机器人 / 具身数据

为什么单独做一个"机器人数据"专栏

大语言模型的训练数据来自互联网，机器人没有这样的现成来源：每一条带动作标签的示范都要有人、有设备、有场地去生产。2026 年头部模型的配方已经说明了这件事的结构——预训练里 90% 以上的小时数来自便宜层（人类视频、手持采集、仿真），真机数据只占 1–10%，但在后训练阶段权重回到主导。谁在生产这些数据、怎么生产、一小时多少钱、模型怎么混着用，是这个专栏要回答的问题。

六层数据金字塔

按"离部署分布的距离"从远到近、"单位成本"从低到高排列。常见的"合成 / UMI / 遥操"三分法，这里拆成六层，因为"合成"里物理引擎和世界模型是两条失败模式完全不同的路线，而人类视频和部署回流这两层在 2026 年已经成为头部模型配方里无法忽略的部分。

第十章 各模型公司的数据配方与供应商全景 把中美 36 家模型公司按这六层逐家拆开（用了哪层、多少小时、自采还是外采、供应商是谁），附公司×数据层热力图与供应商矩阵。

三条横切主题：开源数据集与格式（OXE、DROID、AgiBot World、LeRobot，以及 RLDS / LeRobotDataset 两代格式）、厂商、训练场与政策（中国 70+ 训练场、独立数据商一年约 44.7 亿元融资，美国 2026 年的采集运营公司融资潮）、价格与配方（各模型逐源小时数与采样权重、分地区价格带）。

各模型训练数据：按来源的小时占比

便宜层（人类视频 / UMI / 仿真）占小时数 90% 以上是常态；Helix、LingBot 走纯真机路线。条尾为合计小时。

人类视频 / 穿戴 / 动捕手持 UMI物理仿真（等效时长）世界模型生成真机（遥操 + 对齐）

数据表

模型	日期	人类视频 / 穿戴 / 动捕 h	手持 UMI h	物理仿真（等效时长） h	世界模型生成 h	真机（遥操 + 对齐） h	口径
Generalist GEN-1	2026-04	500,000	—	—	—	—	穿戴数据 50 万+ h（公司口径）；后训练每任务约 1 h 机器人数据，总量未披露，图中按 0 处理
生数 Motus2	2026-09	130,000	—	—	—	100	第一视角原始 13 万 h；真机 + 手套对齐 100+ h；仿真模式份额未给
Xiaomi-Robotics-1	2026-07	—	101,000	—	—	7,200	预训练 UMI 10 万+ h + 后训练指令 UMI 1k+ h；自有真机 7.2k+ h；后训练采样权重真机 85%
NVIDIA EgoScale	2026-02	21,733	—	—	—	4	20,854 h 第一视角 + EgoDex 829 h + 对齐 50 h 手套；机器人 4 h
NVIDIA GR00T N1	2025-03	—	—	6,500	827	88	仿真 6,500 h 为 78 万条轨迹的等效人类演示时长（约 11 h 生成）；另含 OXE/AgiBot-Alpha 与人类视频，未给小时数
1X 1XWM	2025-26	900	—	—	—	70	900 h 第一视角人类视频中训练；70 h 机器人数据本体微调
蚂蚁 LingBot-VLA	2026-01	—	—	—	—	20,000	约 2 万 h 真机，9 种双臂配置
Figure Helix	2025-02	—	—	—	—	500	约 500 h 遥操（公司口径）

来源见本章配方表；小时数口径各异（等效时长、原始小时、公司口径），只宜看占比量级。

数据售价带：每小时美元

人民币按 1 USD = 7.1 CNY 换算。同一「小时」可能是原始或可用小时，是否含硬件摊销与 QA 各家不同；几乎全部为供应商或媒体口径。

数据表

类型 · 地区	低	高	口径
第一视角 · 印度原始	$1	$10	Human Archive COO 口径
第一视角 · 供应商采集（全球）	$15	$40	供应商口径
第一视角 · 印度打包标注	$15	$50	行业高管口径，半年降约 30%
第一视角 · 中国	$42	$42	36Kr 估算 300 元/h
仿真合成 · 中国	$28	$70	媒体转述 200–500 元/h
UMI 无本体 · 中国	$42	$92	虎嗅 300–400 / 36Kr 400–650 元/h
真机遥操 · 全球供应商	$28	$60	DexSet 口径
真机遥操 · 中国	$70	$141	媒体转述 500–1,000 元/h
真机遥操 · 指定目标本体	$50	$200	DreamVu 估计（二手）

来源见本章价格表。

先看结论

1. 便宜层正在被免费开源压到地板价。 Build AI 把 10 万小时级第一视角视频以 Apache 2.0 开源，Motus2（13 万小时第一视角构成） 的 13 万小时第一视角数据约 87% 来自开源、13% 采购。商业数据商的溢价只剩双目、标注、手套和任务对齐。
2. "遥操比 UMI 贵一个数量级"只在设备上成立。 Mobile ALOHA 约 $32k 对 UMI 夹爪 BOM 约 $73；但采集速率只差约 3 倍（111 对 35 条/小时），每条数据的单价没有一手实证。中国媒体口径：真机遥操 500–1,000 元/小时，UMI 300–400 元/小时，仿真 200–500 元/小时。
3. 配方公开度很低。 20 多个模型里能拿到"分来源小时数 + 采样权重"的只有 Xiaomi-Robotics-1 和 π0。"小时占比"和"训练采样权重"是两回事：小米后训练真机约占预训练+后训练总小时的 7%、占后训练采样权重 85%。
4. 仿真器全部开源，价值归 NVIDIA 和资产/服务商。 光轮智能 Lightwheel 是最大的商业化样本（一年约 31 亿元融资，占中国独立数据商七成），但订单与收入都是公司口径，sim2real 相关性未公布。
5. 世界模型当评测器的证据最强（SC3-Eval 与真机相关 r≈0.93），当 RL 环境收益在 10–25 个百分点且奖励仍由模型自判，"卖生成数据"还没有成规模的市场。
6. 部署回流是最贵也最不可复用的一层。 π*0.6 / RECAP 是唯一有官方一手数字的生产级范例；外包层（Enact（YC S26）、Cortex AI）刚到种子阶段；客户数据主权条款几乎查不到公开细节。
7. 中国训练场基建热与商业模式未跑通并存。 截至 2026-06 底投运超 70 家、在建 46 家；首钢园数据训练中心（运营方撤出案例） 运行不到 18 个月原运营方撤出；湖北中心—智元数据交易 是首例企业间数据交易。

怎么读

每章按同一骨架：生产方式 → 厂商与渠道 → 应用方式 → 规模、成本与价格 → 局限与争议 → 口径冲突与未核实。正文里的双括号链接指向实体卡片（公司、数据集、工具与格式、概念、论文），卡片之间互相链接。

口径说明

• 所有数字标来源与访问日期；公司自报的写"公司口径"；只有二手来源或查不到一手的标 ⚠️。
• 本专栏明确修正过的既有说法：DROID 一手口径为 7.6 万条示范（非 35 万+）；OXE 的"约 3,800 小时"一手页面无此数；星海图与亦庄的计划是 100 万小时（非 1 亿）、三年千万小时；1X "Redwood 1 万+小时运营数据"查无来源；GR00T N1 的 6,500 小时是等效人类演示时长而非仿真运行时间。