用物理载体的突破，拓展数据采集的边界

2026 年，被业内普遍定义为具身智能的“数据采集元年”。

开年以来，从头部大厂到初创公司，无一不在加码数据投入。千寻智能、灵巧智能、灵初智能等先后公布百万小时级数据采集目标；光轮智能完成 10 亿元融资，成为全球首个具身数据独角兽；京东发布具身智能数据全链路基础设施，计划发动 60 万人众包采集；全国范围内 64 座数据采集训练场陆续规划建成，覆盖 27 座城市。一时间，数据集建设、数据标注团队、仿真环境渲染成为行业最热关键词，仿佛只要堆够人力和算力，数据瓶颈就能迎刃而解。

然而，一片热潮之下，一个根本性的物理性缺陷正在被系统性忽略。绝大多数团队将数据采集简化为感知层面的图像、点云收集，却对具身数据另一核心维度视而不见，那就是机器人本体与物理环境交互的运动数据。

而这种忽略，正在成为比“大脑不够聪明”更隐蔽的行业瓶颈。

01.

数据采集，没你想的那么简单

据贵州省大数据局在2026年7月公布的数据，当前国内真实物理交互场景合规数据仅50万小时。而据中国机电一体化技术应用协会发布的《2026中国具身智能产业发展报告》测算，机器人实现商业化落地至少需要数千万小时量级的数据支撑。仅按1000万小时的保守需求估算，缺口即超过99%。

这个缺口不是单纯靠“增加采集设备、延长采集时间”就能填平的。当前真实场景数据采集面临的困境，本质上是三重结构性约束叠加的结果，层层嵌套之下，形成了难以突破的物理天花板。

 

（一）仿真固有限制：77% 的 Sim-to-Real 鸿沟

仿真，一度被认为是破解数据稀缺的银弹。

通过在虚拟环境中大规模生成训练数据，机器人可以在低成本、高并发的条件下完成预训练。然而，随着模型复杂度提升和场景深入，仿真与现实之间的巨大鸿沟正在暴露。2026 年 4 月斯坦福 HAI 发布的《AI Index Report 2026》显示：机器人操控在仿真环境中的成功率高达 89.4%，但在真实家庭场景中骤降至 12%，77 个百分点的落差。

这道鸿沟的根源，在于物理属性的不可完全复现性。

仿真可以 1:1 复刻几何外观，可以渲染出以假乱真的视觉效果，却难以精确还原地面摩擦系数、物体形变量、冲击反馈、打滑临界值等底层物理参数。同样是橡胶轮在水泥地面行走，干燥环境与潮湿环境的摩擦系数差异可达30%-40%；这些细微的物理差异，在仿真中往往被简化为统一参数，而在真实世界中却直接决定任务成败。

尽管物理引擎的精度在逐步提升，NVIDIA Isaac Sim 等新一代仿真工具已经可以建模柔体、流体、接触力，但计算成本也呈指数级上升，且依然无法覆盖真实世界所有随机变量。行业逐渐形成了一个共识，仿真可以做预训练，但永远无法替代真实物理交互数据。

 

（二）载体约束：到不了的场景，产不出的数据

如果说仿真限制了数据的“质”，那么载体能力则限制了数据的“边界”。

当前大量数据采集依赖实验室环境或平整地面场景，机器人在结构化环境中来回跑动，产出标准化的运动数据。然而真实世界远非只有平整地面，台阶、斜坡、泥泞、碎石、工业管线、地下管廊…… 这些非结构化场景才是具身智能最终要落地的主战场，也恰恰是大多数机器人载体的能力盲区。

以工业巡检场景为例，矿山、电厂、化工园区往往包含大量坡道、楼梯、狭窄通道、凹凸路面，传统轮式机器人望而却步，四足机器人负载有限且续航不足，最终只能靠人工手持设备完成数据采集，效率低下且成本高昂。而这些极端工况下的交互数据，恰恰是工业具身智能最稀缺的训练样本。

