当前，人形机器人技术正从硬件驱动转向数据驱动。尽管国产化替代提速、量产能力提升，行业仍普遍认为其面临“最后一公里”难题——如何依靠真实场景数据训练，实现智能能力的跃升。关键在于数据获取与模型优化。类似自动驾驶早期阶段，人形机器人如果主要依赖实验室预采的静态数据，难以适应复杂多变的现实环境。商汤科技联合创始人王晓刚判断最快2年内可能出现技术拐点，而vivo机器人Lab首席科学家邵浩认为需要10年，分歧主要来自对数据规模化落地难度的不同预期。自动驾驶的发展路径提供了参考。早期依靠高精地图等静态数据的模式，虽推动快速落地，但也带来更新成本高、适应性弱等问题。随着行业转向由众包车辆持续生成的动态数据，能力从“依赖地图”转为“适应环境”，实现关键跃迁。这也说明，具身智能需要建立实时交互的数据闭环。对策上，《具身智能数据行业研究白皮书》提出，可借鉴自动驾驶的“影子模式”，建立动态采集机制，把数据获取嵌入日常应用场景，形成持续迭代的训练闭环。部分新能源车企跨界布局人形机器人，也在于其在数据积累与模型迭代上的协同优势。展望未来，随着5G、边缘计算等基础设施完善，人形机器人有望在物流、医疗等领域走向规模化应用。但突破不仅取决于硬件能力，更取决于能否搭建覆盖多场景的数据生态，这也需要产学研在标准制定、数据共享等更协作。
人形机器人产业从“拼硬件”转向“拼数据、拼闭环”，意味着重心正从工程集成转向能力跃迁。能否将真实世界的复杂性沉淀为可训练、可验证、可迭代的数据资产，将决定通用能力拐点何时出现，也决定产业能否从展示走向规模化落地。把数据这项“长期工程”做实，以场景牵引完善标准与生态，才能推动具身智能走得更稳、更远。