Google 开发者大会观察：具身智能下半场，中国数据企业的全球化新路径 | 前沿在线

编辑：前沿在线 编辑部

2026 Google 开发者大会现场，大模型迭代、消费级 AI 应用始终是人群簇拥的主角。

少有人留意的是，具身智能赛道的竞争重心，正在悄悄从本体硬件向下游数据基础设施转移。

受邀加入谷歌初创出海计划的中国数据科技公司诺亦腾机器人，是这一方向上的典型样本。

就在两周前的北京世界机器人大会上，这家主打 “不造整机机器人” 的企业，刚刚开源了一套 617.5 小时的高精度人体运动数据集 HiPHI。

从接入谷歌生态加速全球化布局，到向全球开放核心数据体系，它走的不是传统硬件厂商的出海路线，更像一条底层行业标准的输出路径。

出海新命题：谷歌生态的双重价值

被低估的出海门槛

大会现场，围绕中国具身智能初创企业的出海挑战，我们与诺亦腾机器人 CMO Rock Nakajima展开了对话。

【前沿在线】：

“中国具身智能初创企业出海时最容易低估的问题是什么？是产品本地化、法规和数据合规、本地生态建设，还是客户信任的建立？”

【诺亦腾机器人 CMO Rock Nakajima】：

原文：“Truth is right now, it's much more complicated because I think with the changes in geopolitics, we have a lot more challenges, especially the relationships between various countries, whether it's the United States, China, Japan, Middle East is changing. So it's a little bit more difficult right now, but in the next three years, it'll be different again.” 翻译：“说实话，当前的局面要复杂得多。地缘政治格局正在发生变化，我们面临着更多挑战，尤其是美国、中国、日本、中东等各区域之间的关系持续演变。因此眼下全球化的难度确实有所上升，但未来三年局面又会迎来新的变化。”

诺亦腾机器人本身具备深厚的国际化基因。

12 年前两位创始人通过 Kickstarter 众筹启动项目，产品上线初期就以海外市场为主，团队拥有近 20 年的动作捕捉行业全球运营经验。

但即便有这样的积淀，其当下面对的核心挑战，也早已从产品适配、渠道拓展，转向了地缘政治波动下的全球法规与数据合规。

这也是很多中国智能初创的共性误区。

行业普遍默认出海的难点在产品本地化和渠道搭建，却低估了跨区域数据合规的复杂度，以及海外客户信任建立的冷启动成本，而这恰恰是谷歌初创出海计划瞄准的核心痛点之一。

不止资源，更是身份背书

【前沿在线】： “谷歌出海计划旨在为企业提供技术创新、早期验证和规模化扩张以及全球化发展的全量支持。对于具身智能企业而言，哪些类型的支持最具价值？”

【诺亦腾机器人 CMO Rock Nakajima】：

原文：“So being part of the startup program gives you an instant access to the global footprint of Google as a company and all its assets, whether it's AI, whether it's a cloud, whether it's any of the many other things that they offer... The most important thing about working with Google is to get that instant identity. That makes you an international company.” 翻译：“加入谷歌初创出海计划，企业可以立即接入谷歌的全球业务版图，调用它的全部资产，无论是 AI 能力、云服务，还是其他诸多产品体系。在我看来，和谷歌合作最重要的价值，是获得这种即时的身份认同，它会让你直接以国际化公司的身份进入市场。”

在不少从业者的认知里，谷歌出海计划的价值更多停留在技术资源层面。

但实际来看，其价值可以分为两层。

第一层是全球技术与商业资产的即时接入。

企业可以一键复用谷歌沉淀多年的全球基础设施，覆盖 AI 能力、云服务、广告体系等全栈资源，大幅降低全球化的技术研发与市场触达成本，无需从零搭建全球技术与商业网络。

