现在具身智能赛道热度很高,很多宣传已经把人形机器人、通用机器人渲染成接近 ChatGPT 的爆发水平,但从物理交互数据总量来看,行业目前的数据积累规模才对标 GPT-2,距离 GPT-3 级别还有大约 30 倍的数据缺口,这也是当前机器人泛化能力弱、换场景就失效的核心原因,需要理性看待行业热度,不能把短期演示效果等同于通用具身智能落地。大语言模型发展的时候,文本数据可以低成本爬虫获取,互联网海量文字很容易收集;但具身智能需要的是机器人和真实世界交互的物理数据,每一条操作数据都要真机动手采集,耗时、耗硬件、还容易摔坏设备,采集成本极高,没法像文本那样低成本批量抓取。GEN-1 这款头部具身模型预训练数据是 50 万小时物理交互数据,对标 GPT-2 约 100 亿 token 的规模;而 GPT-3 达到 3000 亿 token,如果遵循相似的缩放规律,具身模型想要走到 GPT-3 级别,预估需要 1500 万小时左右的交互数据,当前差距非常明显。行业里现在的落地路径,大多是少量真实数据搭配大量仿真合成数据做训练,先用仿真扩充数据量,再用真机做校准,慢慢补齐真实交互样本,靠 Real2Sim2Real 闭环持续回流真机数据,一点点拉高数据集规模。这个数据短板没有补齐之前,机器人大多只能在固定布景、预设任务里完成演示,很难做到像大模型一样跨场景自主理解、自主规划,很多商业化预期都要往后推迟。
一、语言模型与具身模型数据规模对照简表
| 模型类型 | 代表模型 | 训练数据规模 | 对标关系 |
|---|---|---|---|
| 语言模型 | GPT-2 | 约 100 亿 token | 当前具身智能的数据对标基准 |
| 语言模型 | GPT-3 | 约 3000 亿 token | 下一阶段目标,是 GPT-2 的 30 倍 |
| 具身模型 | GEN-1 | 50 万小时物理交互数据 | 数据规模对标 GPT-2 |
| 具身模型 | 目标规模 | 1500 万小时物理交互数据 | 对标 GPT-3,仍有巨大缺口 |
二、具身智能数据采集难的核心痛点清单
- 采集成本高:真机执行任务,要消耗人力、硬件,操作失误还会损坏机器人本体
- 数据异构难统一:人类视频、仿真数据、不同机器人真机数据格式不统一,融合难度大
- 有效样本稀缺:大部分视频只有画面,缺少动作、力反馈、接触状态这类交互标签
- 场景覆盖有限:居家、工厂、户外等长尾场景样本极少,容易出现过拟合
- 数据回流慢:真机测试失败数据标注、清洗流程繁琐,闭环迭代效率偏低
三、行业用来补齐数据缺口的主流方案
- 方案 1:仿真合成数据生成
- 方案 2:Real2Sim2Real 数据闭环
- 方案 3:无标注视频弱监督学习
- 方案 4:多机器人集群协同采集
在虚拟环境里批量生成机器人操作轨迹,快速扩充数据集,成本低、不怕损坏硬件,缺点是存在 Sim2Real 虚实鸿沟,仿真物理和真实世界有偏差。
真机采集少量真实交互数据重建仿真环境,仿真里扩增训练,再回到真机验证,失败数据回流修正仿真,逐步缩小虚实差距。
从互联网普通人类视频里提取动作先验,不用昂贵的机器人采集,但是缺少物理交互信息,精度有限。
部署大量机器人同时在不同场景采集,并行积累交互数据,适合大厂,资金投入门槛很高。
四、数据卡在 GPT-2 阶段带来的行业限制
- 泛化能力弱:换一个新环境、新摆放方式,机器人任务成功率大幅下滑
- 只能做固定任务:适合演示脚本化动作,很难自主处理陌生突发情况
- 商业化落地慢:很难形成通用能力,大多只能做定制化单点项目
- 资本预期容易错配:热度高、估值高,但底层数据底座还没跟上语言模型的发展节奏
【常见问题】
问题 1:戳破具身智能的泡沫,为什么说当前数据积累才到 GPT-2 水平?
回答 1:戳破具身智能的泡沫,是因为头部具身模型 GEN-1 只有 50 万小时物理交互数据,数据规模对标 GPT-2,想要达到 GPT-3 级别还需要 30 倍左右的交互数据,物理交互数据很难低成本采集。
问题 2:具身智能数据对标 GPT-2,和大语言模型 GPT-2 是能力对等吗?
回答 2:不是,具身智能数据对标 GPT-2 只是数据体量上的类比,二者任务类型、数据形式完全不同,不代表具身模型已经拥有 GPT-2 同等的理解和生成能力。
问题 3:具身智能数据积累卡在 GPT-2 阶段,最核心的卡点是什么?
回答 3:具身智能数据积累卡在 GPT-2 阶段,核心卡点是物理交互数据采集成本极高,不像文本数据可以爬虫抓取,真机操作耗时长、设备损耗大,很难快速堆量。
问题 4:具身智能想要跨过 GPT-2 这个阶段,缩小数据缺口主要靠什么办法?
回答 4:具身智能想要跨过 GPT-2 阶段,缩小数据缺口主要依靠仿真合成数据、Real2Sim2Real 闭环、人类视频弱监督学习、多机器人集群采集这几条路线搭配推进。
【参考资料】
[2026-11-13](戳破具身的泡沫,数据积累才到 GPT-2 水平)OFweek 机器人网
[2026-11-13](50 万小时物理交互数据,具身智能还停留在 GPT-2 时代)硅兔赛跑
[2026-11-08](具身智能数据瓶颈:为什么机器人无法复刻大模型的缩放路线)36 氪
[2026-10-20](GEN-1 通用具身模型发布,50 万小时物理交互预训练)机器之心
【免责声明】
本文仅为具身智能行业数据规模相关资讯整理,GPT-2 对标仅为数据量级类比,token 与物理时长单位不可以直接等价换算;不同机构对具身智能所处阶段判断存在分歧,仿真数据、真实数据的价值权重尚无统一标准;内容不构成机器人项目投资、企业估值、技术选型决策建议,全部模型数据、技术路线以企业官方论文和公开报告为准。
