從跳舞到干活的距離：機(jī)器人到底缺了什么？

機(jī)器人，不該再跳舞

今年四月的北京亦莊，一場馬拉松改寫了機(jī)器人速度的邊界。

一臺名為"閃電"的人形機(jī)器人，以50分26秒的凈時成績沖過了半程馬拉松終點(diǎn)線——這個數(shù)字，比烏干達(dá)名將基普利莫，在今年3月在里斯本創(chuàng)造的人類男子半馬世界紀(jì)錄，整整快了7分鐘。

然而，贊嘆之余，人們不禁要問：人形機(jī)器人這股風(fēng)刮了這么久，我們看到了它們跳舞、翻跟頭、跑馬拉松，甚至上春晚，但什么時候，它們才能真正地"干活"？

前幾天，這個問題有了個突破性的答案：5月7日，華人機(jī)器人創(chuàng)業(yè)公司Genesis AI發(fā)布了首個機(jī)器人基礎(chǔ)模型GENE-26.5，視頻里的機(jī)器人完成了一連串絲滑的演示：單手打雞蛋、雙手配合切番茄、使用鹽磨和打蛋器、用鏟子翻炒蛋液，甚至打完雞蛋后還會用毛巾擦手。

這個4分鐘的長時序任務(wù)包含了20多個子任務(wù)，全程自主運(yùn)行，1倍速展示，沒有任何加速效果。最讓人驚嘆的是一個細(xì)節(jié)：在轉(zhuǎn)移切好的番茄時，機(jī)器人不是簡單地把刀當(dāng)成鏟子，而是用刀背和砧板形成支撐，再通過雙手協(xié)同把番茄轉(zhuǎn)移出去——這個動作已經(jīng)和人類的操作方式幾乎沒有區(qū)別。

Genesis AI官方毫不諱言，這套系統(tǒng)的核心不是什么神奇的算法，而是數(shù)據(jù)。

GENE-26.5背后是超過20萬小時的跨模態(tài)數(shù)據(jù)，包括高保真手套數(shù)據(jù)捕捉的手部動作和觸覺信號、第一視角視頻記錄的人類自然操作、以及第三人稱視頻提供的大規(guī)模物理互動覆蓋。

同樣地，數(shù)據(jù)的重要性，在最近的紅杉AI Ascent 2026大會上，得到了英偉達(dá)機(jī)器人方向負(fù)責(zé)人Jim Fan的最強(qiáng)背書。在會上，Jim Fan坦言：遙操已死，人類的傳感器數(shù)據(jù)將長存。

幾乎在同一時間，太平洋彼岸的中國廠商們，已經(jīng)在數(shù)據(jù)這條賽道上悄悄下了重注。截至2026年，光輪智能已經(jīng)交付了150萬小時的機(jī)器人訓(xùn)練數(shù)據(jù)；智元機(jī)器人依托其自建的4000平方米數(shù)據(jù)采集工廠，累計采集了超過百萬條高質(zhì)量真機(jī)數(shù)據(jù)，并發(fā)布了全球首個百萬級真機(jī)數(shù)據(jù)集AgiBot World；而宇樹科技更是在今年4月，直接開源了189萬條來自G1真機(jī)的動作數(shù)據(jù)，震驚了整個行業(yè)。

說白了，中美兩國的頭部玩家，都已經(jīng)意識到，在當(dāng)下人形機(jī)器人的競爭中，數(shù)據(jù)已經(jīng)成了關(guān)鍵的變量，這場戰(zhàn)爭的勝負(fù)，將在未來數(shù)年內(nèi)，決定整個行業(yè)的權(quán)力結(jié)構(gòu)。

數(shù)據(jù)之重

很多人覺得，對于機(jī)器人而言，模型和算法框架才是最重要的。

但實(shí)際上，今天無論是VLA、Diffusion Policy還是模仿學(xué)習(xí)，都已經(jīng)變成了行業(yè)的通用基礎(chǔ)設(shè)施。中美兩國的學(xué)術(shù)界和工業(yè)界，幾乎在同一時間掌握了這些核心框架。算法的同質(zhì)化，意味著單純靠模型創(chuàng)新拉開差距的時代已經(jīng)結(jié)束了。

但數(shù)據(jù)這個天花板，卻因?yàn)檎鎸?shí)世界的物理限制，成為了木桶上那塊最短、也最難補(bǔ)齊的木板。你可以在一周內(nèi)復(fù)現(xiàn)別人的模型，但你不可能在一周內(nèi)積累別人花了三年時間采集的百萬小時真機(jī)數(shù)據(jù)。