更核心的是第二层价值：国际企业的身份背书。

对初创企业而言，谷歌的全球品牌认同，能够帮助企业跳过漫长的海外信任积累期，直接以成熟国际玩家的身份切入市场，有效缓解科技初创出海的无名者困境。

从更长周期来看，依托谷歌的全球网络与合规经验，也能帮助企业对冲部分地缘政策波动的风险，为未来三年的全球化布局留足弹性空间。

对处于全球化起步阶段的科创企业而言，这是一套效率较高的增长路径。

数据企业的差异化出海路径

硬件出海拼的是成本与渠道，本质是供应链能力的输出；数据出海拼的是标准与生态，本质是行业底层规则的输出，后者的全球壁垒更高，长期价值也更大。

从全球产业分工来看，具身数据赛道已经初步形成分层格局：

美国主打平台型产品与前沿技术，印度依托低成本人力承接中低端采集外包，而中国凭借完整的产业链配套与政策推动，正在成为全球数据基础设施建设的重要力量。

数据标准的全球化输出，是中国科技企业在硬件出海之后的下一个战略高地，而谷歌的全球生态恰好是这条路径的重要跳板。

行业痛点下，一套结构化数据的解题思路

全行业的共性困境：一边缺数据，一边浪费数据

人形机器人的硬件迭代已经从年级压缩到季度级，厂商扎堆比拼自由度、算力、续航、制造成本，但训练数据的生产速度和复用效率，远远跟不上硬件迭代的速度。

当前行业的普遍现状是，训练数据与特定机型强绑定，G1 的数据无法直接复用到 G2，产品迭代一次，数据就作废一批，全行业都存在不同程度的重复投入问题。

国内已有不少机器人厂商因自建数据工厂的资源复用率低，转而寻求外部数据服务。

从整个行业的供需来看，二者存在数量级的缺口。

业内普遍测算，具身智能要达到类似大语言模型 GPT-3.5 级别的通用能力，需要上亿小时级别的高质量物理交互数据；但截至目前，全球可用的高保真真实运动与交互数据仅有数十万小时量级。

行业内天然形成了数据价值的金字塔结构：最底层是互联网公开视频，体量最大但缺少精确物理状态标注，训练价值有限；

中间层是仿真合成数据，生产效率高但真实度不足，迁移到真实场景容易打折扣；最顶端是真实动捕和真机遥操作数据，物理精度最高但成本也最高，供给极度稀缺。

为填补缺口，行业演化出了多条技术路线：真机遥操作精度最高但成本高昂，无本体穿戴式动捕成本适中，纯仿真合成路线效率最高但始终面临 “仿真到真实” 的落地鸿沟，也有玩家尝试从公开视频中提取数据，但精度难以满足训练要求。

这一格局很像大模型爆发前夜的状态：行业普遍堆砌数据数量，直到结构化的预训练语料体系成型，才真正迎来能力的质变。具身智能目前正站在相似的节点上。

世界编译器：给运动建立结构化语言

【诺亦腾机器人 CMO Rock Nakajima】

原文：“This is where we need to go back to understand exactly how the recent boom in AI happened. LLMs were built on 30 years of collective data on the internet... Text is not just random characters, images are not just random pixels. Movement also has to be organized, almost like a language. This is our concept of the World Compiler.” 翻译：“要理解这一点，我们得回过头看最近这波 AI 浪潮是怎么兴起的。大语言模型建立在互联网 30 年积累的数据之上。文本不是随机的字符，图像也不是随机的像素点。运动同样需要被系统化组织，就像语言一样。这就是我们提出的「世界编译器（World Compiler）」理念。”

诺亦腾机器人提出的 “世界编译器”，核心思路是给人类运动建立一套结构化的表达体系。

就像文字有语义、图像有像素逻辑一样，把人类的运动拆解为可组合、可迁移的语义单元，让运动也成为能被机器读懂的结构化信息。

这套体系基于FrameNet 语言学框架重构动作数据，让零散的动作片段形成有结构、可复用的知识体系。

对应这套理念，诺亦腾机器人搭建了三类数据体系：MOV 对应基础运动，OM对应物体交互，ITW 对应真实场景交互，从通用基础能力到场景落地应用层层递进，对应机器人从 “会动” 到 “会做事” 的完整成长路径。

这套思路的核心价值，是大幅提升高价值真实数据的复用率。

用一套标准数据适配多场景、多机型，对冲高端数据采集的高成本，为行业提供了一种新的解题方向。

跨本体泛化：解决数据迭代失效的核心

【诺亦腾机器人 CMO Rock Nakajima】

原文：“If you just focus purely on teleoperation, all that data is going to be specific to that robot. The Unitree G1 right now — when G2 comes next year, G3, G4, are we going to have to remap every time？That data you're collecting right now for one robot may not be usable in the future. Whereas human data can always be reassigned each time.”

