您的位置首页 >人工智能 >

GPT-6 把通用能力推上新台阶后,具身智能动作数据成最大缺口数据基础设施为何被视作下一个百亿级赛道

先说结论: 这轮讨论的核心链条是:GPT-6 家族(Astra、Sol、Luna 及后续 6.1/6.2 版本)把长程推理、规划、编程和电脑操作等 “上半身” 能力推到新高度,OpenAI、Anthropic、谷歌以及国内 DeepSeek、字节、蚂蚁、小米、京东等玩家纷纷入局具身智能;但模型往下走进入物理世界,卡在同一个缺口 ——可用于训练机器人的动作数据。物理世界没有互联网式的现成语料,人怎么抓、怎么拧、用多大力,这些三维轨迹过程从未被系统记录;行业估算训一个万亿参数具身基座至少需要 1 亿小时量级第一视角数据,未来两三年前沿实验室对应数据支出可达 15 亿到 500 亿美元。正因如此,具备硬件量产、三维轨迹算法重建和真实场景运营闭环能力的数据基础设施公司,被类比为自动驾驶时代的 Scale AI、大模型时代的 Surge AI/Mercor,成为资本眼中的下一个百亿级赛道。需要先说明:“百亿赛道” 是行业判断和类比推演,不是已兑现的市场规模;文中涉及的具体公司产能、有效率和客户名单,多来自公开报道与企业口径,尚未经第三方独立核验。

一、GPT-6 家族目前走到哪一步

1. 已公开的模型节奏

时间模型 / 版本公开定位
2026-09-22GPT-6 Sol、GPT-6 LunaGPT-6 家族扩展,面向 ChatGPT 免费与付费用户
2026-09-22/29GPT-6 Astra旗舰模型,主打电脑操作、浏览、软件工程、网络安全、科学与专业工作
2026-09-29GPT-6.1 Sol9 月底更新版本
2026-11 月中旬GPT-6.2 Astra / GPT-6.2 Sol旗舰升级强化复杂专业任务;Sol 强化日常工作、编程与多步智能体效率

2. Astra 公开基准表现(OpenAI 口径)

  • FrontierMath Tier 4:98%,达到基准饱和水平。
  • ARC-AGI-3:99.9%。
  • ExploitBench:100%。
  • 电脑与浏览器使用:在高要求专业任务上刷新表现前沿。

3. 放到国内竞争坐标里看

  • Epoch AI 能力指数口径:2023 年以来前沿模型均出自美国,中国模型平均落后约 7 个月,区间 4 到 14 个月。
  • 斯坦福《2026 AI 指数报告》口径:中美最佳模型性能差距已从 2023 年 5 月的三成以上收窄到 2026 年 3 月的约 2.7%。
  • 算力侧仍是硬边界:公开估算中头部美国模型训练计算量比国内头部模型高出约一个数量级。

二、大模型下场做机器人,强在哪、弱在哪

1. 强的部分:上半身能力开箱即用

  • 听懂任务、拆解步骤、规划先后顺序,过去被具身公司当作壁垒的推理规划能力,通用模型现在可直接调用。
  • 英伟达研究口径:Astra 在仿真操作基准上成功率 74.8%,专用机器人模型最好成绩 51.0%。
  • Anthropic 口径:Fable 5.2 在 RoboDojo 自测成绩 64.9%。

2. 弱的部分:速度、成本和实时控制

短板公开数据 / 事实造成的影响
响应慢AA-Robotics 口径:Astra 平均完成一个任务约 30 分钟、花费 16 美元工厂级快准操作无法承受该速度与成本
控制频率不匹配机器人关节控制频率每秒上百次到上千次,云端大模型一步思考要数秒靠手上力道反馈的精细活,实测通用大模型成功率接近零
依赖网络云端推理离不开网络连接现场部署需要本地小模型兜底