并且，在同樣的算法、模型框架下，數(shù)據(jù)帶來的"涌現(xiàn)"效果，往往是拉開差距的唯一關(guān)鍵。

一個具體的例子是：來自螞蟻數(shù)科和宇樹科技今年2月合作的一個實(shí)驗(yàn)。他們的任務(wù)簡單到不能再簡單：讓一臺G1機(jī)器人走到電腦前，伸手按下機(jī)箱上的電源鍵。

一開始，所有人都覺得這是個小兒科的任務(wù)。但實(shí)際測試的結(jié)果卻讓人大跌眼鏡：連續(xù)100次測試，成功率只有45%。

問題出在哪里？問題出在機(jī)器人總是按歪——要么按到了旁邊的USB接口，要么按到了機(jī)箱的邊緣；要么力度太輕，按不下去；要么力度太重，直接把整個機(jī)箱推得往后滑。最搞笑的一次，機(jī)器人的手指卡在了電源鍵和機(jī)箱的縫隙里，拔不出來了。

工程師們嘗試了所有能想到的辦法：調(diào)整關(guān)節(jié)力矩、優(yōu)化視覺識別精度、增加力反饋閾值……但折騰了一個星期，成功率最多也就提升到52%。

最后，他們放棄了所有算法上的"小聰明"，轉(zhuǎn)而用最笨的辦法：讓真人用一臺手機(jī)+20美元頸掛支架，用不同的力度和角度，反復(fù)按同一個電源鍵，一共采集了200條完整的真機(jī)操作數(shù)據(jù)。

然后，奇跡發(fā)生了。

再次測試，同樣的100次任務(wù)，成功率直接從45%跳到了95%。沒有任何算法上的重大突破，沒有任何硬件上的升級，僅僅是多了200條真實(shí)世界的數(shù)據(jù)，機(jī)器人的表現(xiàn)就發(fā)生了質(zhì)的飛躍。

這就是數(shù)據(jù)的魔力。它不是在原有基礎(chǔ)上的線性提升，而是一種指數(shù)級的質(zhì)變。同樣的硬件，同樣的算法，多一倍的數(shù)據(jù)，可能就意味著多一倍的任務(wù)成功率，多一倍的泛化能力，

這個差距，一旦拉開，就很難追上。

路線之爭

既然數(shù)據(jù)這么重要，那么我們到底需要什么樣的數(shù)據(jù)？

簡單來說，在這個問題上，當(dāng)下的機(jī)器人行業(yè)，大致分成了兩大路線。

一派是以英偉達(dá)為首的“仿真派”，他們信奉算力至上。依托Omniverse這樣的數(shù)字孿生平臺，他們在虛擬世界中構(gòu)建出與真實(shí)世界物理規(guī)則完全一致的平行宇宙，讓數(shù)百萬臺虛擬機(jī)器人在里面進(jìn)行億萬次的試錯和訓(xùn)練。

仿真派的優(yōu)勢顯而易見：成本低、速度快、可無限規(guī)?；?。但致命弱點(diǎn)也很突出：仿真永遠(yuǎn)存在“現(xiàn)實(shí)鴻溝”。無論你的物理引擎多么先進(jìn)，你永遠(yuǎn)無法模擬出一塊沾了油的抹布的摩擦力、一個有點(diǎn)變形的紙箱的承重能力，這些在人類看來微不足道的細(xì)節(jié)，在仿真中被無情地簡化掉了。

另一派則是以中國廠商為代表的“真機(jī)派”，他們建數(shù)據(jù)工廠、鋪機(jī)器人本體、讓人類穿戴設(shè)備親自操作，在真實(shí)的物理環(huán)境中，一寸一寸地采集每一個動作、觸摸、碰撞的完整數(shù)據(jù)。

真機(jī)派的優(yōu)勢是包含了真實(shí)的力矩反饋、觸覺陣列信號、碰撞軌跡和環(huán)境擾動。但它的劣勢，卻是成本相對高昂、采集極慢、資產(chǎn)極重。一臺人形機(jī)器人本體動輒十萬以上，一個中型數(shù)據(jù)工廠的建設(shè)成本上千萬。

從總體上來看，兩派經(jīng)過一段時間的較量，已經(jīng)大致分出了高下，斯坦福大學(xué)在今年4 月發(fā)布的《2026 AI Index Report》中，用一組冰冷的數(shù)據(jù)擊碎了所有 "仿真萬能論" 的幻想：在最理想的實(shí)驗(yàn)室條件下，一個在仿真環(huán)境中能達(dá)到 89% 任務(wù)成功率的機(jī)器人，一旦放到真實(shí)世界中，成功率會斷崖式下跌到 12%。