翻译：“如果纯粹依赖遥操作采集数据，所有数据都会和特定机器人深度绑定。就拿现在的宇树 G1 来说，明年 G2、后年 G3、G4 推出的时候，我们难道每次都要重新做一遍重映射吗？你现在为某一款机器人采集的数据，未来很可能就失效了。但人类中心数据不同，它每次都可以重新适配复用。”

这段话点出了行业的共性痛点：纯靠遥操作采集的数据，天然与特定机型深度绑定，机器人迭代越快，数据作废的速度就越快。

而人类中心的数据路线逻辑完全不同。

这套思路继承自动捕行业多年的技术积累：不同身材的真人动作数据，可通过重映射技术适配到差异极大的虚拟角色上。迁移到机器人领域，就是先定义 “人怎么运动”，再通过重映射适配不同构型、不同代际的机器人。

本次开源的 HiPHI 数据集，就是这套思路的落地产物。

617.5 小时总量、亚毫米级精度、132 名表演者、人-物同步记录，跻身全球公开数据集的第一梯队。

它的核心特点是主打跨本体泛化能力，从根源上缓解数据随产品迭代失效的问题。

目前基于 HiPHI 训练的策略，已经在宇树 G1 人形机器人上完成了跑步、坐下、爬行、搬运箱子等基础动作的验证，完成了从数据到真机的闭环。

AdaPT：从通用动作到专业技能的验证

如果说 HiPHI 是通用数据体系的基础样本，AdaPT 网球项目就是这套体系落地效果的清晰验证。

该项目采用 “基础预训练 + 专业精调” 的训练范式：先用 HiPHI 数据搭建通用运动基础，再加入职业运动员的高精度动捕数据精调专业技能，成功复刻了纳达尔、费德勒、德约科维奇三位网球巨星的差异化打法。

针对仿真训练到真机落地的偏差痛点，AdaPT 设计了规划器 + 跟踪器的双层自适应架构。

规划器根据来球轨迹和机器人状态决策动作与速度，跟踪器负责稳定执行，还能通过动态调整动作节奏匹配真实执行误差，无需机械地按固定时间轴运行。

最终这套方法完成了多维度验证：可适配宇树 G1 和越疆 Atom 全尺寸两款不同的人形机器人，可从动捕棚环境落地到真实网球场，也可覆盖连续对拉和自主发球两类不同的动作逻辑。

网球作为典型的高规则化运动场景，为这套方法提供了清晰的验证样本，也证明了其向更多真实场景延伸的可复制性。

开源背后：一条数据基础设施的商业化路径

开源的本质：参与行业标准构建

高质量运动数据长期是各家企业的私产，行业没有统一的评估标准，数据质量参差不齐，研究成果难以横向对比，一定程度上拖慢了整体进展。

放出 HiPHI 这套数据集，表面上是把核心资产免费公开，本质上是拿出一套行业参照系。

随着全球研发群体的广泛参与和持续验证，这套标准有望逐步形成行业共识。

谷歌生态在这里起到了关键的放大作用。

依托Google 开发者大会的全球影响力与开发者生态，这套标准能以更快的速度触达全球产业与学术界，加速行业共识的形成。

双层模式：开源建标杆，商业做增量

不少人会好奇，把核心数据免费放出来，商业空间在哪里。

实际上诺亦腾机器人走的是典型的 “开源建标杆、商业做增量” 的双层模式，也是全球科技基础设施企业常用的发展路径。

开源层面，面向科研圈免费开放基础数据集，做品牌、建生态、立标准，相当于放出 “样本产品”，建立全球行业认知；商业层面，提供更大规模、更高维度的全品类数据授权，服务企业客户。

