《科创板日报》8 月 22 日讯（记者 黄心怡）记者在 2026 世界机器人大会（WRC）上观察到，具身智能正从技术验证步入规模化前夜，产业链的投资焦点正从本体制造转向数据资产与商业化闭环。

根据研究机构的 Interact Analysis 报告，全国已经有至少 90 个人形机器人数据采集和训练中心（简称 " 数采中心 "）处于使用或规划建设中，折射出数据供给端的基础设施投资热度。

然而，《科创板日报》记者多方采访中了解到，目前矛盾同样突出。本体构型碎片化大幅稀释数据复用价值，具身智能模型的 Scaling Law 尚未验证，都影响着未来机器人行业商业化放量的步伐快慢。

▍商业化落地加速，多元场景验证技术价值

中坚科技旗下子公司桦之坚研发的工业级四足机器人 " 灵睿 P1" 已实现商业化落地，目前主要应用于电网巡检与园区安防巡逻等场景。基于该平台二次开发的消防机器狗，搭载水炮执行灭火作业，最大射程达 60 米，可在直流水柱与 120 ° 广角喷雾间切换——水柱压制明火，喷雾降温隔烟。设备配置的水带自动脱落系统，使其在紧急险情中可及时撤离、转战新着火点。

傲意科技在灵巧手市场取得了不错的进展。公司 CEO 倪华良透露，目前正在推进三笔大额订单，分别为 1000 台、2000 台和 3000 台，合计近五六千台，同时日常几十至上百台规模的订单也在持续交付中。公司客户基础也在增长：第一年仅十余家，第二年突破百家，截至 2026 年上半年灵巧手相关合作伙伴已接近 300 家。其中约 90% 的客户处于概念验证阶段，10% 客户已达到一定的采购规模，而这一成头部客户中约半数已进入较大规模工程落地阶段，单客户一年可达上千台规模，还有一部分交付订单，用于数采工厂类项目建设。

倪华良表示，从客户结构来看，符合一九法则，10% 的客户贡献 90% 以上收入。剩下 90% 客户基数很大，但是仍然处在早期验证阶段，大多只采购几台、一两台，采购十台已经算比较多。

仙工智能在展示了 AI 配送机器人与具身叉车等应用。搭载机械臂的配送机器人可完成抓取、导航、绕障、3D 避障以及电梯交互，将以往需要多设备甚至人工参与的环节整合为完整配送闭环。具身叉车则面对不同颜色托盘持续识别并完成叉取作业，现场的 BEV 实时感知画面随环境变化动态更新，持续记录空间中人、设备与布局的变化信息。更重要的是，机器人在作业过程中持续产生真实数据，这构成了具身智能最关键的循环：真实世界产生数据，数据驱动模型进化，进化后的模型再反哺机器人能力提升。

此外，仙工智能与联合火星加速器发起的 " 阶梯计划 " 正式落地，并公布首期 20 家生态合作企业名单，涵盖地瓜机器人、爱芯元智、中科第五纪等。该计划目标明确：到 2030 年实现 100 万台具身智能机器人落地，覆盖多种本体形态，在各类真实场景中持续执行多样化操作任务。

擎朗智能则基于擎朗大模型 KOM 3.0 ——全球首个融合潜空间世界模型的服务行业 VLA 架构，打造了覆盖洗衣房、咖啡亭、甜品屋、零售店四大场景的 " 具身社区 "。咖啡亭中，人形机器人 XMAN-R1 以 " 特聘咖啡师 " 身份自主完成取杯、咖啡萃取全流程；甜品屋和零售店中，机器人通过视觉感知与动态决策能力完成精准抓取与递送；洗衣房场景中，两台人形机器人在统一调度下自主协同完成洗衣、叠衣全流程。

擎朗智能创始人兼 CEO 李通对《科创板日报》表示：" 现在可以说已经到了商业化落地元年，机器人是不是真能干活是人形商业化的本质，而岗位化策略则是通向大规模商业化的必由之路。从时间维度看，若以进入家庭为标志，至少还需要五年以上；但在工业和服务业中，只要找到可落地的具体岗位，让机器人在有限范围内完成泛化任务，这一目标近期就有望实现。"

兆易创新展示了在具身智能硬件链路的布局，覆盖 MCU、模拟、存储等多元产品线，其中本月最新发布的 GD32H77R 及 GD32F50MxxG 新品应用方案迎来首次亮相。《科创板日报》记者现场看到，中科硅纪 M6 灵巧手采用 GD32F503 MCU，具备 11 关节 6 驱动的高自由度构型，整手重量 410g。松延动力 Bumi 小布米以 GD32H75E 作为控制核心，是全球首款万元价位内的高性能人形机器人。整机高 98cm、重约 17kg，拥有 21 个运动自由度。

▍数据采集走向体系化

本届大会上，数据采集方案成为全场焦点之一。具身智能的长期竞争力，正取决于是否拥有高质量、低成本、可持续积累的真实交互数据。

千觉 XTac UMI G1 穿戴式触觉数据采集夹爪由主夹爪、从夹爪、背负式计算单元、头显套装及可视化终端组成，能够在自然人机交互过程中同步采集视觉、触觉、位姿、夹爪状态与 IMU 数据。现场观众通过两指夹爪对口红、口香糖、名片等日常物体进行了数据采集操作，并在电脑上实时查看视觉与触觉数据的输出结果。

仙工智能在现场宣布成立具身智能数据子公司——杭州开物创新具身智能科技有限公司，旨在打通真机数据采集、多源接入、数据治理、模型训练、仿真评测与能力回灌的完整链路。据了解，仙工智能将构建覆盖本体真机自主运行、人类接管、仿真验证等多源高质量数据集，搭建面向下一代的具身智能数据与 Agent 平台，并计划于今年第四季度开源完备数据集与自研评测基准。