3. 更准确的分层图景

  1. 顶层: 大模型负责长程推理、任务理解和规划。
  2. 中层: 一个个训练好的动作技能,被大模型当工具调用。
  3. 底层: 毫秒级电机控制,由本地专用模型和控制器完成。

大模型厂商目前率先攻破的是顶层;想往下走,缺的正是他们手里没有的东西 —— 动作数据。

三、缺口到底有多大:具身智能的数据账

1. 数据集规模演进

时间节点公开口径
2024 年底全球最大真机数据集约 3000 小时
2025 年下半年Generalist 用约 30 万小时训出 GEN-0
2026 年Dyna、智元等头部玩家训练集超过百万小时
对照项主流语言模型预训练语料约 100 万亿 token,人类语音 / 视频语料以百亿小时计

两年涨几百倍,但和语言模型的数据体量相比仍差三四个数量级。

2. 数据投入产出的公开估算

  • 效果相关性: Dyna Robotics 8 月公布结果,预训练数据从 1000 小时加到 100 万小时,14 项机器人任务平均得分从 20% 涨到 53%。
  • 基座需求: 行业估算训一个万亿参数具身基座至少需要 1 亿小时;到 2030 年全球约有 20 个这类基座在训练,总需求达数十亿小时。
  • 资本口径: 风投机构 Stellaris 估算,未来两三年前沿实验室需要 1 亿到 10 亿小时第一视角数据,对应 15 亿到 500 亿美元支出。
  • 国内市场对照: IDC 预计 2026 年中国整个 AI 基础数据服务市场约 78 亿元;按第一视角数据每小时一两百元行情,千万小时级订单对应 10 亿到 20 亿元,单一大客户订单即可占到该市场的八分之一到四分之一。

3. 为什么具身数据不是 “拍视频” 那么简单

机器人要学的是三维空间里每一毫秒手在哪、方向朝哪、怎么动的轨迹,从 2D 视频到可用训练资产需要经过:

  • 多路相机毫秒级时间对齐;
  • 毫米级手部姿态与三维轨迹重建;
  • 轨迹换算成不同机器人的关节动作;
  • 场景覆盖、动作多样性和质量质检。

模型厂商自采也不现实:OpenAI 旧金山实验室约 100 名数据采集员,满打满算一年 20 万工时;按数采厂 8 小时出 1 到 4 小时有效数据的普遍水平,一年有效产出仅几万到十万小时,离千万小时差两个数量级。

四、为什么数据平台被看作下一个百亿级赛道

1. 前几轮 AI 浪潮跑出的数据公司对照

浪潮代表数据公司公开估值 / 收入口径
自动驾驶Scale AI2024 年 F 轮融资 10 亿美元、估值 138 亿美元;Meta 143 亿美元入股后估值升至 290 亿美元
大语言模型Surge AI未融资,2024 年收入超 10 亿美元
大语言模型Mercor年化收入超 20 亿美元
国内评测数据UniPat成立不到一年,被曝阿里拟领投 3 亿美元、估值 25 亿美元

2. 具身数据平台的三条壁垒逻辑

  • 壁垒更高: 前两轮原始语料要么互联网现成、要么车队自跑,数据公司卖标注和专家工时;具身连预训练语料本身都要花钱从零生产。
  • 前置基建属性: 自动驾驶是车先上路、司机持续产数据;机器人是没有好模型进不了场景、进不了场景就没有数据,必须先有数据才有模型和应用,数据公司从配套服务变成前置环节。
  • 需求持续存在: 基座预训练只是第一单;每落地一个场景就要补真机数据做后训练,部署后还有回流、补采、再训练,垂直小模型、集成商和方案商也会持续采购。

3. 买家筛选供应商的三个标准

  1. 品类全不全: 百万小时级人类第一视角数据打底,几万小时真机数据做动作适配,再加少量现场落地数据;只会单一品类只能参与一段。
  2. 稳定交付能力: 送样达标只是入门,能否吃下大单且不掉链子决定大厂绑定深度。
  3. 闭环能力: 模型团队发现能力缺口后,供应商能按指定任务补采,并证明补完确实有效。

