问题——从“看得见”到“用得上”，具身智能卡数据关口。具身智能正成为新一轮科技竞争与产业投资的热点，涉及的企业在动作演示、任务学习诸上进展明显。但多位业内人士指出，目前不少系统仍主要停留短时序、低复杂度任务的训练与复现，距离在家庭、工业等开放环境中稳定应用仍有差距。其间的关键瓶颈，集中在物理世界交互数据的获取、共享与高质量供给：模型训练不再主要依赖文本与互联网内容，而更依赖多模态、时空对齐、具备因果链条的交互数据。 原因——标准缺失、成本高企与质量参差叠加，形成“数据饥渴”。 一是标准与协议不统一，数据难以流通。机器人本体、传感器配置、控制协议各不相同，数据结构与标注口径差异较大，训练数据往往在企业内部闭环使用，跨企业、跨平台复用困难，行业整体数据利用效率偏低。 二是真机采集成本高。具身智能数据高度依赖真实环境、真实硬件与真实交互，设备投入、场景搭建与人员组织成本较大，不少企业因此面临“数据荒”，试错周期被拉长。 三是数据质量与模态不完整带来训练偏差。要让模型理解物理规律，需要视觉、触觉、力觉等多模态高精度数据协同，并保持时间与空间对齐。现实中，部分方案对单一视觉依赖较强，触觉、力觉等关键模态缺失；一些采集设备精度与稳定性不足，在遮挡、光照变化等场景下易失效，低质量数据还可能导致模型对物理规律形成错误学习。 影响——数据成为产业分水岭，决定从“样机”到“产品”的节奏。 上述问题不仅抬高企业训练成本，也在更大范围内拖慢技术迭代：其一，数据难复用使“重复采集、重复标注”普遍存在，研发资源被分散消耗；其二，缺乏统一的描述与评估体系，供需双方难以快速匹配，数据资产也难以实现市场化配置；其三，模型难以在复杂环境中形成可解释、可泛化的能力，影响具身智能在制造、物流、养老等场景的规模化落地预期。 对策——以平台化方式构建可流通、可识别、可信任的数据体系。 ，百度智能云在大会主论坛上联合零次方机器人、灵生、傅利叶、纬钛科技、拓元智慧、枢途科技、松应科技等企业发布“具身智能数据超市（Beta版）”，定位为面向行业的数据基础设施探索，核心思路是通过制度化与工程化手段提升数据流通效率，降低使用门槛。 一是建立层级化、可扩展的数据标签体系。平台尝试用标准化的原子标签与结构化复合标签，对数据集任务语义、交互特性、环境条件等关键属性进行清晰呈现，帮助需求方在不深度拆解原始数据的情况下快速判断数据边界与适配性，降低选型与评估成本。 二是强调平台中立与生态开放。平台运营方不参与机器人本体制造与数据内容生产，避免“既当裁判员又当运动员”，以中立立场增强供需双方信任。同时依托既有产业链合作与场景资源，推动数据供给、需求、采集与应用端形成更紧密的协同。 三是提供数据托管、合规展示与模型研发的一体化支撑。依托云端异构计算与存储能力，平台尝试打通从数据管理到模型训练、推理的工程闭环，减少企业在不同工具链、不同算力环境间迁移的成本，提升研发效率与合规可控水平。 前景——数据基础设施成熟度将影响产业规模化拐点，仍需制度与标准共建。 业内普遍认为，具身智能进入应用深水区后，“数据工程能力”将与“算法能力”“硬件能力”并列为核心竞争力。数据超市模式能否形成持续供给与正向循环，关键在于三点：其一，行业层面的数据标准、评测基准与合规模板需继续完善，推动跨平台互认；其二，激励机制要让数据贡献者、使用者与平台形成可持续的利益分配与风险分担；其三，需要更多面向真实场景的高质量数据集进入流通体系，逐步提升模型在复杂任务、长时序决策与安全控制上的可靠性。随着Beta版运行与生态扩容，平台化数据供给有望成为行业协作的新抓手，并为后续规模化应用打下基础。
具身智能的竞争，表面看是本体与算法的比拼，更深层则是数据体系与产业协同能力的较量。以开放、规范、可信的机制打通数据流通堵点，既能降低创新成本，也能推动技术走向可用、可靠、可复制。围绕数据标准、质量与合规的数据“新基建”能否加速落地，将在很大程度上决定具身智能产业化的速度与高度。