张小珺 对话 谢晨，AI和机器人数据的历史、版图与定价

一盆冷水

聊AI的人都在兴奋，只有谢晨在焦虑。

2026年，ChatGPT发布四年，大模型公司融资一轮接一轮，估值高得让老投资人心脏受不了。可这位北大物理系毕业、哥大金融博士、在英伟达和Cruise干了多年仿真的创业者，却对中国满地的具身智能项目泼了一盆冷水：你们连数据都没有，跑什么模型？

这不是危言耸听。

谢晨算过一笔账。如果把数据充足状态定为100分，大语言模型的预训练数据大概在60分左右徘徊，后训练才是主战场。而机器人呢？假设100万台机器人回传数据才算及格线，眼下的数据量连0.6分都不到。

0.6分。

什么概念？你还没开始考试，卷子就被收走了。

这才是具身智能真正的困境，不是算法不够聪明，不是算力不够强大，而是机器人根本就没见过足够多的真实世界。

image

image

数据的贫富差距

互联网是个好东西。大语言模型躺在中国网民几十年的发帖、评论、网文、小说里，吃得脑满肠肥。预训练数据充足得让工程师发愁，这么多语料该怎么清洗才能不浪费。

机器人的待遇天差地别。

它需要的是物理世界的数据——拿东西、放东西、走路、躲避、抓握、操作。这些发生在三维空间里的动作，和坐在电脑前打字完全不是一回事。

你没法从网上抓取"机械臂拉开抽屉"的数据。

真机采集听上去是最直接的方案。找一台机器人，让它在真实场景里反复操作，数据回传不就得了？

现实给了从业者一记闷棍。

一位业内人士告诉我，国内真机数据的市场价格已经飙到500到1000块钱一小时。这不是开玩笑，一小时的采集，可能只够训练一个抓取动作的泛化能力。想让机器人学会100种技能？那就是5万到10万小时的采集，按现在的报价，自己算算是多少。

贵还是小事。问题是很多场景根本采不到。

暴风雨天气下的工厂作业，极端光照条件下的室外巡检，柔性物体变形时的精确抓取——这些长尾场景在真实世界里出现的频率本来就低，你总不能让工厂为了采集数据天天停产等那个特定天气吧。

于是仿真数据站了出来。

那座金字塔

谢晨在和张小珺的对话里，把具身智能的数据来源画成了一座金字塔。

顶层是真机数据。质量最精准，贴着真实物理世界的每一个细节。机械臂关节的角度变化、柔性布料被抓取时的形变、摩擦力在斜面上的微妙反馈——这些只有真实采集才能捕捉。但代价也最贵，贵到让创业公司财务发抖。

中层是仿真合成数据。算法在虚拟环境里批量生产场景，成本低得多，也能弥补长尾场景的缺失。关键是怎么让虚拟数据真的能在真实世界work，也就是行业内说的Sim2Real问题。一开始仿真数据在真实场景里经常翻车，机器人学了一万遍抓取，到了真实环境还是手抖得跟帕金森似的。

底层是互联网视频和人类行为数据。来源广泛，泛化性强，但精度低。一段人类做家务的录像，机器人看了能学到点什么，但动作标注往往是模糊的，环境和任务描述严重不足。

三类数据缺一不可。

可行业现状是，每一层都在挣扎。真机采集效率太低，仿真数据质量不稳定，视频数据需要大量清洗和对齐。所有人都知道数据重要，所有人都不知道该怎么办。

光轮智能在做的事，就是试图把这三层数据捏在一起。他们做了Real2Sim2Real加RealismValidation的技术体系，简单说就是让虚拟环境和真实世界的误差尽可能小。谢晨打了个比方，在他们的系统里，冰箱门的铰链阻尼、桌布的材质形变、抽屉的摩擦系数，都被精确复现了。

这不是简单的3D建模，而是用AI理解物理规律之后重建的数字孪生。

image

image

定价的混乱江湖

说到钱，数据行业的水深得让老江湖都要呛一口。

真机数据目前市场价在500到1000块钱一小时浮动，根据场景复杂度浮动。没有统一标准，没有行业规范，买卖双方靠关系靠信任靠试错。

无本体数据的价格更乱。这种不依赖特定机器人硬件的数据采集，理论上成本更低，报价应该是真机数据的三分之一到二分之一。但实际上，因为规模化不足，有些时候报价反而更贵。

