机器人行业研究：数采：物理AI最大短板，数据基建即将爆发

投资逻辑 以人形机器人为代表的物理AI，数据是最卡脖子领域。当前人形机器人行业硬件方案趋于收敛，"大脑"训练成为决胜关键，而数据量级和质量直接决定模型泛化能力。机器人高质量、高保真物理交互的真实数据极度缺失。大语言模型有万亿级token训练，而具身模型可用的真实交互数据不足其万分之一。 数采爆发在即，市场空间将充分打开。根据FutureMarkets数据，全球物理AI市场规模将从2026年的3830亿美元增长至2040年的3.26万亿美元，未来几年将步入爆发阶段。据2026年机器人全产业链接会披露，GPT-2和GPT-3的训练数据分别对应约79万小时和1100万小时，要实现可用的具身智能至少需要1000万小时的多模态数据，而多场景、多模态、良率、长尾数据和多参与者等因素导致实际所需的多模态数据集远超1000万小时，觅蜂已将目标数据采集量提升到2030年100亿小时。 整机、EGO、UMI等多种数采路线并存，高质量数据边际需求越来越确定，相机、姿态感知、触觉感知越来越重要。当前整机、UMI和EGO（第一人称视角）方案是主流真实数据采集方案，其中整机数据很难共用且采集成本最高；EGO则具备轻量化和低成本、高通用性等优点；UMI单体设备贵，但数据精度高。无论采用哪种数采技术路线，未来产业对数据质量越来越高的需求是确定的，相机、姿态感知、触觉传感应用空间越来越大。 数采爆发有望拉动以下环节规模快速提升： （1）数采设备：包含机器人整机、UMI和ego整机设备，姿态感知IMU、灵巧手、触觉传感器、相机（2D+3D）、VR眼镜等。整机数采需要机器人本体和VR眼镜进行1:1配套；第一人称数据以手眼协同为主导需求，分别需要相机头环和灵巧手进行1：1配套。 （2）仿真平台：仿真是目前物理AI公司的核心训练方式之一，成本和数据产出优势明显。 （3）数采公司：数采公司具备较强的场景、数据标准化和数据标注平台经验，以数据销售为主要商业模式，核心竞争力在数据产出成本和质量。 （4）垂类应用：各行业内专属数据库和数采场景，具备较强稀缺性，垂类物理模型是物理AI最具价值的赛道。 投资建议及估值 数据是人形机器人为代表的物理AI赛道最大的卡脖子领域，数据基建爆发供应链将深度受益。数据已成为制约物理AI发展的关键瓶颈，数据基础设施加快建设有望带动数采产业链持续扩容。（1）数采设备及供应链：重点关注高asp、好格局的赛道如相机、IMU、触觉传感器等；（2）数据成本和质量有壁垒的数采公司；（3）垂类应用：关注细分赛道数据场景资源有壁垒的公司。 风险提示机器人发展进展不及预期，数据采集技术路线迭代风险。 内容目录 一、核心观点：物理AI进入数据驱动阶段，数据是人形机器人最卡脖子环节............................5二、产业趋势：物理AI爆发在即，数据基础设施先行................................................62.1海内外厂商与政府加速布局，数据采集进入百万条阶段.......................................62.2数采中心：2025年开始密集建设，数据基础设施先行........................................6三、技术路线：三类路线并行，高质量、高精度、多模态是未来方向..................................103.1数据金字塔：真实数据、合成数据与互联网人类视频并行....................................103.2无本体化趋势凸显，第一人称采集方式兴起................................................173.3数据集演进：规模扩张、模态丰富、场景落地..............................................19四、产业链：设备、数采服务、垂类应用三环节率先受益............................................204.1设备：机器视觉、IMU与触觉传感是数据生产入口..........................................214.1.1机器视觉：EGO、UMI与本体采集的共同底座.............................................224.1.2 IMU：提升姿态、同步性和数据可用度的核心传感器.......................................234.1.3触觉/灵巧手设备与多模态采集：帕西尼等公司率先布局...................................244.2数采服务：真机、第一人称与仿真平台共同扩容............................................254.2.1整机真实数据：本体厂商与动捕设备商率先规模化........................................254.2.2第一人称与轻量化采集：当前市场热度最高..............................................284.2.3仿真/合成数据：低成本扩容，需验证Sim-to-Real.......................................314.2.4上市数据供应商：经验复用助力提升良率与效率..........................................324.3垂类应用：自有场景形成数据闭环，有望率先放量..........................................34五、投资建议..................................................................................36 图表目录 图表1：人形机器人场景拓展对“大脑”泛化能力提出高要求...........................................5图表2：2025年人形机器人千万级别订单中数据采集领域占比最高，达31.25%..........................5图表3：国内主要从2024年下半年开始布局大规模真机数据采集.....................................6图表4：宇树、智元、零次方、星海图等发布数采专用本体..........................................6图表5：全国投用的数采工厂年采集量多在数百万条，遥操作方案为主................................7图表6：人形机器人数据训练中心构建四位一体生态模式............................................8图表7：北京人形机器人创新中心构建30+细分场景.................................................8图表8：天津帕西尼具身智能超级数据工厂高效采集全模态数据......................................9图表9：帕西尼感知、优必选、乐聚等密集布局多个数采工厂........................................9 图表10：优必选Walker S系列已中标超7.5亿元数据采集中心订单.................................10图表11：数据金字塔中真实数据规模远小于合成数据、互联网数据和纯人类数据......................10图表12：遥操作可分为位姿类、视觉类、光惯类，其中位姿类应用最为广泛..........................11图表13：Mobile ALOHA是首个移动同构类全身遥操作范式..........................................11图表14：AirExo可适配多款主流机械臂..........................................................12图表15：AirExo可实现直观遥操作..............................................................12图表16：初代UMI主要设备为腕部GoPro相机和惯性传感器........................................12图表17：DexPilot使用4台RealSense和2块GPU纯视觉方案实现灵巧手遥操作......................13图表18：通过视觉相机可以捕捉人类动作并投射到机械手臂........................................13图表19：灵心巧手、鹿明机器人等公司布局轻量化遥操作方案......................................13图表20：光学动捕需穿戴有马克点的动捕服，可搭配手部套件......................................14图表21：光学动捕存在马克点遮挡问题..........................................................14图表22：光惯融合和AI解算可以解决肢体遮挡问题，局部磁场适用于灵巧操作防遮挡..................14图表23：诺亦腾惯性动捕方案PN Studio包含17个惯性传感器以捕捉全身动作........................15图表24：动作捕捉厂商提供基础组件、数据采集方案，以及数字孪生等涉及精确测量的服务.............16图表25：字节跳动GR-2采用VL预训练+VLA微调的架构............................................16图表26：英伟达、World Labs等布局仿真与合成数据训练..........................................17图表27：Gen-0模型验证训练数据规模越大，任务成功率越高.......................................17图表28：Generalist AI通过幂律预测十亿级别的轨迹数能使模型表现达到特定基准...................17图表29：EgoScale POV Data Network将第一人称视角人类视频转化为3D坐标和运动数据..............18图表30：从遥操作、动捕、第一人称到仿真合成数据，成本递增，规模递减..........................18图表31：AgiBot World涉及五大类场景，家居占比最大............................................19图表32：AgiBot World长程数据是DROID和Open X-Embodiment的10倍以上（单位：%）..............19图表33：2023年开始具身数据集数量和规模明显提升..............................................19图表34：当前数采需求开始爆单................................................................21图表35：数据采集设备类型较多................................................................2