当前，人工智能领域正经历着前所未有的变革，而具身智能作为其中的重要分支，正面临着一场比算力短缺更为严峻的挑战——“数据荒”。与大模型依赖海量文本数据不同，具身智能需要的是真实物理世界的操作数据，以训练出具备通用泛化能力的模型。然而，现实却远比想象中残酷，全球可用的高质量物理交互数据总量仅约50万小时，而训练出理想模型所需的数据量则高达千万甚至亿小时级别，缺口之大令人咋舌。
算力短缺，虽令人焦虑，但并非无解。随着芯片技术的不断进步和封装产能的逐步提升，算力成本正在持续下降，供应周期也在逐渐缩短。然而，具身智能所面临的数据荒，却是一场维度上的灾难。物理世界的复杂性远超互联网文本，机器人需要理解并应对无数隐藏变量，而这些变量恰恰是传统数据采集方式难以触及的。
以“拧瓶盖”这一简单动作为例，人类凭直觉即可完成，但机器人却需要理解瓶盖的材质、螺纹摩擦力等多变量因素。这些因素在互联网文本中几乎从未被明确记录，因此无法通过简单的文本爬取来获取。具身智能必须通过真实操作来感知物理世界，这种性质上的差异使得数据荒问题变得尤为棘手。
数据质量对于具身智能而言至关重要。与大模型可以容忍一定程度的文本错误不同，具身智能的数据噪声类型、严重程度及其对模型的影响都难以准确界定。低质量的数据不仅无法助力模型训练，反而可能污染模型，导致训练效果大打折扣。因此，具身智能的数据采集从一开始就面临着严格的质量门槛。
具身智能的数据还具有极强的硬件依赖性。不同型号、不同尺寸的机器人在执行相同动作时，关节角度、重心偏移等参数可能完全不同。这意味着，一款机器人采集的数据对另一款机器人而言可能毫无价值。数据之间的天然隔离形成了独立的“数据孤岛”，使得数据迁移复用变得异常困难。
面对数据荒的困境，业界正在积极探索多种技术路线。真机遥操作通过VR设备、动捕服等遥操作真实机器人，逐条记录动作数据，虽然精度高但成本昂贵；UMI方案则将采集设备与机器人本体解耦，用人手持轻量化的夹爪和摄像头在真实场景中操作采集，虽然降低了采集门槛但数据质量参差不齐；仿真合成数据则彻底抛弃真机，直接在仿真引擎中生成海量训练数据，虽然成本低但虚实鸿沟难以跨越。
三条路线各有优劣，短期内将在不同场景中并行探索。真机遥操作守住精度上限，适用于高附加值场景；UMI主攻规模化采集，力求在真实性与成本之间找到平衡点；仿真合成则负责覆盖极端场景，为模型训练提供多样化数据支持。然而，无论哪条路线，似乎都卡在同一个死结上：数据无法同时满足规模、质量、成本三角。
为了突破这一困境，全行业开始思考数据共享的可能性。乐聚等企业牵头共建国家级具身智能开源数据社区，已开源超6万分钟真机数据集供业界使用。然而，开源仍是少数派的理想主义，更多企业选择了商业变现之路。京东、箸境智能等企业纷纷将数据采集作为独立生意，通过交易平台出售高精标注数据集。数据在当下更被视为企业的核心资产和可交易的商品，而非开源的公共资源。
个体都保护自身利益，最终导致全行业重复采集、效率低下。这正是一个经典的“囚徒困境”：共享是乌托邦式的理想，现实却正滑向“各自为战”。除非出现强有力的行业标准与利益分配机制，否则行业“最优解”可能将长期停留在愿景中。
在行业各自突围的背景下，一个可能的方向是让机器从“被投喂”走向“自主觅食”。大模型的发展已验证这一路径的可行性，英伟达研究团队开发的Eureka系统让AI能生成多个解决方案并自我筛选，Kimi K2则通过构建工具模拟器让智能体在“沙盒”中练习并自我迭代。这些案例表明，智能体可以通过与环境互动自主生成训练信号，从而摆脱对人类投喂数据的依赖。
具身智能的“数据奇点”或许不在于数据量的堆砌，而在于形成一个“采集→训练→落地→再采集”的闭环。上海创智学院与智元具身研究中心联合提出的LWD系统正是这一理念的实践。它让机器人在真实任务中持续积累交互经验，包括成功轨迹、试错后的自我恢复以及人为引导的失败案例等全部回传并持续微调优化模型。这一机制已被验证为有效路径，为具身智能的自我迭代提供了可能。
