十月的第二周，这个行业在同一个星期里出现了两个场景，把它们并排摆在一起，就是当下最真实的剖面。

一个是柏林。10月21日，英伟达在 GTC 柏林宣布对 Isaac 开放机器人开发平台做重大扩展，新增人形机器人参考平台、数据集与运行时。黄仁勋的说法是，通用机器人正以惊人的速度发展，机器人的“ChatGPT 时刻”正在快速接近。

另一个是南京。同一天，2026 物理AI与世界模型数据开发者大会举行，500 人的会场座无虚席，9 家具身智能数据企业分享实践，六项成果集中落地。台上反复出现的一句话是：机器人的大脑，可能只相当于四五岁孩子的水平。

一个在谈“时刻已经临近”，一个在谈“教材极度稀缺”。身体已经跑起来了，教材还没印出来。

一、现状：产量先跑到了能力前面

先看产量这一侧。弗若斯特沙利文《2026年全球人形机器人市场研究报告》的数据是：2025 年全年全球人形机器人销量 3.5 万台、收入 5.0 亿美元；2026 年上半年销量已达 3.6 万台、收入 5.4 亿美元，半年就超过了去年全年。收入排名前五全部来自中国，合计占五成以上份额，其中优必选上半年收入 6.2 亿元、销量 16123 台，继续居首。另一家机构 IDC 的口径是上半年全球出货接近 2.5 万台、同比增长 432.1%，中国市场超 1.9 万台、约占 77.9%。两个口径不一致，说明统计边界尚未统一，但方向完全一致：放量是真的。

价格也在同步下探，宇树双足人形 R1 已降至 2.99 万元。10月19日，特斯拉在致股东的年度材料中书面表示，第三代 Optimus 已为大规模量产做好准备。

但量的曲线和能力的曲线并不重合。一个在业内流传很广的对照是：机器人可以在舞台上转手绢、可以在马拉松赛道上跑完全程，却常常拧不开一个没见过的瓶盖。问题不在它不够聪明，而在它没见过世面。

二、核心论据：四笔账，算出这道坎有多高

第一笔是成本账。行业把可用数据排成一个金字塔。塔尖是真机遥操作数据——操作员通过主从设备或 VR 远程操控真机器人做动作，视觉、动作、关节扭矩、力触觉同步对齐，与本体高度贴合，但价格也最贵：据国盛证券研报，市场价约每小时 500 至 1000 元，操作节拍约每小时 800 次。往下一层是无本体采集，工作人员穿戴动捕与头戴摄像设备做示范，不需要机器人参与，单小时成本约 50 至 100 元，约为真机的三分之一。再往下是仿真合成数据，20 至 50 元每小时，可全天候并发产出，但要过“仿真到真实”的迁移关。塔基是互联网第一视角视频，近乎零成本、覆盖面广，却缺少精确物理标注与力觉信息，只能用于预训练。南京大会上各家认可的共识是九个字：真机定边界，无本体补规模，仿真做放大。

第二笔是缺口账。多家机构与媒体援引的口径是：全球高质量真实物理交互数据仅约 50 万小时，而训练一个具备通用泛化能力的具身模型，业内普遍认为至少需要千万小时级，缺口超过 95%；也有从业者给出国内约 100 万小时、缺口超 99% 的说法。口径不一本身就很说明问题——这个行业连自己的度量衡都还没立起来。做个对比更直观：大语言模型的教材可以从互联网上抓取，图文以亿计，成本早有人付过；具身智能没有存量可扒，每一次抓取、每一个关节扭矩、每一帧点云，都得在真实物理世界里一帧一帧“生产”出来。

第三笔是产能账。既然没有存量，就只有建工厂。北京亦庄的北京人形机器人创新中心数据训练基地，实训空间近 6000 平方米，实景复刻家居、商超、办公、工业、医药、康养等 30 余个场景，配备 40 种构型共 150 余台机器人，日产能超 500 小时，年产能可达 18 万小时，已交付近 3 万小时数据，七成以上产能服务行业客户。中国信通院统计，截至 2026 年 6 月底全国已建成启用超 70 家具身智能训练场，另有 46 家在建或规划中。但训练场是典型重资产：仅部署 100 台人形机器人，本体采购成本就可达数千万元，而场景又集中在少数易采集任务上，盈利模式仍在摸索。

第四笔是场景账，也是最硬的一笔。觅蜂科技副总裁殷哲把数据采集比作挖矿：设备是工具，运营是工厂，场景资源才是要挖的矿；在整个物理 AI 数据链条里，场景是唯一无法被技术或资本快速复制的源头。它还有很强的进入壁垒——设备进食品厂安全吗，老板让不让众包员带着设备进车间？另一位从业者打了个比方：场景像页岩油，有价值，但如果开采成本比采出来的油还贵，就等于没有。

四笔账之外，还有三个隐性缺口：质量、多样性与流通性。多数数据集只收录成功样本，缺失抓取失败、碰撞、故障恢复这类边界数据，机器人只会标准示范、不会自主纠错自救（均普智能开源全流程成败数据集，补的正是这一课）；各企业用自己的机器人采数据，本体与传感器标准不统一，跨机型复用难；采集多在受控实验室，面对真实环境极易失效；缺统一的数据格式与标注规范，数据与硬件绑定，企业重复采集同类基础数据，孤岛严重。

