2026年，具身智能领域有一个"公开的秘密"：数据不够。
一个语言模型（如GPT-5）的训练数据来自互联网——文本、网页、书籍、对话，数百亿条数据，触手可及。一个具身智能模型的训练数据来自"物理世界"——机器人的每一次抓取、每一次移动、每一次交互，都是数据。而这些数据，必须"亲自采集"。
金句：语言模型的"数据"是免费的（互联网文本），具身智能的"数据"是昂贵的（物理交互）。一个是用"矿"训练，一个是用"血"训练。
数据饥渴的根源
一个机器人要学会"拿起一个杯子"，需要多少数据？
- 不同形状的杯子（圆杯、方杯、高脚杯、马克杯）：至少1000种
- 不同材质的杯子（玻璃、陶瓷、塑料、不锈钢）：至少100种
- 不同场景（桌面、水槽边、茶几上、地上）：至少100种
- 不同光照条件（白天、晚上、灯光下、阴影中）：至少50种
- 不同角度（正面、侧面、俯视、仰视）：至少50种
相当于：1000 x 100 x 100 x 50 x 50 = 250亿种组合。当然，实际训练不需要覆盖所有组合，但至少需要"100万条"高质量数据，才能让机器人学会"拿起杯子"这一个任务。
金句：具身智能的"数据饥饿"，不是"吃不饱"，而是"吃不起"。100万条真实数据的采集成本，约1000万美元。
三条数据获取路径
路径一：真实采集（最贵，最有效）。 让机器人在真实环境中反复练习，每次练习都记录数据。斯坦福的ALOHA项目，就是通过"人工遥操作"让机器人采集数据——人类操作员控制机器人做"倒水"、“擦桌子"等任务，机器人记录操作数据。ALOHA系统采集一条数据约需10美元，100万条数据约需1000万美元。
路径二：仿真生成（便宜，但需要Sim-to-Real）。 在虚拟环境中（如NVIDIA Isaac Sim）训练机器人，然后将模型迁移到真实环境。在仿真中采集数据是免费的，但"仿真到真实"的迁移，会损失约30%-50%的性能。这就是著名的"Sim-to-Real Gap”。
路径三：互联网视频（最便宜，但质量最低）。 从YouTube、TikTok等平台的视频中学习——人类做饭、打扫、修理的视频，都是"免费"的训练数据。但互联网视频是"2D"的，没有深度信息，没有力反馈，无法直接用于训练。需要"3D重建"和"动作理解"的预处理。
金句：具身智能的数据采集，是一个"不可能三角"——便宜、高质量、大规模，你只能选两个。
2026年的突破：共享数据生态
2026年，具身智能领域出现了一个重要趋势：数据共享。
Google DeepMind发起了"Open X-Embodiment"项目——一个全球机器人数据共享平台。参与机构（包括斯坦福、MIT、CMU、UC Berkeley等）将自己的机器人数据上传到平台，任何研究机构都可以使用。目前，平台上有超过100万条数据，覆盖了60多种机器人、500多种任务。
金句：具身智能的"数据饥渴"，不能靠"单打独斗"解决，只能靠"共享生态"解决。一家公司采集100万条数据需要1000万美元，100家公司共享数据，每家成本降到10万美元。
结语
2026年，数据是具身智能的"新石油"——谁有数据，谁有未来。数据共享生态的建设，是具身智能从"实验室"走向"产业化"的关键一步。