0
编辑丨李希
数据攒到百万小时，机器人就能在陌生场景中稳定干活吗？
对具身智能企业而言，数据规模一直被视为模型能力的重要基础，不少厂商都在冲刺“百万小时级”数据建设目标，试图通过更大规模的训练数据，推动模型能力进一步跃升。但当机器人真正走出实验室，行业也逐渐意识到：数据时长与实战能力之间，并不存在简单的兑换关系。
这是因为，真实世界不会照着训练样本重演。杯子换了材质，货架调整位置，抓取途中物体突然滑落，机器人都要根据现场变化重新判断、实时调整。数据时长可以不断累加，但模型能否应对训练集之外的变化，最终还得放到真实任务中检验。
随着具身智能加速从演示走向真实作业，数据竞争的评判标准也在变化。除了“积累了多少小时”，行业开始追问一个更接近结果的问题：新增的数据，究竟给模型带来了多少实打实的能力增益？
围绕这一问题，数据供给也开始向训练全链路延伸——从采集真实交互，到构建可供模型反复试错的虚拟环境，再到以真机反馈指导下一轮数据生产与训练，以Real2Sim2Real为代表的虚实融合闭环，正在打通这些环节。
01
具身智能需要规模化数据，这一点仍是行业的基本共识。
在不久前举办的第九届中国机器人峰会期间，星海图商务总监沈鑫表示，一个合格的产业级模型至少需要百万小时级的数据积累。浙江大学教授、浙江人形机器人创新中心首席科学家熊蓉则从研究角度指出，具身智能领域确实存在Scaling Law，随着训练数据增加，模型性能也会持续提升。
但问题在于，数据达到百万小时，并不意味着机器人一定能够应对真实世界。越来越多从业者开始提醒，数据增长与能力提升之间，并不存在一条可以直接换算的直线。
在2026年外滩大会期间，破壳机器人创始人、清华大学交叉信息研究院助理教授许华哲谈到，百万小时比十万小时多一个数量级，容易比较，但目前并没有看到数据数字越高，模型效果就一定越好。他并非反对扩大规模，而是主张“边扩边找，边找边扩”，先判断什么样的数据有效，再继续放量。
在无问智科创始人刘盛翔看来，随着具身模型任务复杂度和应用场景持续提升，行业对数据基础设施的需求也在变化：从早期关注数据规模，进一步走向对场景丰富度、任务丰富度、动作丰富度、示教质量及最终模型增益的综合要求。再往前一步，数据基础设施还应提供支持物理AI强化学习（RL），以及未来自我递归学习（RSI）的虚拟环境和虚拟世界。
具身智能的数据竞争由此进入一个更难的阶段：既要扩大供给，又要让新增数据切实回应模型的能力需求。规模与质量，能否同时提升？
02
“高质量数据”听起来并不复杂，但落到模型训练中，判断标准远不只是画面是否清晰、动作是否规范。
蚂蚁灵波首席数据科学家黄用韬将数据质量区分为两个层面：视频不掉帧、画面不失真、多传感器时钟同步，属于必须满足的工程底线；越过这条底线，样本是否有价值，则与训练目标紧密相关。若希望模型学到稳定、平滑的动作，可能需要较为一致的轨迹；若希望提升泛化能力，就需要物体位置、形态等更丰富的变化。
Physical Intelligence的π 0研究提供了另一种观察角度。研究团队将机器人模型的训练分为预训练和后训练两个阶段：预训练数据需要覆盖广泛任务和多样行为，帮助模型形成通用能力；后训练数据则更强调示教策略的一致性与流畅性，使模型更好地完成特定任务。
研究同时指出，只使用高质量示范，模型可能因缺少失败样本而难以学习纠错与恢复；只依靠多样但质量相对较低的数据，又难以形成高效、稳健的执行策略。多样化经验与高质量示教，需要在不同训练阶段相互配合。
这也让数据质量有了更具体的判断尺度：一段数据是否准确、完整，决定它能否进入训练；它是否覆盖模型的能力缺口、能否改善任务表现，则决定它对当前训练有多大价值。
对数据生产者而言，这意味着仅仅把数据采集和处理好还不够，需要更深入地理解模型需求。哪些经验值得扩大供给，哪些样本可以减少，哪些场景仍然缺失，都需要结合模型训练与评测结果持续判断。数据生产也因此从一次性交付，逐步走向与模型迭代同步进行。
在刘盛翔看来，数据的规模与质量并非必然对立，兼顾两者的关键在于高质量的虚实融合闭环：真实世界数据能够提供物体交互和物理变化的依据，仿真与生成数据则可以扩展场景和任务分布；两者通过训练、评测和真机反馈相互校正，才能让数据生产持续围绕模型的能力缺口展开，实现“又多又好”的数据供给。
世界模型在这一过程中承担着连接真实世界与虚拟世界的关键角色。通过学习真实数据中的空间结构、物体关系、运动过程和交互规律，世界模型可以对现实场景进行理解、重建与生成，将有限的真实经验转化为更多可供模型训练和试错的虚拟环境。
世界理解模型构建的自动化数据生产管线
