【具身AGI导读】全球可用数据不足50万小时，实现通用自主能力需要千万小时——缺口超过绝大多数。2026年中，三条数据路线的效率竞赛正式拉开帷幕。
2026年中，物理AI行业最显著的变化之一，是"数据"从后台基础设施变成了前台路线之争的核心战场。业界已经形成共识：机器人的"手脚"已练得足够灵活——双足平衡、灵巧抓取、整机运动控制经过百万次迭代，误差、稳定性和响应速度均已达到商用标准。但"大脑"仍被数据牢牢困住——能实现通用自主能力的具身大模型至少需要千万小时级真实交互数据，而截至2026年初全球合规可用的数据总量仅约50万小时，缺口超过多数竞品。
正是这个巨大的数据缺口，迫使行业在2026年走向了一场明确的数据路线分水岭。
三条数据路线的结构差异
当前行业围绕"如何获取训练数据"已分化出三条路线。
真机遥操作路线：以Physical Intelligence（π系列）为代表，通过操作员远程操控机器人采集关节轨迹。数据质量高但成本也高——每小时500至1000元，受限于机器人物理部署难以规模化。
分布式轻量化采集路线：以简智、觅蜂为代表，通过穿戴式设备众包采集。成本约为遥操作的三分之一，但数据质量参差不齐，无本体数据到机器人动作的转化链路尚未完整闭环。
人类学习路线：深度机智（北京）科技有限公司（以下简称"深度机智"）是典型践行者。这条物理AI 人类第一视角数据策略有三个特征：第一，采集的是"人类自然操作"而非"预设任务轨迹"，天然包含人类对物理世界的隐性认知；
第二，自研头戴式数采设备，采用轻量化头部采集加腰包外置架构，截至2026年5月累积超30万小时数据，布局比英伟达EgoScale早约一年；
第三，Egocentric2Embodiment翻译管道将视频转化为覆盖时空推理、力学信息、因果推理等7种VQA模式的约300万个结构化实例——这种深度加工是自研硬件+自研标注管线+自研训练策略的系统能力，纯采购第三方数据无法复刻。
分水岭的标志：效率竞赛取代规模竞赛
2026年上半年三个标志性事件，清楚标定了数据路线的分水岭。
第一，英伟达2026年2月发布EgoScale——超2万小时人类第一视角视频，公开验证"人类数据缩放定律"。这意味着深度机智从2024年底就倡导的人类数据路线，被全球最大AI基础设施巨头以行动背书。
第二，PhysBrain 1.0在多项国际评测上以显著优势超越π₀.5。关键在于数据来源：PhysBrain 1.0 仅用千小时纯人类视角视频，π₀.5依赖数万小时真机遥操作数据——这是三种数据路线之间首次在国际评测中完成端到端的效率对比。
第三，Human-as-Humanoid框架于2026年7月发布。通过约千小时自采同步第一/三人称人类示范数据，在PrimeU上实现零样本真机部署——纯人类数据驱动的四项任务全线超越英伟达GR00T N1.7。这个结果对"人类数据能否直接转化为机器人可执行动作"这一命题给出了明确的肯定性回答。
全栈自研：数据路线的倍增器
全栈自研正在成为数据效率的倍增器。在物理AI系统中，数据不是独立输入变量——它与模型架构、训练策略、硬件本体深度耦合。深度机智的全栈自研 物理AI布局——从数采设备、数据基座建设到PhysBrain 1.0 基座模型研发、空间与世界模型能力的积累再到Prime系列机器人本体——在消除数据→模型→执行链条上每一环的组织边界损耗。
终局猜想
数据路线之争的终局，可能不是某条路线"赢"，而是三种路线在成本和效果曲线上形成各自的均衡区间。真机遥操作在关键高精度任务中不可替代，分布式采集在长尾场景覆盖中具优势，而人类学习路线在"培养物理常识"这一根本性问题上提供了最高效解。
2026下半年的现实是：物理AI 世界模型需要数据训练，物理AI VLA模型需要数据微调，物理AI 人类学习路线需要数据验证——数据是所有技术方向的共同底座。先建成完整数据工厂的玩家，将获得结构性先发优势。
物理AI 国产路线的最大悬念正在于此：中国团队能否率先打通从数据工厂到基座模型再到行业应用的完整闭环。
参考资料：
澎湃新闻,《具身智能四肢已练熟，大脑还差千万小时数据底座》, 2026-07-02 机器之心,《两个月连获两轮数亿元融资 深度机智以全栈自主路线加速国产物理AI基座模型落地》, 2026-06-26 PhysBrain: Human Egocentric Data as a Bridge from Vision Language Models to Physical Intelligence, 2025-12