作者｜毛心如

具身智能的数据军备赛，又迎来一位关键玩家。

原力无限将数据采集与训练数据生成业务独立，成立数据新公司，由原力无限 CTO 王一舟博士出任 CEO。

其核心产品将与新公司同步亮相，据悉，新公司起步便已手握数亿元订单。

在智元机器人孵化出觅蜂科技、星海图联合亦庄组建亦数智能之后，原力无限这次业务独立带来了更明显的行业信号。

具身智能的头部玩家们已经不约而同地将数据能力视为独立战略单元，而不是模型训练的附属品。

竞争正在从谁的模型更聪明，向上游延伸至谁能持续供给高质量的有效数据。

这一趋势背后，是行业对数据缺口日益紧迫的焦虑。

2024 年，全球具身智能数据采集工厂的市场规模约为 7.53 亿美元，预计到 2031 年将攀升至 67.52 亿美元，年复合增长率达 36.8%。

但市场火爆的另一面是，截至 2026 年初，全球高质量真实物理交互数据总量仅约 50 万小时，不足大语言模型训练数据的两万分之一。

国内可用于训练的具身数据量级虽有百万小时，但与大语言模型动辄数千万小时的视频数据相比，差距仍然悬殊。

供需之间的巨大鸿沟，催生了一门新生意，数据采集与基础设施建设。

而原力无限，也开始将数据业务推向台前。

海量数据之下，

有效数据依旧稀缺

2026 年，整个行业彻底意识到数据对于模型训练的重要性。

各路玩家扎堆涌入数采赛道，多种技术路线并行竞速。但在热闹的表象之下，行业依然处于一种无序内卷的状态。

目前，行业主要分化出四条技术路径，各有长短，尚未诞生统一的行业标准。

UMI 无本体采集路线凭借轻量化、低成本、易规模化的优势快速出圈，它摆脱了机器人本体束缚，场景适配灵活，但缺失精细的力控信息，跨本体适配的精度不足。

第一人称 Ego 采集路线贴合真实人类操作视角，场景适应性极强，不过多模态数据对齐难度高，原始数据质量也参差不齐。

真机遥操作采集的数据真实度最高、落地适配性最好，但重资产、高成本的特性使其难以大规模量产。

而仿真合成数据可以低成本批量生成长尾样本，却始终难以消除仿真到现实的鸿沟，无法单独支撑真机落地训练。

技术路线百花齐放的同时，一场数据扩量竞赛也已全面打响。

亦数智能、觅蜂科技、鹿明机器人等一众企业，纷纷定下年度百万小时级别的采集目标，头部玩家更是锚定了千万小时的长期产能。

然而，火热的扩量态势，并未有效缓解行业的供需矛盾。

据统计，目前全球仅约 50 万小时的数据可直接用于机器人动作微调，但单家通用具身模型的年度训练需求就超过百万小时。

这意味着，行业有效数据的缺口超过九成，供需失衡问题十分突出。

而在海量采集的背后，也隐藏着严重的资源浪费隐患。

许多玩家陷入了重采集、轻治理、轻复用的误区，一味堆砌设备、扩大采量，却忽略了数据的实际可用性。

但数据的问题，从来不只是采了多少，而是采回来的，有多少能真正用上。

当下行业大量采集的原始素材，常常因为定位漂移、动作片段残缺、标注不规范、多模态数据不同步等问题，无法接入模型训练链路，最终从生产投入变成无效沉淀，难以转化为真正的数据资产。

这也直接改写了行业竞争规则，过去的数据比拼，拼的是采集规模与设备数量。

如今，竞争的核心已变成谁能持续量产高质量、可迁移、可复用的有效数据。

不同于零散的原始视频或轨迹素材，有效数据能够完整覆盖视觉、深度、空间轨迹、物理接触、末端动作、任务结果等全维度信息，可直接适配模型微调与跨本体复用。

这才是支撑机器人精细化操作、实现真实场景落地的核心资源，也是它们切入赛道的价值所在。

DataGrid 全栈平台，

打通数据全链路闭环

针对行业数据转化率低、链路碎片化、落地适配难的普遍痛点，原力无限给出了自己的答案。

它们最新发布了 DataGrid，一套具身智能端到端智训体系，包含数据采集系统、数据处理平台及硬件底座。

目标只有一个：把真实世界的任务，转化为机器人可学习、可训练、可执行的好数据。

围绕这一体系，DataGrid 构建了覆盖 Ego 第一人称视角、UMI 手持夹爪、Body Ego Camera、Embodiment Capture Module 等多种采集形态的完整产品矩阵，持续沉淀视觉、空间、轨迹、动作、接触、结果等真实物理交互数据。

在采集层之上，这些数据还会同步整合 RGB 图像、TOF 深度、IMU 惯性数据、SLAM 空间轨迹、夹爪状态与任务结果等多源信息，从而更完整地还原真实场景中的物理交互细节。

