人形机器人行业数采专题(二)：采数千端 炼数一炉 闭环致远

物理AI的数据瓶颈既是数量缺口，更是质量与闭环的缺口。数量上，成熟具身大模型所需数据至少千万小时级、迈向通用智能或需亿小时量级，而当前高质量训练数据仅数十万至百万小时，供需缺口约90%；质量上数据须满足"准、全、广、真"，并形成"采集—清洗对齐—标注加工—质量评测—交付反馈"闭环。数采行业处于技术路线百家争鸣、商业模式仍待探索的早期，真机、无本体与仿真路线本质是精度与规模的权衡，混合数据将成为主流训练方式；数采设备与服务商业模式最清晰，数据资产及平台SaaS更具长期潜力。竞争要素围绕边界调整与资产升级：通用基模在精密操作上仍有短板，数据公司的产品是训练资产而非视频，长期护城河来自场景入口、评测闭环与跨本体复用能力。建议短期关注具备订单、产能和交付能力的数采服务商，中长期优选能将数据处理平台化并向模型评测、后训练及部署回流延伸的公司。