4. 端到端交付需要同时具备的三种能力

能力维度具体要求
硬件制造采集设备自研、能量产、多台设备精度与时序一致,可快拆快换
算法处理从原始视频重建三维轨迹,遮挡、交互、快速运动下精度够用
场景运营进得去工厂、商超、医院等真实环境,搭建采集生态网络

三种能力分属不同基因,这也是看上去做数据的公司很多、但能端到端交付并通过头部客户验收的公司屈指可数的原因。

五、当前数据供给的主要质量坑

  • 场景太假: 在数采厂格子间里对着桌子叠衣服,和真实作业环境脱节。
  • 画面太差: 掉帧、过曝、手频繁出画。
  • 处理太粗: 几路相机没对齐到毫秒,轨迹误差达几厘米。
  • 有效率低: 公开案例口径:某公司上半年采购 100 万小时数据,验收后能用的仅一两成;标价 100 元 / 小时,折算报废后真实成本达 500 到 1000 元 / 小时。
  • 竞争转向: 具身数据正从低质数据销售、转卖,进入客户真正要求精度、场景和闭环效果的阶段,缺乏技术能力的供应商会被淘汰。

六、公开报道中被点名的国内玩家打法

以下信息来自新智元公开报道及企业口径,产能、有效率、客户合作等数据未经第三方独立核验,仅作行业观察参考。

  • 定位: 觅蜂科技被报道为物理 AI 数据基础设施平台,一站式提供真机、仿真、无本体三类训练数据。
  • 路径: 先从头部模型客户需求出发(精度、场景配比、格式),再倒推硬件和数据管线设计,而不是先囤设备和场景再找客户。
  • 设备规模: 公开口径 4 月发布、6 月量产、8 月底铺出两万套采集设备;消费级硬件标准量产,毫米级记录精度、无线化、轻量化、电池快换、零部件快拆。
  • 产能口径: 百万小时无本体数据三个月完成,日均产出过万小时;对比 Scale AI 披露的每天采集 1000 多小时、2025 全年交付 15 万小时。
  • 质量口径: 有效率 90% 以上;手部空间定位毫米级,多路传感器亚毫秒对齐;三层质检 —— 采集端实时拦截、云端视觉语言模型语义判断、人工抽检偏差控制在 1% 以内;自研 HandPose 算法做到亚厘米级轨迹重建。
  • 闭环: 自研端到端模型并做真机部署,检验数据有效性、研究配比和补采策略;部分场景测试中每跑一轮数据闭环,任务成功率提高 5 到 10 个百分点。
  • 客户与众包: 公开称合作数十家客户,涵盖大模型平台、具身与世界模型公司、机器人本体厂商;报道提及腾讯 Robotics X、蚂蚁灵波使用其数据,智元 GO3 基座模型训练数据包含其供应。众包平台 “觅蜂派” 注册用户 20 多万,覆盖 50 多个城市,50 多家场景方加入数据联盟。

七、整体来看

GPT-6 这轮把通用大模型的推理和操作能力抬上去之后,具身智能的牌桌确实变大了:入场的模型公司带着万亿参数目标、百亿美元级预算和现成算力集群,行业预期的 “具身 GPT-3 时刻” 可能早于原先 2030 年前后的判断。但模型跑得越快,对动作数据的缺口就越大;物理世界数据需要从零生产、靠硬件 + 算法 + 场景闭环造出来,这让数据基础设施从配套标注服务变成前置基建。后续值得跟踪的信号有三个:前沿实验室真实数据采购量和单价、数据公司有效率与复购绑定情况、以及众包模式能否在保持质量的前提下把规模再放大一个数量级。

【相关 FAQ】

问题 1:GPT-6 为什么被说成 “掀了国内牌桌”,它和具身智能缺口是什么关系?