这些数据最终汇入原力无限的 AtomBrain 具身大脑，完成模型训练、本体验证、持续学习与能力进化的完整链路。

如果说 Scale AI 代表了上一轮 AI 浪潮中的数据基础设施样本，那么原力无限的数据新公司试图切入的，是物理 AI 时代更复杂的一层数据基础设施。

把真实世界中的操作过程，转化为机器人可学习、可执行、可迁移的有效数据。

与多数玩家押注单一技术路线不同，DataGrid 采用了一套更务实的多设备同构混合采集架构，并通过多传感器融合定位能力，针对性解决第一人称采集中的定位漂移问题。

即便在遮挡、弱纹理、快速动态操作等复杂工况下，也能保持稳定的追踪精度，从源头保障数据的标准化与可用性。

DataGrid 的一个核心创新点，在于其同构对齐能力。

通过统一硬件构型、数据格式与轨迹映射算法，它打通了人类操作、遥操作、真机执行这三类数据之间的壁垒，有效解决了行业普遍存在的数据孤岛问题。

也大幅降低了跨设备、跨本体、跨场景的适配成本。

如此一来，单次采集的数据可以被多次复用，有效摊薄了数据生产的边际成本。

目前，这家数据新公司已在仓储物流、零售补货、医药物流、家庭家务等高价值场景中，沉淀了数万条高真值的结构化数据，技术落地的成果颇为扎实。

对内而言，DataGrid 是原力无限自有业务的核心赋能底座，已经跑通了完整技术闭环。

平台产出的标准化有效数据，可用于 AtomBrain 具身大脑的训练、微调与评估验证，优化后的模型再部署至 AD/UD 系列机器人本体，在真实场景中进行落地验证。

而真机实操中产生的长尾场景和失败案例数据，又会反向回流至平台，持续迭代数据集与算法能力，形成一个数据-模型-本体-场景的正向增长飞轮。

与市面上脱离真机场景的纯数据服务商不同，DataGrid 从研发之初就经过了真实机器人的落地验证，可降低客户二次适配与数据治理成本，在实用性和适配性上具备天然优势。

在对外独立运营后，这一套成熟的闭环能力也将全面向行业开放。

当下，中小本体厂商和 AI 模型团队自建全套数据体系，需要承担极高的人力、硬件和场地成本。

因此，一套轻量化、可落地、高转化的标准化数据基建，已成为行业刚需。

基于此，它们打造了分层服务体系，可围绕标准化数据集、平台私有化部署、定制化数据产线等方向提供服务，精准匹配不同客户的差异化需求。

数据采集的竞争，

是一场自上而下的体系之战

行业内一直存在一个普遍的误区，认为数据采集门槛不高，靠堆设备、扩团队就能快速入局。

但高质量有效数据的规模化量产，从来不是单一设备或单一技术的比拼，而是一套层层递进、难以复刻的复杂工程体系。

硬件、运营、标注、方法论这四重壁垒环环相扣，共同构成了数据赛道的长期核心护城河。

第一层是硬件壁垒。

一款商用级的数采硬件，必须在轻量化佩戴体验、多传感器同步精度、复杂环境稳定性、规模化量产成本之间找到最优解。

原力无限自研了融合定位算法、同步芯片与工学结构设计，既能支撑工作人员长时间常态化采集，又能保障大批量设备产出的数据标准统一，从源头规避数据失真、精度参差等问题，这构成了行业入局的硬性门槛。

第二层是数据运营壁垒。

想要实现百万小时级的规模化产能，仅靠固定采集工位远远不够，必须搭建分布式众包采集网络与成熟的运营体系。

完善的人员标准化培训、智能任务调度、实时数据质检、合规风险管控、精细化成本核算体系，才能将硬件规模高效地转化为有效数据产能，避开行业常见的设备闲置、场景单一、合规风险突出等问题。

第三层是自动化标注壁垒。

人工标注效率低、成本高，完全无法适配规模化数据生产节奏。

成熟的自动化标注流水线，需要涵盖多模态时序对齐、目标分割、轨迹智能标注、异常数据过滤、格式标准化输出等全流程能力。

这需要依靠多学科交叉算法持续优化准确率，从而大幅降低人工修正成本，而这直接决定了数据从原始素材到可用训练资产的转化效率。

第四层，也是最高阶的，是模型方法论壁垒。

硬件、运营、标注解决的是数据怎么生产的问题，而适配模型训练、真机落地的全套工程方法论，决定了数据能不能真正用、能不能用好。

这套体系包含精细化数据采样策略、跨本体轨迹映射规则、模型微调适配标准、真机反馈迭代机制，其建设必须同时具备大规模数据工程经验与机器人落地实操能力。

而这一整套完整壁垒的搭建，离不开具备工程化思维的关键人才，这也是当下整个具身智能赛道最核心的隐形竞争力。

数据新公司的 CEO 王一舟，是行业内典型的横跨自动驾驶量产、AI 基建搭建、具身智能研发的复合型人才。

学术上，他深耕机器人控制与智能感知领域；产业上，他完整经历了自动驾驶从实验室研发到大规模量产的全周期。

在既往经历中，他积累了将海量真实数据转化为量产级训练数据的经验，并沉淀了一套成熟的大规模数据工程量产方法论。

原力无限 CTO 王一舟即将掌舵数据业务

这也使得王一舟在自动驾驶领域积累的量产经验，可以快速适配到具身智能场景，帮助其跳出行业粗放内卷的误区，自上而下地搭建起一套完整、成熟的数据体系。

放眼整个赛道，光轮智能等头部数据企业的快速崛起，核心也是依托其团队成熟的仿真数据工程量产经验。

这足以证明，资深产业人才也是数据基建企业最核心的竞争力。

具身智能数采赛道中，短期的规模竞赛或许难以避免，毕竟大家都期待着量级跃升带来的模型能力突破。

但从长远来看，体系化的工程能力、高质量有效数据的量产能力，才是决定企业最终站位的核心标尺。

头部本体企业密集地将数据业务独立，已然说明：数据基建不再是机器人业务的配套附庸，而是物理 AI 产业中一个独立成长、价值巨大的核心赛道。

未来，机器人规模化落地的关键，在于让 AI 真正读懂并学会真实世界的物理交互。

而数据采集行业，也将告别粗放采集的时代，迈入精细化、资产化、体系化的有效数据竞争新阶段。