人形机器人数据公司：专有数据为何能形成护城河

2026 年，走进几乎任何一家人形机器人初创公司的现场，你都会看到招股材料从不提及的东西：一排排的人。有人戴着 VR 头显，用手操控一对机械臂，把同一条毛巾叠到第两百遍。有人穿着带传感器的动作捕捉服，在采集空间里走动。机器人是投资人前来观看的对象，而真正的产品线，是这些正在生成轨迹数据的人。

过去十年，人形机器人的难点在于本体：能扛住摔倒的执行器、有真正手指的灵巧手、能撑过一个班次的电池。这个问题尚未彻底解决，但正在趋同。Figure、1X、Agility Robotics、Boston Dynamics 如今交付的平台，规格表已经彼此押韵。当硬件趋同，每支认真的团队心里那个问题，就从"我们能不能造出这台机器人"，变成了"它将从什么数据里学习，而这些数据还有谁拥有"。

答案不是随便什么数据，而是关于具身行为的专有记录：一只手如何靠近马克杯，当盖子回顶的一瞬间握力如何变化，人在伸手前半秒钟眼睛看向哪里。这才是能够复利累积的资产。模型架构几个月就会外泄，而一份由你采集、竞争对手没有的行为语料，不会。

硬件不再是最难的部分

看看过去两年交付的产品，规律很难忽视：多家厂商、相近的自由度、相近的手部设计、相似的电池规格。机械上的前沿仍然重要，但已不再像 2021 年那样把领跑者与其余人区分开来。真正区分他们的，是跑在上面的策略，而策略取决于它用什么训练。

这是语言模型时代早已教过的一课，如今被搬到了原子世界。Transformer 几周内就成了公开论文，真正让前沿实验室保持领先的，是没人能复制的语料、清洗与反馈数据。机器人如今在重演同一个故事，只是多了一个残酷的差别：世界上并不存在一份可供抓取的、网络规模的物理交互语料。每一条有用的轨迹，都必须被生产出来。

公开数据集给你什么，又不给你什么

面对稀缺，业界的答案是汇聚。Open X-Embodiment 汇集了来自 21 家机构、22 种本体的一百多万条真实机器人轨迹，并证明用这个混合集训练出的策略，胜过只用任何单一实验室数据训练的策略。DROID 又补上大约 76,000 条遥操作轨迹，覆盖 564 个场景，刻意追求环境多样性。这些都是对整个领域的馈赠，但按其构成也是共享的：你的竞争对手下载的是同样的文件。

下表勾勒出这些取舍。请先读最后一列。

有两个缺口反复出现。其一，几乎所有机器人数据都是在桌面上遥操作采集的，这对人形机器人真正被寄望去做的那种富接触、全身、双手的作业采样不足。其二，大型第一人称人类数据集，Ego-Exo4D 也在其中，感知信息丰富，却缺少策略模仿所需的动作与力标签。如何弥合两者尚无定论，而这恰恰是专有语料创造价值的地方。

为什么模型不复利，专有数据却复利

飞轮真正转起来，是在部署环节。一台机器人在真实环境中会产生任何数据集都没预料到的观测：凌晨两点的失败、钢制台面上的反光、被放错位置的物体。Physical Intelligence 主张跨多任务、多平台训练的通用策略；Toyota Research Institute 对其 Large Behavior Models 的定位如出一辙，是大规模习得的行为，而非写死的脚本。两种押注都假设背后有一台数据引擎在供给。NVIDIA 的 Isaac GR00T 更是明说，基础模型的好坏，取决于其背后真实、人类与合成动作的混合比例。

复利就在这里：更好的策略赢得更多部署，更多部署产生更多、更罕见的数据，这些数据训练出的策略是竞争对手无法企及的，因为他们从未见过那些情形。模型权重是一张快照，而不断为它续满的那条管线，才是护城河。

你交付的模型是一张快照，不断为它续满的管线才是资产。权重可以被蒸馏，数据飞轮却必须亲身运转出来。

没人写进 PPT 的成本结构

遥操作，这个高质量动作数据的默认来源，其昂贵程度是创始人很少披露的。每一条轨迹都是一个人近乎实时地操控一台机器人。吞吐量受限于人的工时，而最有价值的数据，也就是那些纠错与极端情况，恰恰采集得最慢，因为它们最难遇到。仿真对某些技能有帮助，对另一些则骗得很像真的：接触与可变形物体，仍是 sim-to-real 会咬人的地方。

第一人称人类采集，翻转了等式的一部分。一个佩戴传感器的人，能以人类的速度、人类的灵巧完成一次示范，远比他去牵线操控机器人更快。代价是本体差异：人的手不是机器人夹爪，把这套动作重定向到另一具身体，本身就是一个研究难题。经济性很诱人，转移才是真正的功夫。谁若声称两者都已解决，那是在推销东西。

作为战略资产的数据：权利、来源、司法管辖

一旦行为数据成为资产负债表上的条目，它的法律形态就开始要紧。一条从签约示范者身上采集的轨迹归谁所有？在什么许可下才能转售、汇聚或用于训练？EU Data Act 与 EU AI Act 都推动着有据可查的数据来源与清晰的数据治理义务，而机器人基础模型的买家，会越来越多地追问训练数据从何而来、权利是否干净。一份来源含糊的语料，是披着资产外衣的负债。

这是"数据公司"不那么光鲜的另一半。它不只是采集，还包括知情同意、标注标准、留存、可审计性，以及当合作方的合规团队问起时，能证明一条完整的保管链。把这些当成走流程的团队，会在很晚才发现：它其实就是产品本身。

所以，当一家人形机器人公司告诉你，它的优势在于机器人，请换一个更尖锐的问题：让我看看你的数据引擎。问它采集了哪些公开数据集没有的东西、续满速度有多快、产出归谁所有，以及当当前模型迭代到第三个版本之后，那份语料会怎样。能干净利落作答的团队，早已在以数据公司的方式运转。其余的，只是在买硬件、碰运气。在这个市场里，机器人是你看得见的东西，数据才是真正付账的东西。