更何况数据采集不是一次性任务，而是需要持续迭代的闭环过程。每一次算法迭代都需要对应场景的新数据来验证，而载体能力不足意味着整个迭代循环卡在了第一步，连场景都进不去，后续一切无从谈起。

（三）机型约束：专用定制的成本陷阱

第三重约束来自机型本身的专用性。

当前很多数据采集载体是为特定场景定制开发的：室内采集用一款底盘，园区巡检用一款底盘，矿山勘探又用另一款底盘。大量设备仅适配单一场景，跨环境部署需要重新改造硬件，时间和经济成本极高。数据采集工作被切割成孤岛，形不成规模化、可复用的资产。

跨环境部署的成本还不止于硬件。每款机型的控制逻辑、数据接口、标定方式都不相同，数据格式不统一，后续处理需要额外的清洗和对齐工作，进一步推高了数据采集的综合成本。

 

行业误区：数据不等于视觉感知数据

在三重约束之上，还有着一层更深层的认知误区：很多团队默认数据 = 视觉数据 + 激光点云数据，把数据采集等同于拍视频、扫点云。

但完整的具身数据，远不止感知层面。

力矩、姿态、振动、接触力、打滑临界、地面形变反馈…… 这些本体与环境交互产生的物理信号，才是具身智能区别于计算机视觉的核心所在。大语言模型可以只靠文本涌现能力，而具身智能必须在与物理世界的互动中学会理解重力、摩擦、碰撞、形变。

没有物理交互的数据，是不完整的具身数据。只靠视觉和点云训练出来的机器人，或许能看懂世界，却永远无法走进世界。

02.

数据是跑出来的，不是标出来的

当整个行业都在比拼标注团队规模、仿真环境算力时，一条相反的路径正在显现：从载体端突破，用更强的物理平台拓展数据采集的边界。

具身智能的数据，本质上是机器人「跑」出来的，不是单纯靠人工标注出来的。标注只能给已有数据打标签，而载体能力决定了能获得什么维度、什么场景、多大规模的数据。

载体的地形适应能力，直接决定数据的场景覆盖度； 载体的稳定性，直接决定数据的质量和可重复性； 载体的可复用性，直接决定数据采集的成本效率。

一台能够适应多种地形、搭载多种传感器、支持快速模块切换的通用数据采集载体，可以同时产出视觉、激光、力矩、姿态、振动等多模态数据，并且可以快速部署到不同场景，将数据采集的边际成本大幅降低。

从这个角度看，数据采集的竞争，表面上是数据量的竞争，底层是载体能力的竞争。谁的载体能抵达更多真实场景，谁的载体能稳定产出高质量物理交互数据，谁就能在数据军备赛中占据先机。

载体的物理上限，就是模型训练数据的上限。这是具身智能最朴素也最硬核的逻辑。

03.

三条技术路径：重构数据采集的物理底座

围绕数据采集载体的突破，本末科技带来三条不同的技术路径，分别对应科研开发、工业巡检、高复杂地形三大场景，共同构建起具身智能数据采集的物理底座。

（一）刑天机器人：科研开发的敏捷数据采集平台

面向高校、科研院所和企业研发部门的基础研究需求，刑天机器人定位为「科研开发数据采集载体」，主打敏捷性、开放性和二次开发能力。

作为一款直驱双轮足机器人，刑天最大的特点是采用了直驱关节技术，去掉了传统减速机，将电机和被驱动件直接连接。这带来了三重优势：首先是动力响应更快，其次是运行噪音极低，最重要的是，直驱结构可以精确输出和采集力矩数据，为研究机器人与环境的物理交互提供了原生的硬件基础。

 

