文章核心观点 - 具身智能行业正围绕数据采集、模型训练、数据扩展和模型优化的闭环链路发展，数据是当前发展的主线[1] - 行业并非寻求单一最优解，而是在不同阶段和约束下，沿着四条数据路线同时前进[3] - 这四条路线已形成四种具身数据供给范式，并初步形成了以智元、银河、它石、鹿明为首的“具身数据四小龙”格局[4][34] - 2026年行业竞争将加剧，但掌握数据话语权的公司前景看好[5] - 具身智能正从探索阶段走向长期能力迭代，数据体系的重要性从“支撑算法”转变为“决定节奏”[43] 四条核心数据路线及其特点 - **遥控真机数据**：最真实、最昂贵，数据价值密度极高，是研究者的“安全感来源”，但存在慢、贵、强绑定本体、规模扩张成本线性增长等问题，被视为高质量样本但难以大规模供给[6][8][9][10][12][13][14] - **仿真合成数据**：效率高、规模几乎无限，通过技术提升“像真度”，但始终存在与现实世界的“领域鸿沟”，在精细操作和复杂交互中问题会被放大，是很好的“训练场”但难决定真实世界上限[6][16][17][18][19][20][21] - **人类视频数据**：最便宜、数据量巨大、获取成本极低、场景覆盖极广，但易被误解，存在人体与机器人结构不一致、缺少力觉触觉反馈、动作可执行性无保证、标注对齐成本高等问题，通常作为真实交互数据丰富后的“叠加项”而非起点[6][22][23][25] - **UMI数据**：无本体依赖，更通用的数据协议，重新定义了数据与机器人本体的关系，将真实交互数据从特定机器人解耦，实现了真实世界交互、多本体适配、多机并行采集、工业级质量控制及可长期规模部署，让真实数据首次具备持续供给的可能性，正成为重要的具身数据基础设施[6][27][28][30][31] 各路线代表公司及实践 - **遥控真机路线**：海外以特斯拉为代表，国内以**智元机器人**为代表，其开源了百万真机数据集AgiBot World，并支撑了GO-1具身基座大模型和全人形WholeBodyVLA方案[35][39] - **仿真数据路线**：国内以**银河通用**为代表，基于十亿量级仿真数据发布了全球首个全仿真预训练具身大模型GraspVLA及灵巧手抓取数据集DexonomySim[35][39] - **人类视频路线**：海外有Figure AI，国内以**它石智航**为代表，发布了包含10万+真实人类操作视频的WIYH数据集及配套的SenseHub数据采集系统[35][39] - **UMI路线**：海外有Generalist用27万小时真机数据训练Gen0模型验证价值，国内**鹿明机器人**是产业界最早探索该路线的代表，发布了FastUMI Pro系统，使采集效率提升3倍，成本降至传统方案的1/5[35][39] 各数据路线的角色与行业意义 - 遥控真机数据用于**验证能力上限**[40] - 仿真数据用于**放大探索空间**[40] - 人类视频数据用于**扩展语义覆盖**[40] - UMI数据用于**支撑真实世界的长期数据供给**[40] - 四条路线并非互相否定，而是各自承担不同角色，共同构成行业的数据供给结构[38] - UMI路线对团队早期选择与持续投入依赖更强，其积累是路线选择和长期投入的结果[41][42] - “具身数据四小龙”是当前阶段性结构分工的描述，未来优势将取决于哪些团队能在真实世界中持续运行并累积数据[44][45]

WIYH数据集核心突破 - 全球首个大规模真实世界具身VLTA多模态数据集，整合视觉、语言、触觉和动作数据[1] - 包含超过10万条真实人类操作视频，覆盖40余种任务类型、100多种人类技能，使用13种以上传感器，涵盖520多种物体[3] - 每条数据包含6种标注，实现多模态数据的同步标记[4] 数据集技术特点与优势 - 数据采集基于多个行业的真实工作场景，如酒店洗衣、超市装配，覆盖标准操作流程[9][10][11] - 多层标注包括语义标注、深度信息、交互物体的可供性、语言推理、手部与末端动作轨迹等[12] - 通过自研采集套件同步获取视觉、力触觉和动作轨迹数据，保证多源信息在时间和空间上的精确对齐[15] - 依托云端基础大模型完成高精度标注，为具身基座模型提供全面多维的训练信号[15] - 在真实生活操作场景中采集数据，提升数据真实性和多样性，显著降低采集成本[15] 行业技术范式与公司定位 - Human-centric数据技术范式成为行业共识，公司在该路线上比特斯拉至少领先6个月[5][8] - 公司成立仅半年便完成2.42亿美元融资，采用全栈开发路线，覆盖算法、硬件本体和核心应用[8][31] - 公司核心团队由自动驾驶和机器人领域资深专家组成，包括前大疆、华为、百度等公司高管[28][29][30][31] 数据集对行业的意义 - 填补跨行业真实工作场景的数据空白，使面向真实世界的具身AI World Engine预训练成为可能[26] - 为未来实现具身基座模型的规模定律奠定基础，推动具身智能接近人类水平的认知与行动能力[16][26] - 相较于互联网视频数据、仿真数据和现有开源数据集，WIYH在模态完整性、标注精度和采集环境上具有明显优势[14][18][20][24]