人形機器人數據瓶頸爆發！靈巧手成商業化關鍵分水嶺

「阻礙我們走向大規模部署的最大障礙，就是數據。」Figure AI CEO的這句話，幾乎定義了當前人形機器人行業的核心矛盾。

在最新由Nomura（野村證券）發布的中國機器人報告中，一個關鍵判斷被反覆強調：人形機器人的規模化瓶頸，正在從硬體轉向數據供給能力。

換句話說，不是機器人做不出來，而是「教它怎麼做」的成本正在失控。

為什麼數據突然變成核心資產

過去兩年，人形機器人競爭焦點是關節、減速器、控制器。但當模型開始進入「類大模型行為訓練」階段，問題變了。

機器人不再只是執行固定動作，而是要學會在複雜環境中自主完成任務。這意味著：沒有足夠的真實交互數據，模型根本無法泛化。

市場因此開始意識到一件事：

數據不只是訓練材料，而是新的「核心零部件」。

一個正在被重定價的市場

在年出貨量約10萬台的假設下，行業每年需要約1000萬小時訓練數據。這個數字的背後，是一個快速分層的市場結構。

最昂貴的是「真機遙操作數據」，單價約500至1000元/小時，佔總時長約30%。簡單理解，這是人直接遠端操控機器人完成任務的數據，幾乎等同於「真人教學錄影」。它的市場規模被估算在22億至25億元人民幣，是整個鏈條中價值最高的一環。

其次是第一視角與通用操作數據（Ego/UMI），佔比約40%至50%，單價100至300元/小時。它更像「機器人看到的世界」，量大但價低，市場約10億至15億元。

再往下是仿真數據，每萬幀約50元。成本最低，但也被認為無法單獨支撐模型能力，只能作為補充。

還有一個較少被討論的類別：故障恢復數據，單價400至500元/小時，但目前佔比仍低。因為大多數廠商還沒有建立完整「失敗回流」機制。

市場正在形成一個清晰結構：

越接近真實物理世界，數據越貴，也越不可替代。

真正的護城河開始出現

市場關注的不是單一數據類型，而是整個「閉環能力」。

所謂閉環，就是從數據採集、傳輸、標註、訓練，到部署後再回收真實表現數據的完整鏈路。沒有這個系統，數據服務商很容易被整機廠商直接替代。

值得注意的是，仿真數據並沒有被淘汰。NVIDIA與Physical Intelligence等研究均指出，仿真更像「倍率器」，可以提升訓練效率，但不能替代真機數據。

一些實驗顯示，合成與真機數據混合後，模型性能可能提升約30%甚至更高，但前提仍是：必須有真機數據作為基礎。

換句話說，市場正在形成共識：

仿真可以加速學習，但真實世界才決定上限。

靈巧手比大腦更難

如果說數據是燃料，那靈巧手就是決定燃燒效率的引擎。

當前最大問題在於「尺寸與感知能力的矛盾」。

手越接近人類尺寸，就越能匹配真實操作數據，但空間卻無法容納足夠傳感器。部分高階設計也僅能做到約80個壓力點，對於精細操作仍然不足。

更關鍵的是觸覺技術本身存在瓶頸：

點狀壓力無法捕捉側向力與滑動。

這直接導致一個現象：

即使手臂已經足夠精準，真正限制商業化的仍然是「手」。

因此市場開始出現分化路線：

一部分方案偏向工業機械臂邏輯，另一部分則嘗試壓縮結構，把能力集中在末端執行器。

但共識已經逐漸清晰：

在靈巧手突破之前，高價值遙操作數據仍會被長期鎖定。

數據公司可能比機器人公司更關鍵

說實話，這一輪人形機器人競爭，表面看是硬體戰爭，實際更像數據基建競爭。

真正值得關注的，不是誰造出了更像人的機器人，而是誰掌握了「讓機器人變聰明的數據入口」。

一旦數據閉環形成，後面的優勢會快速累積：更多場景 → 更多數據 → 更好模型 → 更高市佔率。

這種飛輪效應，比單純硬體迭代要強得多。

換句話說，未來的分水嶺可能不是機器人公司，而是「數據平台型公司」。

產業正在從製造走向訓練

人形機器人的故事正在變化。

從「造得出來」，走向「教得會」。

而決定節奏的，不再只是電機、關節或材料，而是數據、閉環與靈巧手三者的組合能力。

接下來幾年，市場會持續觀察三件事：

遙操作數據是否持續緊缺、閉環系統是否成型、以及靈巧手是否突破尺寸與感知矛盾。

這三個問題不解決，人形機器人的規模化，就仍然停留在半路上。

FAQ

Q1：為什麼人形機器人現在最缺的是數據？

因為模型已經能「做動作」，但無法在複雜環境中泛化行為。只有大量真實交互數據，才能讓機器人理解不同場景下的操作邏輯，而不只是固定指令執行。

Q2：仿真數據既然便宜，為什麼不能取代真機數據？

仿真環境無法完全還原物理世界的摩擦、延遲與意外情況。它可以提高效率，但缺乏「真實失敗樣本」，因此只能作為補充，而非核心來源。

Q3：靈巧手為什麼會影響整個商業化進度？

因為許多精細操作依賴觸覺反饋，如果靈巧手無法準確感知力與滑動，數據再多也無法轉化為可靠行為，導致應用場景被限制在較簡單任務。