在人工智能领域，具身智能正成为最受瞩目的赛道之一。从世界人工智能大会（WAIC）的现场情况可见一斑：具身智能展区始终人潮涌动，从最初展示打拳跳舞的娱乐机器人，到如今能够完成递咖啡、叠衣服等交互任务的设备，技术进步的轨迹清晰可见。更引人注目的是，一批工业机器人已进入1:1复刻的工厂环境，在搬运、分拣、装配等环节实现连续作业，标志着技术从实验室走向真实场景的关键跨越。
资本与人才的流向印证了这一领域的热度。据行业数据显示，2026年上半年，国内具身智能产业链发生超300起融资事件，总额突破900亿元；今年前四个月，相关岗位需求激增15倍。互联网巨头、车企、手机厂商和传统机器人企业纷纷入局，从算法模型、硬件本体、数据采集到应用场景，各展所长构建生态版图。
然而，行业繁荣背后隐藏着核心挑战——数据瓶颈。过去三年，技术发展的制约因素从算力、算法逐渐转向数据：没有足够的高质量数据，机器人就无法学习新技能、适应新环境，更难以形成跨场景的泛化能力。与互联网内容不同，机器人所需的数据涉及物理交互规律，如材质摩擦、受力变化、动作与环境反馈的因果关系等，这些经验无法通过现有互联网数据直接获取。
数据获取的难度在于其特殊性。真机遥操作虽能获得精准数据，但成本高昂；第一人称视频数据缺乏关节控制等关键信息；纯仿真生成的数据则面临“物理鸿沟”问题——虚拟环境与现实世界的细节差异可能导致模型失效。目前，全球可用于具身智能训练的高质量操作数据仅几十万小时，而通用机器人发展需要千万小时级的数据规模，差距悬殊。
面对这一困境，行业开始探索新的解决方案。无问智科提出“虚实融合闭环”的数据体系，通过真实数据采集与世界模型生成相结合的方式构建基础设施。其技术路线涵盖数据工厂、世界模型和世界模拟器三大模块：数据工厂负责真实数据的采集与处理；世界模型学习物理规律并扩展场景；世界模拟器承担规模化训练与评测。最终，系统通过真实环境验证形成闭环，实现数据持续迭代。
这一思路与全球前沿团队不谋而合。李飞飞创立的World Labs近期收购机器人仿真公司SceniX，构建“真实-虚拟-真实”的闭环，与无问智科的技术架构形成呼应。无问智科创始人刘盛翔认为，世界模型的价值不仅在于内容生成，更在于成为物理AI的训练与开发基座。他透露，公司已发布“世界模型×数据工厂×世界模拟器”的完整方案，较World Labs的动作提前数月。
数据闭环的实现需要跨越工程难题。从数据采集到真机验证，涉及视频、轨迹、关节状态等多模态数据的对齐，以及模型训练结果与具体数据的追溯。这一过程横跨数据、算法和机器人系统，对工程能力要求极高。刘盛翔将具身智能比作2015-2016年的自动驾驶行业，当时竞争聚焦算法，但随着模型能力提升，数据闭环逐渐成为核心能力。
在百度自动驾驶期间，刘盛翔团队曾搭建数据闭环体系，支撑大规模模型迭代。这段经历影响了他对具身智能的认知：机器人不是新的算法问题，而是更复杂的数据闭环问题。尽管具身智能的复杂度远超自动驾驶——机器人需在三维空间中完成精细动作，处理更多物理交互——但自动驾驶积累的工程方法论仍具迁移价值，尤其是量化、可复现的评测体系。
随着行业从Demo阶段迈向规模研发，分工趋势逐渐显现。当前，许多公司为验证场景需同时建设机器人本体、模型、数据生产和应用能力，但长期来看，数据生产、仿真评测等底层工作将由专业第三方承担。刘盛翔以修路为例：道路建成后，不同车企可共享基础设施，无需重复建设。具身智能领域同样如此，通用数据底座将服务全量落地玩家，而模型公司可专注差异化算法与产品。
面对投资人建议延伸至机器人本体和模型领域的压力，刘盛翔选择坚守数据闭环赛道。他预测，未来行业将收敛为5-8家通用大脑公司和数千家细分场景公司。尽管商业公司建设基础设施的合理性存疑，但他认为，早期“各自修路”不可避免，而产业成熟后需专业第三方连接分散的道路，形成通用网络。在这场技术淘金热中，无问智科的目标是成为“修路者”。
