> **来源：[研报客](https://pc.yanbaoke.cn)** # 2026具身智能数据产业链与新基础设施研究报告总结 ## 核心内容 本报告聚焦具身智能领域中“数据产业链×新基础设施”的发展主线，探讨了具身智能从 Digital AI 向 Physical AI 的范式转变。核心观点认为，具身智能的产业关键已从单点模型能力转向系统交付能力，强调数据与模型、硬件、环境的系统融合。 ## 主要观点 - **具身智能的本质**：具身智能是智能体依托物理载体，在真实环境中完成感知、决策与行动闭环的系统，与 Digital AI 有本质区别。 - **数据的价值跃迁**：具身智能的发展依赖“可用数据”，而不仅是数据量。可用数据需具备可检索、可对齐、可压缩、可复现、可评测、可跨本体复用等特征。 - **数据闭环的重要性**：数据飞轮机制是具身智能系统持续进化的关键，包括数据生产、治理、模型训练、评测发布和部署回流。 - **世界模型的崛起**：世界模型成为具身智能数据产业链的新基础设施，其价值体现在预测后果、筛选策略、放大训练效率等方面。 - **系统竞争替代模型竞争**：具身智能的竞争核心是系统交付能力，包括模型、数据供应链、预测评估和部署回流等能力。 - **数据生命周期管理**：具身智能数据生命周期包含数据生产、治理、生成仿真、模型训练与评测、部署回流五个环节，形成闭环。 - **数据治理的挑战**：数据治理需解决多模态对齐、统一格式、权利追溯、场景复用等难题，是系统交付能力的重要支撑。 - **端侧部署与延迟优化**：世界模型需适应端侧硬件，降低延迟，以支持实时闭环，这成为具身智能商业化的重要门槛。 - **跨本体训练与适配**：跨本体训练是实现具身智能规模化部署的关键，需解决动作空间不一致、数据不均衡、感官差异等问题。 - **评测体系的演进**：评测需同时评估世界建模能力和动作策略性能，强调物理一致性与功能性，推动产业标准建设。 ## 关键信息 ### 数据生命周期五环节 1. **数据生产**：从集中式到去中心化，涵盖真机、UMI、第一视角、公开视频、仿真生成等多种路径。 2. **数据治理**：确保数据可消费，包括清洗、对齐、压缩、标注、格式统一、合规管理。 3. **生成与仿真**：作为数据放大器，用于补充危险场景、筛选策略、承担高频回归。 4. **模型训练与评测发布**：融合真实与仿真数据，形成策略优化与评测体系。 5. **部署回流**：实现系统动态进化，依赖部署数据进行模型迭代，形成闭环。 ### 世界模型的三大基础能力 - **世界表征模型**：以像素、潜在空间、3D结构等方式呈现环境状态。 - **世界预测模型**：学习环境随时间、动作和外部条件的变化规律。 - **世界动作模型**：将预测与行动结合，形成预测—选择—行动一体化流程。 ### 数据飞轮与价值转化 - 数据飞轮机制将数据从“素材”转化为“状态”，通过部署回流持续优化模型性能。 - 数据价值单位从“小时、轨迹”转向“任务增益、复用次数、闭环速度”。 - 部署回流五项核心 KPI：更新时延、人工接管率、失败样本回收率、跨本体复用率、单位成功率提升所需数据量。 ### 数据生产路径与成本对比 | 类型 | 核心路径 | 优势 | 主要瓶颈 | 代表主体 | 公开规模/成本特征 | |------|----------|------|----------|----------|------------------| | 真机/遥操作 | 目标机器人真实执行与人工示范 | 动作与物理反馈最贴近部署 | 成本高、吞吐慢、本体绑定 | DROID、AgiBotWorld、Figure/BMW等 | DROID 76k 轨迹/350h;相对成本指数≈1.0 | | UMI/手套/动捕 | 手持夹爪、手套、动捕映射人类动作 | 设备轻、场景覆盖高 | 动作语义和本体映射误差 | Generalist、π0.5/π0.7等 | 成本指数≈0.2-0.4;适合大规模真实技能采集 | | 第一视角 | 穿戴相机或人类行为数据学习 | 规模上限高、上下文丰富 | 缺少机器人动作、力觉和控制状态 | Ego4D、JoyEgoCam等 | Ego4D 3,670h;京东目标2年1000万小时(B级) | | 公开视频 | 互联网视频学习对象、空间和任务先验 | 覆盖广、成本低 | 视角、动作和许可不可控 | 特斯拉、枢途等 | / | | 物理仿真/世界模型 | 规则引擎与生成模型构造场景、未来和轨迹 | 可重复、高吞吐、参数可控 | Sim2Real差距、资产构建成本、物理一致性、误差累积 | NVIDIA Cosmos、DexMimicGen、Sim2Real-VLA、DreamZero等 | NVIDIA 11 小时生成78万轨迹;成本指数≈0.01-0.1 | ### 世界模型的六大基础设施挑战 1. **实时闭环的工程约束**：WAM需嵌入控制循环，需解决延迟与物理一致性问题。 2. **长时注意力机制**：需兼顾记忆长度与计算效率，避免信息丢失与漂移。 3. **端侧部署与延迟降低**：需将模型压缩、量化、优化以适应端侧硬件。 4. **跨本体训练与小样本适配**：需解决动作空间、数据不均与感官差异问题。 5. **数据 pipeline 的瓶颈**：需对不同数据类型采用不同处理流程，提升训练效率。 6. **评估体系与基准测试**：需建立联合评估框架，评估建模质量与任务表现。 ## 中国具身智能数据与基础设施市场 - **市场格局**：中国正在形成新一代具身数据基础设施供给群，涵盖数据原生型企业、平台型玩家、模型/整机公司、世界模型公司等。 - **数据供给**：数据缺口主要体现在真实数据贵、结构性不可用。 - **商业入口**：场景方、整机厂商、数据服务商等将成为数据消费的主要力量。 - **未来趋势**：2026 年是规模化探索的拐点年，工业、物流、商超等场景将率先跑通，家庭场景仍受限于安全、成本、合规等因素。 - **数据资产化**：数据需具备可复用权利与可验证增益，形成产业级资产。 ## 产业建议 - **模型与整机企业**：应注重构建数据闭环与部署回流机制。 - **数据服务商**：需转向输出可无缝接入训练流水线的标准化数据 API、自动化对齐引擎与定制化数据工程服务。 - **世界模型与仿真企业**：需关注世界状态数据的标准化、长时注意力机制、端侧部署能力等。 - **采集硬件与传感器企业**：应开发低成本、高效率的采集设备，推动数据飞轮发展。 - **场景与集成企业**：需参与数据定义与验收标准制定，提升数据可用性。 - **投资机构与公共部门**：应关注数据治理、仿真与世界模型等基础设施领域，推动标准化与合规发展。 ## 总结 2026 年，具身智能正从模型能力转向系统交付能力，数据与世界模型成为新基础设施的核心。行业需构建完整的数据生命周期与闭环系统，以实现可持续进化与商业化落地。中国正在形成具备竞争力的具身数据基础设施生态，未来需在数据治理、端侧部署、跨本体适配、评估体系等方面持续突破，推动具身智能进入规模化应用阶段。