从真机到世界模型，具身智能正在补一条看不见的数据产线 田晏林 发自 凹非寺 量子位 | 公众号 QbitAI 具身智能赛道，苦数据久矣。 难题远不止数据短缺。真机采集昂贵、耗时，规模化落地门槛很高；好不容易拿到物理交互样本，距离真正转化成机器人能力，依然隔着很长一段距离。 该怎么走，行业玩家给出了不同解法。 国际上，Tesla Optimus依托工厂场景的真机遥操快速积累万级episode数据；Figure AI与英伟达则大力押注仿真合成与世界模型，试图以「数字孪生」突破物理采集的成本瓶颈。 国内，头部具身智能企业也纷纷自建数据工厂，从UMI手持采集到EgoCentric第一视角视频，希望扩大可用数据的来源和规模。 为什么大家都这么重视数据？因为没有足够的数据，很难涌现出真正的智能。 但具身智能的数据问题，可不是盯着数据本身就够了。 AI正在从Intelligence走向Action。 进入物理世界之后，具身智能形成了一个很典型的三角关系：算力驱动数据加工，数据喂养模型，模型又持续消耗算力。 三者首尾相接，构成一个持续运转的「数据飞轮」。 但这只飞轮天然带着一个「鸡生蛋」难题：模型需要