📰 研报摘要
查看全文 ➔摘要： 本文深入分析了具身智能领域的核心瓶颈——数据采集，探讨了由互联网数据、仿真数据和真实数据构成的“三段式”训练范式，并预测 1,000 万小时高质量数据将成为模型质变的临界点。
行业主线：
- 数据金字塔结构：数据采集分为真实世界数据（高质量但成本高）、合成/仿真数据（规模化快）和互联网数据（提供物理常识与逻辑推理）三个层级。
- 采集路径演进：真实数据从传统主从机械臂遥操作向低成本、可规模化的 Ego（第一视角）和 Umi（手持夹爪）数据方向发展。
- 仿真生态护城河：以英伟达 IsaacSim 为代表的工具链通过 GPU 并行计算实现数据指数级增长，构建软硬件一体化壁垒。
关键变化与分歧：
- 质变临界点预期：行业普遍预期在 2026-2027 年高质量数据量达到千万小时量级后，模型将迎来关键突破。
- 瓶颈转移：当前数据是核心短板，但未来通用具身智能的实现仍受限于硬件本体成熟度、模型架构及算力支撑。
受益方向与风险：
- 受益方向：投资价值排序为基础设施层（数据平台） > 软件工具（仿真引擎） > 硬件（机械臂/传感器） > 数据外包。
- 核心风险：硬件本体迭代不及预期、算力资源不足、数据质量筛选机制失效导致训练效率低下。