仿真数据的定价更是一团浆糊。按生成场景数量收费？按使用时长收费？按数据量收费？每家公司的报价逻辑都不一样，客户根本没法横向比较。

觅蜂科技董事长姚卯青在一次发布会上说了一句话，我觉得挺实在：高质量数据很简单，以终为始，能让模型真正形成可用能力，就是高质量数据。

可问题是，没人知道什么叫"可用能力"。你没有评价体系，就不知道什么样的数据才算好数据。

这才是问题的核心。

测不出来的问题

谢晨在播客里说了一句让我印象很深的话。

他说，具身智能的数据问题，不在数据本身，而在模型评价上。

什么意思？

大语言模型能快速发展，有个重要原因是benchmark清晰。行业有标准测试集，大家比分数，分数高了就是强。模型知道自己哪里不行，有针对性地补强。

机器人没有这套东西。

你让一台机器人去执行"整理桌面"的任务，它失败了。你知道它失败，但你不知道它为什么失败。是视觉识别出了问题？是抓取力度没控制好？还是任务规划不对？你没法量化，没法对比，没法针对性地改进。

测不出来的问题，就没法解决。

这解释了为什么很多机器人公司在发布会上演示得精彩绝伦，到了客户现场就变成翻车现场。演示的场景是精心准备的，测试的环境是受控的，可真实世界从来不按剧本走。

谢晨认为，要解决这个问题，必须依赖仿真。仿真环境能提供规模化的评价，能让机器人在虚拟世界里先跑一亿次，失败的模式被记录下来，改进的方向才清晰。

这和他做光轮智能的逻辑一脉相承。不只是生成数据，还要建立评测能力，数据和评测形成闭环。

image

image

数据不是燃料，是教育

谢晨在一次圆桌论坛上说了另一个让我觉得有意思的观点。

他说，数据对具身智能不是燃料，而是"人的教育"。

这个比喻太准确了。

燃料是消耗品，烧完就没了。可教育不是，教育是让一个对象真正理解一个概念，学会一种能力。大语言模型的数据更接近燃料，互联网上的文本用完可以再爬，数据质量差点但数量管够。

机器人需要的是另一种东西。你教一个孩子系鞋带，不是给他看一千段系鞋带的视频就完事了。你要让他理解手指的配合、力度的控制、时序的把握。机器人也一样，它需要的不只是"看到这个动作怎么做"，而是理解物理世界的因果关系。

所以数据不能只追求数量。100万小时质量参差不齐的数据，可能不如1万小时精心设计的教学素材。

这意味着数据公司不能只做体力活。采集、标注、清洗是基本功，但更重要的是理解机器人在真实场景里到底需要什么。

卖水人的生意经

2026年，光轮智能融了10个亿，成为具身数据赛道的第一只独角兽。

这很有意思。

淘金热最赚钱的往往是卖水的，而不是挖金的。当所有人都涌向具身智能的模型和应用时，总得有人给这些梦想家提供原料。

光轮智能的定位很清楚：不造机器人，不训大模型，专心做机器人的训练原料。用仿真技术批量生产数据，给所有淘金者供水。

这个故事很动听，但有个前提很少被追问：水的供给会一直稀缺吗？

如果数据问题被解决了，光轮智能的壁垒在哪里？

谢晨显然也想过这个问题。他的答案是，壁垒不在数据量，而在数据和评测的闭环能力。数据可以被模仿，但一套可规模化的评价体系很难被复制。机器人进入真实场景后会持续产生新数据新问题，这套闭环能力会不断进化。

另外一个壁垒是时间。物理AI的仿真能力需要大量工程积累，不是有钱就能买到的。光轮智能团队在英伟达和Cruise积累的仿真经验，是三年时间砸出来的护城河。

image

image

我的一点思考

聊完这期播客，我最大的感受是，AI行业的叙事需要被重新校准。

过去几年，媒体和投资人喜欢讲的故事是天才科学家、暴力美学、算力军备竞赛。好像只要GPU够多、参数够大、能力涌现就是必然结果。

可机器人的例子告诉我们，AI不是万能药。有些问题靠Scale解决不了，得老老实实从数据基础建设开始补课。

这不是坏消息。反而说明AI行业还有很多基础设施的活儿要干，还有很多赚钱的机会在产业链上游。

谢晨说过一句话：GPU和CUDA定义了大模型时代的算力基础设施，光轮智能想定义物理AI时代的数据和仿真基础设施。

这话挺狂的。但2026年的融资数据和市场反馈，似乎在给他背书。

具身智能的数据战争，才刚刚开始。