责人对外回应称，实验室采集的数据的历史价值不可替代。这些数据，解决了具身智能“无真机数据可训”的早期空白问题，支撑了基础动作模型的搭建。当具身智能要真正“干活”时，数据必须来自真实的生产和生活场景，而非模拟环境。

显然，如今随着世界模型和数采成本大幅提升，重资产数采中心盈利逻辑很难跑通，而且项目只产出训练数据，本身不承接真实业务，没有业务营收对冲巨额开支，数据如何卖、卖给谁，也都成为行业巨大的挑战。

落地真实“干活”才是有价值的数据

一位机器人行业人士的这个说法，我还是比较认同的：

真正具备高价值的数据，始终诞生于真实的业务运转流程，而非人工复刻的仿真环境。无需人为堆砌训练场景，而是从实际作业与真实突发工况中采集训练素材，但人形机器人行业要落地这套思路，需要一套适配自身当前发展阶段的可行方案，也需要考量自身成本。

事实上，具身智能还是要重新回归本质，利用模型的自学习、自回归等能力，或者搭建远程遥操方案，而不是集中式数采，从而形成真实的作业数据。

相对于集中式数采，真实场景远程遥操带来的数据，是机器人执行真实作业过程中自然产生的，数据采集的成本可被业务收入大幅摊薄，且部署规模越大、作业时长越久，成本优势越明显。

近期，国内具身智能企业睿尔曼智能近期则公布一种名为GLN（Global Labor Network）全球远程作业网络，是适配人形机器人产业现状的落地方案之一。

具体来说，这套网络依靠毫秒级低延迟远程操控，让有限部署的机器人承接真实业务，操作员跨地域完成作业任务，在真实实操过程中沉淀稀缺真机数据反哺模型，同时实现全球劳动力跨时空调度。据悉，睿尔曼智能成立于2018年，主营关节模组、机械臂和轮式机器人等产品。今年8月中旬，该公司启动上市辅导，拟登陆深交所创业板。

在2026世界机器人大会上，睿尔曼智能创始人兼CEO郑随兵表示，GLN的逻辑是让人的身体通过机器人延伸到世界各地，实现机器人“真干活”。

现场，RealBOT机器人完成药店补货、配电室巡检，协同稻香村非遗师傅制作月饼，还远程调度常州工厂机器人完成产线调试巡检。睿尔曼计划2026年将RealBOT部署至近千个真实业务场景，打通“作业-采集-迭代-更好作业”的正向飞轮。

“我们只有真机和人，机器人就在场景里干活。”郑随兵透露，去年做模型的数据成本约1000万元，算力年投入不超过5000万元，“这不是烧钱堆出来的，靠的是真实场景中的真机数据。”

总结来说，北京首家人形机器人数据训练中心的悄然退场，不是某个项目的失败，而是行业从“攒数据”走向“用数据”的必然转身。

当“有没有数据”的问题已经解决，“数据好不好”才真正决定具身智能能否在真实世界里站稳脚跟。

一窝蜂冲进数据采集赛道，若只是靠人力堆砌封闭场景，产出的恐怕只是“训练场满分、现场失灵”的伪数据。真正高价值的数据永远生长在真实的业务流程里，这是任何仿真工厂都无法复刻的。

当人形机器人正在从“会表演”走向“真干活”，数据采集与真实业务需要拧成一条正向飞轮，具身智能的 “ChatGPT时刻”才真正有了在生产生活中创造价值的土壤。

©本文为原创内容

未经授权，禁止转载