這樣的差距，就是橫亙在仿真派面前的 "現(xiàn)實(shí)鴻溝"。

所以，現(xiàn)在即使是美國，也意識到了真機(jī)數(shù)據(jù)的重要性，只不過，他們做的并不是"重資產(chǎn)的真機(jī)數(shù)據(jù)"，而是用全球勞動力成本洼地（印度、尼日利亞、阿根廷）+ 零工平臺（Gig Economy）+ 自帶設(shè)備（iPhone），走了一條"輕資產(chǎn)、高擴(kuò)展"的人類傳感器采集路線。

而這樣的形態(tài)，實(shí)際上采集的是"人"的數(shù)據(jù)，不是"機(jī)器人"的數(shù)據(jù)。工人疊衣服的視頻，記錄的是人手的動作、人眼的視角。

中國也在轉(zhuǎn)向人類傳感器數(shù)據(jù)，但中國的優(yōu)勢在于：我們同時有"人類穿戴采集"和"產(chǎn)線嵌入采集"兩種形態(tài)，而且后者是制造業(yè)場景自帶的。

同一個技術(shù)判斷，兩種不同的組織形態(tài)。 這成了數(shù)據(jù)之爭最隱蔽的變量。

投資悖論

盡管中美都將主力轉(zhuǎn)移到了真機(jī)路線上，但是在具體投入上，手握全球最雄厚風(fēng)險資本的美國，最終選擇了輕資產(chǎn)的眾包數(shù)據(jù)路線；

而資本體量遠(yuǎn)不及美國的中國，卻義無反顧地押注了重資產(chǎn)的真機(jī)工廠路線。

美國的風(fēng)投資金，把錢投給Scale AI、Micro1這樣的眾包平臺，用15美元時薪招募全球零工，讓他們把iPhone綁在額頭上錄制家務(wù)視頻。這是一個“四兩撥千斤”的故事：不需要建工廠、不需要買機(jī)器人、不需要養(yǎng)團(tuán)隊，只需要一個App和一個全球零工網(wǎng)絡(luò)。

像是Generalist這個數(shù)據(jù)眾包平臺，現(xiàn)在全球注冊零工已經(jīng)超過了230萬人，號稱每天能生成超過10萬小時的人類操作數(shù)據(jù)。

但問題是，這個模式有個致命缺陷：眾包數(shù)據(jù)看起來便宜，實(shí)則暗藏著高昂的“標(biāo)注稅”和“清洗稅”。

根據(jù)MIT Technology Review的報道，這些眾包數(shù)據(jù)，只有約一半的視頻能通過質(zhì)量檢查。

為什么？

因?yàn)檫@些視頻缺乏力覺、觸覺等機(jī)器人訓(xùn)練的核心傳感器數(shù)據(jù)。你看到的是畫面，但機(jī)器人需要知道的是：手指用了多大的力？

要讓這些視頻真正用于訓(xùn)練，需要大量的后期標(biāo)注與處理。標(biāo)注每一幀的動作類別、物體位置、接觸關(guān)系——這筆"標(biāo)注稅"，往往比采集本身更昂貴。

反觀中國，雖然整體資本體量不如美國，但卻走出了一條完全不同的道路。將真金白銀地砸向了數(shù)據(jù)工廠、機(jī)器人本體和穿戴式采集設(shè)備。

這種“正規(guī)軍”的打法，好處是通過工業(yè)級質(zhì)控體系，讓數(shù)據(jù)有效率差出幾十個百分點(diǎn)，并且通過高度一致的采集硬件與規(guī)格，讓人類采集的數(shù)據(jù)可以幾乎無損地遷移到機(jī)器人身上。省去了原本需要大量人工干預(yù)的標(biāo)注、清洗、格式轉(zhuǎn)換工作。

舉個例子，在北京亦莊的人形機(jī)器人數(shù)據(jù)基地，就覆蓋了家居、商超、辦公、工業(yè)、醫(yī)藥、30多個典型應(yīng)用場景，并配有約200平方米專業(yè)光學(xué)動作捕捉場地?；貎?nèi)有120多臺不同構(gòu)型機(jī)器人，配備頭環(huán)式、夾爪式采集設(shè)備、動捕服、動捕手套。

