数据是新的石油——但具身智能还是一片油田
具身智能面临一个残酷现实：可用训练数据极度匮乏。大语言模型可以爬取整个互联网的文本，而机器人动作数据需要真机采集——成本差了几个数量级。
数据来源对比
| 来源 | 成本/小时 | 数据质量 | 多样性 | 代表性 |
|---|---|---|---|---|
| 真机遥操作 | 约500-2000元 | 高 | 低（单一场景） | 高 |
| 仿真合成 | 约1-10元 | 中 | 高（域随机化） | 中（Sim-to-Real Gap） |
| 视频学习（YouTube） | 几乎为0 | 低（无动作标签） | 极高 | 低 |
解决方案
- 仿真+真机混合：大规模仿真训练+少量真机微调——当前最务实路线
- 数据平台化：艾欧智能EmbodiFlow、智元AgiBot World——让数据可复用
- 视频预训练：从互联网视频中学习世界知识，再迁移到机器人
- 数据飞轮：部署越多→收集数据越多→模型越好→部署越多
百亿级数据集竞赛
谁先建成百亿级具身智能训练数据集，谁就掌控了下一个时代的石油。这是比模型参数更深的护城河——因为数据质量依赖真实部署规模，存在"先发优势"的正反馈。
参考：艾欧智能、智元AgiBot World、UC Berkeley Open X-Embodiment