物理 AI 时代具身数据采集产业深度研究

摘要： 本报告深入探讨了具身智能在物理 AI 时代对数据采集的巨大需求，认为构建高效的数据闭环是实现智能跃升的核心。报告分析了世界模型如何驱动具身智能从“理解语言”向“理解世界”进化，并详细对比了真实数据、合成/仿真数据以及视频数据三种主流采集方案的利弊，提出了“虚实结合”的训练路径。

行业主线：

1. 数据规模与模态升级：具身智能需要 EB 级、强物理交互的多模态数据，数据缺口已成为制约行业发展的瓶颈。
2. 三种数采路径并行：真实数据保真度最高但成本昂贵；合成/仿真数据扩展性强但存在 Sim2Real Gap；视频数据规模大且成本低，正成为新焦点。
3. 基础设施建设：国家级标准化训练场、开源数据集生态及质量评估体系的建设正在夯实行业基座。

关键变化与分歧：

1. 技术路线演进：行业正向“大规模仿真/视频数据预训练 + 少量真实数据微调/强化学习”的虚实结合方案收敛。
2. 数采成本降低：通过视频升维等技术，部分方案已将采集成本降至行业平均水平的千分之五。

受益方向与风险：

1. 受益方向：具身数据“卖铲人”（数采平台、仿真引擎、数据标注服务商）及具备高效数据闭环能力的本体厂商。
2. 核心风险：技术路线未统一导致研发沉没、市场竞争加剧、行业投入不足或政策落地不及预期。