這樣的采集規(guī)模、質(zhì)控，遠(yuǎn)不是美國那種靠眾包零工頭上綁攝像頭的方式能比得了的。

這類基地經(jīng)過幾個月打磨后，內(nèi)部質(zhì)檢合格率可提升到約95%。

雖然在“人類傳感器采集路線”上，中美都不需要高昂的機(jī)器人本體了，但真正的成本，已經(jīng)從機(jī)器人本體，轉(zhuǎn)移到了采集設(shè)備標(biāo)準(zhǔn)化、場景組織、數(shù)據(jù)清洗標(biāo)注方面。

但對中國來說，這種看似“重資產(chǎn)”的路線，由于規(guī)?；?，以及工業(yè)級質(zhì)控的優(yōu)勢，成本還是被打下來了。

因?yàn)樵谛乱淮祟悅鞲衅髀肪€里，真正差距的，已經(jīng)不僅僅是不在“能不能便宜采”，而在“誰能把便宜采來的原始數(shù)據(jù)，變成模型真正吃得下的有效數(shù)據(jù)”。

于是，一個非常諷刺的局面出現(xiàn)了：美國雖然擁有全球最多的風(fēng)險資本，但卻投不出中國這樣的真機(jī)數(shù)據(jù)規(guī)模。因?yàn)楫a(chǎn)業(yè)空心化，只能去第三世界找零工用攝像頭來采集。

而由于采集設(shè)備的單一、簡陋，加上零工的不專業(yè)，美國的真機(jī)路線只能走“低技術(shù)、低質(zhì)量、碎片化”的眾包道路，永遠(yuǎn)無法達(dá)到中國這樣的工業(yè)化量產(chǎn)級別。

結(jié)語

如果從行業(yè)終局的角度，觀察當(dāng)下機(jī)器人的數(shù)據(jù)競爭，你會發(fā)現(xiàn)人形機(jī)器人的競爭本質(zhì)上是一場關(guān)于“不可能三角”的博弈。

在任何一個給定的時間點(diǎn)，沒有任何一家公司能夠同時做到硬件最強(qiáng)、算法最優(yōu)、數(shù)據(jù)最多——你只能強(qiáng)兩頭，必然弱一頭。

過去十年，是硬件的時代。波士頓動力在硬件運(yùn)動控制上做到了極致，它的Atlas能跑能跳能后空翻，但它弱在算法和數(shù)據(jù)，只能在實(shí)驗(yàn)室里完成預(yù)設(shè)動作，至今無法走進(jìn)真實(shí)世界。

過去三年，是算法的時代。VLA模型的爆發(fā)讓所有人看到了通用機(jī)器人的希望，但算法的護(hù)城河是最脆弱的。一篇論文、一次開源，就能讓幾個月的差距瞬間磨平。

而未來三到五年，唯一真正的、不可逾越的護(hù)城河，正在數(shù)據(jù)領(lǐng)域悄然形成。

更重要的是，數(shù)據(jù)會形成自我強(qiáng)化的飛輪：而在這一點(diǎn)上，中國比美國擁有無可比擬的優(yōu)勢。

中國擁有全球最豐富、最多樣化的制造業(yè)場景，從3C電子的精密組裝到汽車制造的焊接噴涂，從物流倉儲的搬運(yùn)分揀到餐飲服務(wù)的上菜收盤，無數(shù)的工廠和企業(yè)愿意為人形機(jī)器人提供試錯的機(jī)會，

同時，得益于中國制造業(yè)的強(qiáng)大優(yōu)勢，人形機(jī)器人的生產(chǎn)成本遠(yuǎn)低于美國，這使得中國機(jī)器人產(chǎn)品，在人力成本高昂的國家具備顯著的出口競爭力。

以智元機(jī)器人為例，其積極布局海外市場，2026年海外銷售目標(biāo)占比已超過30%。機(jī)器人價格的降低，促進(jìn)了出口量的增長和應(yīng)用場景的拓展，進(jìn)而收集到更多真實(shí)世界的數(shù)據(jù)，這些數(shù)據(jù)又反哺算法迭代，進(jìn)一步提升性能并降低成本，形成了一個強(qiáng)大的正向循環(huán)。

現(xiàn)在，這場人形機(jī)器人的數(shù)據(jù)之戰(zhàn)才剛剛打響。

而歷史已經(jīng)證明，當(dāng)一場技術(shù)革命進(jìn)入到工業(yè)化落地的階段時，擁有最完整產(chǎn)業(yè)鏈、最豐富應(yīng)用場景、最強(qiáng)大制造能力的國家，往往會笑到最后。