回答 1:GPT-6 家族(Astra、Sol、Luna 及 6.1/6.2 版本)在推理、规划、编程和电脑操作上达到新高度,OpenAI、Anthropic、谷歌及国内多家模型公司入局机器人;但通用大模型擅长顶层规划,向下进入物理世界缺的是动作数据。所谓 “缺口”,就是训练机器人所必需的第一视角三维轨迹数据,这也是 GPT-6 能力外溢到具身场景后全行业共同面对的瓶颈。

问题 2:这个逼疯全行业的缺口具体指什么,规模有多大?

回答 2:缺口指具身智能动作数据:人怎么抓、怎么拧、用多大力的三维操作轨迹,物理世界从未被系统记录。公开估算:训一个万亿参数具身基座至少需 1 亿小时;未来两三年前沿实验室需 1 亿到 10 亿小时第一视角数据,对应 15 亿到 500 亿美元支出;国内对照 IDC 口径 2026 年 AI 基础数据服务市场约 78 亿元,千万小时级订单可达 10 亿到 20 亿元。

问题 3:为什么说具身数据可能成为下一个估值百亿的新赛道?

回答 3:参照自动驾驶跑出 Scale AI(估值约 290 亿美元)、大模型跑出 Surge AI 和 Mercor 的路径,具身数据壁垒更高 —— 预训练语料要从零生产;数据公司是机器人落地的前置基建;且预训练、场景后训练、部署回流会持续产生需求。具备硬件量产、轨迹算法重建和场景闭环能力的平台型公司,被视作下一个百亿级数据基础设施赛道;注意这是行业推演,规模尚未兑现。

问题 4:大模型厂商自己为什么不采数据,非要向外买?

回答 4:一是自采产能有限:OpenAI 旧金山实验室约 100 名采集员,一年有效产出仅几万到十万小时,离千万小时差两个数量级;二是数据加工门槛高:2D 视频要做到多路相机毫秒对齐、毫米级手部轨迹重建并换算关节动作;三是模型公司核心资源应放在基座训练,硬件设备、采集网络和场景运营需要专门的基础设施公司承担。

问题 5:判断一家具身数据公司能不能吃下百亿赛道,要看哪几件事?

回答 5:一看品类是否齐全(第一视角人类数据 + 真机动作适配 + 现场落地数据);二看大规模分布式交付一致性和稳定产能;三看闭环能力,能否按模型缺口定向补采并验证效果;底层同时要求硬件量产、三维轨迹算法和真实场景运营三种能力。公开报道中被点名的觅蜂科技等玩家,相关产能、有效率和客户数据均为企业 / 媒体口径,需以后续第三方核验为准。

【参考资料】

  • [2026-11-20](GPT-6 掀了国内牌桌,这个缺口逼疯全行业!)今日头条(新智元)
  • [2026-11-20](Astra 单任务 30 分钟 16 美元,具身智能最缺动作数据)微博(新智元)
  • [2026-11-18](拖更两个月的 GPT-6.2,居然是一个 “汇报狂魔”?)36 氪
  • [2026-11-17](DeepSeek vs ChatGPT: 2026 Comparison & Verdict)Fello AI
  • [2026-10-29](中国大模型训练如何突破算力瓶颈)36 氪
  • [2026-10-27](OpenAI 新模型降价,中国大模型的 “便宜” 要失灵了?)36 氪
  • [2026-09-29](GPT-6 Astra: A new generation of intelligence)OpenAI
  • [2026-09-22](GPT-6 Sol and GPT-6 Luna: October 2026 update)OpenAI System Card

【免责声明】

本文依据 2026 年 11 月公开报道、OpenAI 官方页面及行业公开估算整理,所涉基准成绩、数据时长、支出区间、公司产能、有效率、客户合作与估值类比均来自对应信源口径;其中部分企业经营数据未经第三方独立审计或核验,“百亿级赛道” 属于行业趋势判断,不代表已实现的市场规模或投资结论。机器人数据需求受模型进展、场景落地和政策法规影响存在不确定性,本文不构成任何投资建议,据此决策风险自担。

今日大家都在搜的词: