7.5
深览指数
商业虎嗅·定焦One··AI 生成
帮机器人“搞数据”：钱很多、泡沫很大
文章指出，具身智能（机器人）产业当前最大的瓶颈是数据短缺，催生出一个独立的机器人数据服务赛道。作者梳理了四种主流数据采集路线（真机采集、无本体采集、仿真合成、视频蒸馏）及其各自的成本与质量局限。尽管资本疯狂涌入，头部数据公司估值飙升，但行业存在三重错位：客户付费意愿低、产品同质化内卷、商业化订单稀缺，泡沫信号明显。适合关注机器人与AI产业投资的从业者、科技领域分析师阅读。原文 ↗
核心观点
- ▍具身智能（机器人）当前最大瓶颈是数据短缺，该瓶颈催生出一条独立的机器人数据服务赛道，但该赛道存在明显的泡沫。
- ▍目前行业对哪种数据最有价值、数据格式如何统一，尚未达成共识，这导致行业总数据量被稀释，并阻碍模型迁移。
- 01LLM预训练有数十万亿token，自动驾驶有百亿小时数据，而具身智能公开可用操作数据仅几十万小时级别。
- 02光轮智能两个月内连续完成两轮融资，估值超20亿美元，成为全球首个具身数据独角兽。
- 03文中介绍了四条主流数据采集路线：真机采集（质量最高但成本高、易致操作员眩晕）、无本体采集（成本低但精细动作信息丢失）、仿真合成（可大规模生成但难以模拟真实场景细微变化）、视频蒸馏（边际成本低但缺乏动作细节）。
- 04数据变现主要有三种方式：一次性买断数据集（最主流但容易被复制）、卖硬件（壁垒在供应链）、卖平台/订阅服务（壁垒最高但市场未成熟）。
- 05目前具备持续采购能力的数据客户仅几十家，主要包括机器人本体厂商、具身模型团队和高校，付费意愿不稳定。
- 06具身数据行业商业模式尚在探索，能做到规模化复制的几乎没有，有些公司年收入几百万但估值已达数亿。
- 07头部模型厂商（如Skild AI、蚂蚁灵波）在尝试推动跨本体通用底座模型，但实际落地仍需针对具体机型微调。
反方 / 局限
- — 作者虽强调数据是瓶颈，但也指出本体厂商目前重点在自身产品闭环，而非关注行业数据标准，这导致标准制定的临界点尚未到来。
- — 多位从业者指出，客户普遍压低预算，不愿为高质量真机数据支付合理溢价，这与“数据是核心”的行业共识形成张力。
- — 行业主流路线（一次性数据集售卖）门槛低、易复制，导致大量同质化玩家涌入并进行低价内卷，泡沫可能很快破裂。
12 分钟 · 4 卡片 · 12 资料
读原文 →