基于这一思路，无问智科构建了“世界模型×数据工厂×世界模拟器”技术体系，以真实数据为物理世界的锚点，以世界模型扩展可训练的场景与任务空间，再让模型在虚拟环境中训练，并通过真实机器人检验效果。模型暴露出的能力缺口，又可以指导下一轮数据采集、世界生成和仿真训练。
通过这套技术范式，无问智科推动“规模化数据生产”走向“高质量虚实融合闭环”，试图为模型训练“规模化、高质量、低成本”难以兼顾的“不可能三角”寻找破解路径。
03
无问智科构建的虚实融合闭环，可以概括为“采集世界、生成世界、模拟世界”，分别由“无垠”数据基座、“无臻”Ego2Sim训练环境生成平台和“无穹”世界模拟器承接。
第一步，是通过“无垠”数据基座采集和理解真实世界。
无问智科使用自研多模态设备，以“无感野采”方式采集真实任务中的人类行为、物体交互、环境及物理信息。与在固定数采场地中预设动作不同，这类采集更强调保留真实工作过程中的场景变化和操作经验。
大规模无感野采范式高效获取数据
采集只是起点。原始数据还需要经过清洗、对齐、筛选、重建、标注及跨本体处理，才能转化为可直接用于训练的Model-Ready数据。据公司披露，其通过世界理解模型建设自动化数据生产管线，使Raw Data到Model-Ready Data的处理效率提高了500%至1000%。
目前，无问智科已进入物流仓储、工业制造、家庭服务和商业零售等场景，累计沉淀数十万小时级真实物理交互数据，月度数据生产能力超过2万小时。真实采集为模型提供了理解物理世界的“锚点”，也为后续生成和模拟奠定基础。
第二步，是借助“无臻”生成平台，将有限的真实经验扩展为可训练的数字世界。
依托世界模型，“无臻”可以对真实场景进行理解、重建与生成，自动生产Sim-Ready 4D资产，以及用于强化学习的场景和环境。这里的目标并非简单复制一处现实空间，而是基于真实信息改变物体、布局、任务条件和交互过程，让模型接触更多现实中可能出现的情况。
由此，一处真实场景不再只产生一批固定示教。它可以被结构化和重构，衍生出大量新的物体配置、动作组合与任务条件，扩大训练数据的覆盖范围。公司披露，其Sim-Ready资产的构建时间已从3天一个缩短至5分钟一个，并已建设百万级Sim-Ready资产库。
第三步，是依托“无穹”世界模拟器，让模型在生成世界中训练、评测和验证。
“无穹”通过高精度可微分物理仿真，为物理AI提供可以大规模试错的训练环境。相比直接让机器人在现实中反复尝试，虚拟环境可以并行生成更多训练过程，也能避免部分真机损耗和安全风险。
不过，虚拟训练的价值最终取决于能否迁移到现实。传感器噪声、接触误差、物体形变等因素，都可能造成仿真与真实世界之间的差距。因此，无问智科的技术路径并未停留在Real2Sim，而是进一步将训练结果带回真实机器人测试，形成Real2Sim2Real闭环。
高精度世界生成物理仿真
这套闭环路径的实际价值，已经在客户合作项目中得到验证。据公司披露，在与一家头部客户的合作验证中，基于生成世界开展在线强化学习后，模型在相关任务中的仿真成功率由9.7%提升至79.8%；相关能力迁移至真实机器人后，任务成功率提升超过50%。
04
一套新的技术范式能否真正跑通，不仅取决于技术路径是否成立，也要接受商业市场的检验。订单与复购反映客户是否愿意为实际价值买单，资本投向则体现市场对其发展前景的判断。两类信号共同勾勒出具身智能产业的数据需求正在发生的变化。
据无问智科披露，其具身智能业务订单已达数亿元，订单同比增长超过3000%，预计收入同比增长超过1000%；头部客户覆盖度及客户复购率均超过80%。公司已与多家具身智能企业和基础模型公司围绕真实数据、仿真、评测及Real2Sim2Real闭环展开合作。
今年9月，无问智科宣布完成数亿元A轮融资，由洪泰基金领投，洪山资本、中电数融、狮城资本跟投，架桥资本、力合金融、力合中科、灵澄未来等老股东超额追投。募集资金将主要用于世界模型研发、真实物理交互数据规模化生产、Sim-Ready资产体系与世界模拟器建设，以及Real2Sim2Real全链路能力完善。
订单增长、客户复购与融资投向，共同指向一个日益清晰的趋势：随着机器人从实验室进入工厂、仓储和家庭，企业的数据需求正在从“获得一批训练数据”，延伸至补齐模型短板、扩展训练场景、降低试错成本，并通过持续反馈推动模型迭代。数据基础设施的价值，也开始从数据交付能力向训练闭环能力延伸。
未来，数据时长仍是衡量供给能力的重要指标。但在“多少小时”之外，行业会更看重一张更接近真实结果的成绩单：机器人掌握了哪些新任务，面对环境变化能否及时调整，在虚拟世界中学到的能力又有多少能够迁移到现实。具身智能的数据竞争，最终将落在数据能否转化为可迁移、可验证的真实能力上。只有走出数据集、经得住真实任务检验的能力，才能推动机器人真正进入产业现场。