在地形适应方面，刑天采用直驱脚轮平衡控制方案，横滚角控制范围达 ±37 度，能够跨越 8cm 高的障碍物，应对一般的门槛、斜坡、不平整路面。对于大多数科研场景来说，这样的地形能力已经足够覆盖实验室、走廊、室内外过渡区域等常见环境。此外，刑天提供完整的 ROS2 开发接口和 SDK，用户可以根据研究需求自由搭载传感器、机械臂等外设，自定义采集数据的维度和频率。无论是研究步态控制、力控交互还是多模态感知，都可以基于这个平台快速搭建实验方案，直接产出可用于模型训练的原始数据。

（二）TITA机器人：工业巡检的规模化数据采集方案

面向智慧园区、工厂等工业场景，TITA 机器人定位为「巡检数据采集载体」，主打高负载、长续航、多传感器融合能力。

 

TITA 同样采用轮足融合架构，但相比刑天，它的配置更适应复杂场景：

• 多传感器搭载能力：TITA 可以同时搭载激光雷达、RGB-D 相机、红外热像仪、气体传感器等多种检测设备，一次巡检就能同时产出点云、图像、温度、气体浓度等多维度数据，并且所有数据时间戳精准同步。
• 复杂地形通过性：草地、沙地、坑洼地、泥石斜坡、水洼地形都能稳定通行，甚至可以通过 Bridge 模块将两台 TITA 拼接为四轮足形态，实现台阶攀爬能力，覆盖工业场景中绝大多数复杂路况。
• 持续作业能力：热插拔电池设计支持 7×24 小时不间断采集，对于需要大规模积累数据的场景，可以实现「人休机不休」，大幅提升采集效率。

在实际应用中，TITA 已经在矿山巡检、园区安防、地下管廊探测等场景落地。

（三）D1 机器人：高复杂地形的多模块数据采集系统

面向极端复杂地形和重载需求，D1 机器人定位为「高复杂地形多模块数据采集载体」，主打模块化设计、大负载和全地形适应能力。

D1 最具革命性的设计是可拆分模块化整机：它由两个独立的双轮足模块构成，3 秒内即可完成拼接或分离，既能「合体」为四轮足机器人应对复杂地形和重载任务，也能「分身」为两台独立的双轮足机器人分头作业，灵活度极高。

 

地形适应方面，D1 融合了轮式的高效和足式的越障能力，碎石路、坡道、台阶、泥泞地面都能稳定通行。续航方面，双轮足模式下空载续航超过 5 小时，续航里程突破 25 公里，能够支持大范围野外作业任务。

对于能源、矿山、消防救援等极端场景的数据采集，D1 的价值尤为突出。这些场景环境复杂、危险系数高、人力难以抵达，同时对数据采集的维度和精度要求也最高。D1 凭借模块化架构和强地形能力，可以深入传统机器人无法进入的区域，产出最稀缺的极端工况数据，填补行业数据空白。

04.

结语：数据基建的下一个战场

2026 年的具身智能行业，正在经历一场从「重模型」到「重数据」的重心转移。而数据采集的竞争，也正在从标注层、仿真层，下沉到最底层的物理载体层。

过去我们谈论数据瓶颈，总想着用算法和软件的方式去解决，用更好的仿真引擎、用更高效的标注工具、用更巧妙的数据合成方法。但走到今天才发现，最底层的约束其实是物理的约束。机器人走不到的地方，算法再先进也无济于事。

本末科技刑天、TITA、D1 三条路径的探索，本质上是在回答同一个问题：如何用物理载体的突破，拓展数据采集的边界。它们分别对应科研、工业、极端场景三个梯度，构建起从实验室到真实世界、从简单环境到复杂地形的数据采集能力矩阵。

从更宏观的视角看，数据采集载体正在成为具身智能时代的「数据基建」。就像半导体产业的光刻机、新能源产业的锂矿，它处于整个产业链的最上游，决定着整个行业的发展节奏和上限。

当越来越多的团队意识到物理性缺乏的本质，当越来越强大的载体跑遍真实世界的每一个角落，具身智能才能真正跨越仿真与现实的鸿沟，从实验室演示走向规模化落地。