具体来看，面向科研圈的 HiPHI 只是基础子集，更大规模的 HiPHI-MOV、全模态 OM、真实场景 ITW 三类语料库，通过 ModalityNet 平台提供企业级授权，服务全球机器人本体企业。

这套模式的底气来自产能和资本的双重支撑。

根据官方披露，2026 年 6 月诺亦腾机器人完成数亿元 Pre-A++ 轮融资，获得京沪两地 AI 产业基金、深创投、中金资本等头部机构的超额认购，资金重点投入数据工厂与工程化平台建设。

目前其 ModalityNet 数据平台年产能已达数十万小时量级，覆盖基础运动、物体交互、真实场景全品类，本次开源的 600 余小时数据，只是其产能的极小一部分。

除了传统的真实动捕采集，企业还在探索新的产能路径。

联合生成式 AI 企业，用 “真实数据种子 + 生成式放大” 的路径提升产能，以高精度动捕数据作为物理基准，再通过可控视频生成技术规模化扩充场景、人物、环境的多样性，同时解决动捕设备穿戴带来的视觉干扰问题，进一步打开了产能扩容的空间。

赛道展望：复刻大模型的产业格局

从产业演进的视角来看，这套发展路径并不陌生，它大概率会复刻大模型领域的成熟格局。

未来具身智能赛道很可能形成“开源基础 + 私有微调” 的双层结构：公共高质量数据集成为行业通用底座，承担通识教育的功能，就像大模型领域的开源基础模型；基础模型成熟后，各企业基于自身业务场景做私有数据微调，核心技能数据成为企业的核心商业资产。

更值得关注的是，这套结构化数据体系的价值不止于人形机器人训练，它更是构建物理世界模型的核心底座。

而世界模型被业界普遍视为通往物理 AGI 的关键架构，这意味着数据基础设施的价值边界，还会随着产业演进而持续拓宽。

长路在前，中国玩家的先发优势

必须清醒地看到，现在这套通用数据体系还处于早期阶段。

数据维度上，目前还以运动数据为主，触觉、力觉、环境感知等高阶多模态数据仍是全行业待突破的方向，传感器、生物力学建模等核心技术还在持续演进。

场景维度上，目前的验证主要集中在结构化运动场景，真实工业、服务场景的广阔空间，还有待持续开拓。

全球化层面的挑战也同样长期存在。

地缘政治波动下，全球数据流动与合规仍是长期命题，这也是谷歌出海计划持续赋能的核心方向。

全球数据标准的构建才刚刚开始，需要持续的技术投入与生态合作来推进。

但毋庸置疑的是，在这条赛道上，中国玩家具备明显的先发优势。

中国具身智能的竞争力，早就不止于供应链和制造成本。在底层数据基础设施这个更核心的赛道，中国拥有从上游动捕硬件、中游数据生产到下游模型应用的完整产业链，数据基础设施作为承上启下的核心环节，正在承接整个产业的增长红利。

国内的政策环境也在持续加码。

数据要素价值释放的政策导向明确，地方政府也在加速布局数据采集中心与产业基建，整个行业处于快速扩容的红利期，为中国企业参与全球标准建设提供了深厚的产业土壤。

依托谷歌的全球生态，中国科技企业正在尝试从卖产品，走向定标准。

这是比营收增长更值得关注的产业方向。

从谷歌出海计划里的中国初创，到探索给全球机器人编通用课本的基础设施玩家，诺亦腾机器人的路径，是中国科技企业全球化的一个典型缩影。

当所有人都盯着人形机器人的肢体有多灵活的时候，真正决定行业天花板的变量，早就变成了数据底座的厚度。

随着底层数据基础设施的持续完善，具身智能的下一个突破，或许就藏在这些扎实的建设里。

前沿动态前沿大会
前沿人物

点「在看」，给前前加鸡腿