赛道热的时候也需要一盆冷水。梅卡曼德创始人邵天兰曾公开提醒，要警惕赛道内部分企业借数采中心制造不可持续收入——数采本是解决物理 AI 数据匮乏的重要基建，但不能把训练场、科研采购包装成真实市场需求，用内循环制造虚假繁荣。需要说明的是，这一观点仅为企业创始人一方表述，尚未经监管层面核实。

三、趋势展望：三条正在成形的出路

第一条，是别再把采集和部署当成两件事。沙利文把当前应用划分为娱乐表演、科研教育、数据采集、生产作业四类，其中“数据采集”本身就是一个采购场景——这在任何成熟产业里都算异数。真正的解法是让部署现场自己产出数据：真实产线持续吐出稀缺数据与落地反馈，推动机器人越用越智能、使用成本持续下降、换线调试愈发简便，形成技术迭代与商业收益的正循环。有券商研报把这个判断说得更直白：物理 AI 的短板是数据而非模型，当前本体放量速度已快于数据采集速度，能跑通“部署即采集”闭环的企业，拿到的将不只是订单，更是下一代模型的数据资产。

第二条，是用仿真把真机数据放大。英伟达这次给出的正是这条路的工具箱：Isaac Lab 3.0 正式可用，开源、支持多 GPU 工作流，物理引擎包括 Newton 与 PhysX；新增开源运行时框架 Isaac OS；SimReady Central Library 提供 2000 多个仿真就绪的机器人与工厂资产；Human 1M 数据集包含多样化人类活动、三视角同步视频与 3D 手部追踪；三套基于 DGX Station 的参考工作流支持强化学习、灵巧操作训练，以及用世界模型做后训练与合成数据生成。配套的参考机型 Agile ONE SN 由思灵机器人推出，身高 1.40 米、重 40 公斤、31 个自由度，双手五指灵巧手各 20 个自由度、具备 1kHz 力控与触觉，机载 Jetson Thor 提供 2070 FP4 TFLOPS 算力，计划 2027 年初上市。但仿真不是万能的：有报告援引的数据显示，仿真内任务完成率接近九成，迁移到真实家庭场景后仅剩 12.4%。所以共识才是“仿真做放大”，而不是“仿真替代真机”。

第三条，是长尾技能与数据要素化。叠衣服的数据已经泛滥，修水管、修车、理发、美甲这些长尾技能还在等一个一个被点亮。有从业者观察到需求曲线正陡峭上扬：去年上半年业内还停在一万小时量级，今年已有公司宣布用到 100 万小时，而客户提出的已是千万小时级预算，且越来越往细分专业技能走。与此同时，南京那场大会的主办方是数据交易所，六项成果集中落地——数据正从“企业内部的生产资料”变成“可交易的要素”。谁先把格式、标注、元数据的度量衡立起来，谁就握住流通的入口。

回过头看，这个行业的竞争焦点换过两次，还会再换一次。过去三年比的是谁的样机更惊艳；2026 年换成谁能稳定、低成本、规模化地造出来；往后两三年，大概率会再换成——谁能让机器在干活的同时，把活记下来。

产量是当下的比分，数据是未来的资产负债表。黄仁勋说机器人的 ChatGPT 时刻正在快速接近，但那个时刻的前提，是互联网上早已有几十年的文本存量等着被读。具身智能没有这份存量，它的教材得一台一台、一条一条地做出来。所以这个行业真正稀缺的，从来不是发布会上的惊艳，而是那些枯燥的、重复的、一天几百小时的、拧瓶盖的动作记录。

参考资料

1. 弗若斯特沙利文《2026年全球人形机器人市场研究报告》相关内容，中证网，2026-09-29，https://www.cs.com.cn/ssgs/01/2026/09/29/detail_2026092910042328.html

2. 《NVIDIA 借助全新人形机器人参考平台、框架、仿真工作流及数据，全面推进面向通用机器人的 Isaac 平台》，英伟达官方博客（中文），2026-10-21，https://blogs.nvidia.cn/blog/nvidia-advances-isaac-platform-for-general-purpose-robotics-with-new-reference-humanoid-frameworks-simulation-pipelines-and-data

3. NVIDIA 新闻稿（英文原文）NVIDIA Advances Isaac Platform for General-Purpose Robotics，2026-10-21，https://investor.nvidia.com/news/press-release-details/2026/NVIDIA-Advances-Isaac-Platform-for-General-Purpose-Robotics-With-New-Reference-Humanoid-Frameworks-Simulation-Pipelines-and-Data/default.aspx

4. 《2026物理AI与世界模型数据开发者大会在宁举办》，新华日报财经（新华报业网），2026-10-21，https://www.xhby.net/content/s6ad8c76fe4b0cca63f37436b.html

5. 《机器人的“教材”从哪来？训练数据是这样一点点攒出来的》，科普中国，https://www.kepuchina.cn/article/articleinfo?business_type=100&classify=0&ar_id=744113

6. 《千万小时缺口下的突围：谁在为中国具身智能“喂”数据？》，腾讯新闻，2026-09-28，https://news.qq.com/rain/a/20260928A06QLE00

7. 《量产提速 人形机器人迎商业化大考》，中国经济网，2026-10-12，https://www.ce.cn/macro/more/202610/t20261012_3254379.shtml

8. 《Optimus量产准备就绪 人形机器人产业链迎机遇》，中国证券网，2026-10-20，https://www.cnstock.com/commonDetail/805750

9. 《万亿具身赛道深陷数据荒，对比大模型厘清数据逻辑》，具身之家，https://www.jushenhome.com/news_d.php?id=533