强脑科技则在灵巧操作数据方面进行探索。其灵巧操作数采矩阵整合真机执行、真人示教与仿真生成等数据来源，为模型训练提供完整支撑。其中，真机数据由双臂轮式数采平台采集，搭载 21 自由度全掌触觉灵巧手 Revo 3，覆盖全身多自由度运动控制，支持视觉、触觉与语音等多路信息同步采集。而真人使用的 RevoHuman 外骨骼数采手套，则能在人类自然操作过程中同步采集手部姿态、触觉与腕部视角，将人的灵巧操作转化为可训练的多模态数据。

在帕西尼的数据采集展示区，观众佩戴 PXCap Pro 数据采集手套，可同时操控异构灵巧手，手部动作被实时重映射至多台终端并同步执行，实现了 " 一次采集、多机复用 "。

大晓机器人带来了环境式数据采集方案 2.0，以 ACE Ego Kit、ACE Data Engine 和 ACE Ego Matrix 构建从数据采集、自动标注到跨本体应用的链路。针对当前行业内热议的触觉解决方案，大晓机器人推出的行业首个集成三维力触与动捕信息的 ACE Sense Glove 采集手套，具备 0.01N 的极高力触觉灵敏度和小于 2 ° 的关节角误差。

大晓机器人董事长、商汤科技联合创始人王晓刚在采访中表示，关键在于让数采方案、后端系统、模型和真实场景形成紧密联动，才能判断什么样的数据真正促进模型迭代。他期待随着真人环境式数据持续增加，世界模型能力不断增强，对真机数据的依赖将逐步降低，当基础模型足够强大，完成特定动作对齐可能只需数小时而非上百小时真机数据。

大会期间，光轮智能发布全球首个十万小时开源人类数据集 EgoSuite-Open100k，涵盖 15000 余类场景、15000 余种任务，以头戴第一视角为主体，辅以腕部视角及手部姿态、全身姿态与事件级语义标注。数据将通过 Hugging Face Hub 向学术与商业研究开放。公司还推出 "5 年 100 亿具身智能数据共建计划 "，核心聚焦三项工作：开放数据标准以实现跨设备复用，评测驱动的数据闭环定向补采数据，以及数据与模型协同设计优化仿真数据、第一视角人类数据、遥操作数据与评测数据等的组合方式。光轮智能同时与阿尔特、五八同城、吉利、新希望、宝通等生态伙伴签约，覆盖汽车、生活服务、工业、农业等多元产业场景。

奥比中光的无本体数据采集硬件矩阵首次集中亮相，集结 EGO（第一视角）、UMI（手持操作）、WristCam（腕部近场）、Hub（同步中枢）四类产品，形成覆盖真实交互全视角的数据采集矩阵。目前，奥比中光数据采集硬件平台已服务多家国内外行业客户。

傅利叶则与一行凌光、奇点智控、伊塔动力等生态伙伴亮相，其中一行凌光展出的 EGO 数据采集头环 Lume R1 及配套平台，覆盖感知交互、边缘计算、数据治理与标注等环节。

▍不只是数据，本体统一性与商业闭环有待同步收敛

快思慢想研究院院长田丰指出，当前机器人规模化落地的瓶颈不仅是高质量数据稀缺，更是数据、本体统一性与商业闭环三者能否同步收敛的结构性矛盾，单独囤积数据无法解决。

至 2026 年 4 月，全国已有 90 个数据采集与训练中心投用或规划建设，其中 64 个已投用，至少 13 个部署了百台以上机器人。然而对照行业百万乃至千万小时级的训练需求，可用高质量交互数据仍存在数量级差距。这一缺口并非采集速度不够，而是数据采集正为尚未被商业验证的市场预支资产，一旦下游验证不及预期，数据价值将大幅缩水。

其次，Scaling Law（规模效应法则）存在相变门槛，数据是必要非充分条件。Generalist AI 于 2025 年 11 月发布的 GEN-0 模型首次在机器人领域观察到：10 亿参数量模型难以吸收复杂数据，60 亿模型开始受益，而相变发生在 70 亿参数，小模型即使喂入更多数据也无法继续进步。这意味数据量与模型容量必须同步跨越联合阈值，物理常识的泛化能力才会涌现。国内数采场普遍 " 先囤数据、后调模型 "，但若本体模型参数量长期停留在门槛以下，再多数据也只是线性堆叠。

第三，本体构型碎片化稀释了数据可复用价值。田丰表示，国内人形机器人本体尚未收敛到主流构型，各厂商在关节自由度、末端执行器、传感器配置上差异巨大，同一动作在不同本体上的数据难以互相复用，名义总量被本体多样性稀释为大量 " 孤岛数据 "。数据结构未标准化前，采集越多浪费越多。

关于数采技术路线，田丰认为六种范式正并行发展：遥操作、动作捕捉、仿真合成、无本体采集、互联网视频升维、真实产线采集。无本体方案（如 UMI 类手持设备）采集效率提升数倍、成本降至真机五分之一左右，其成本优势建立在牺牲本体动力学信息之上，适用于粗粒度任务规划，精细操作仍依赖真机力反馈。两者是分层关系，并非替代。同时，无本体数据的规模化瓶颈在于人类动作库的代表性，若采集样本主要来自采集人员而非目标场景实际操作者，模型学到的只是采集团队的动作分布。

综合来看，具身智能产业正处于从技术验证向规模化部署跨越的关键阶段。商业化场景持续拓展，数据基础设施建设全面铺开，但标准化尚未完成、商业闭环有待验证、模型能力仍需跨越门槛。未来一到两年，这些变量能否同步收敛，将决定具身智能从实验室走向真实世界的节奏。

（科创板日报记者 黄心怡）