机器人还没卖起来，具身数据先起量了｜爱分析访谈

具身智能市场，数据投入早于出货，即使终端销量还没多少，具身智能公司已经开始为数十万小时乃至更大规模的训练数据投入资源。数据堂COO何鸿凌据此判断，2026年AI数据服务市场最显著的增量是具身智能。

变化不只发生在需求规模上。大模型进入后训练阶段，数据服务正在从强调人力成本和规模的大兵团作战，转向依赖高素质人才、快速响应模型反馈的特种兵团；具身智能的数据需求则形成了一座从遥操作、UMI到第一视角数据的金字塔，训练价值与规模化能力呈现出不同的排序。

在何鸿凌看来，任何单一AI领域的大规模数据需求都有周期。数据服务商真正需要沉淀的，是跨周期迁移的项目实施能力、柔性数据生产平台和版权数据资产。围绕AI数据服务的需求变化、具身数据的价值与成本、仿真的商业边界，以及国内市场的未来收敛，爱分析与何鸿凌进行了交流。

核心观点

数据先于机器人出货，具身智能已经成为AI数据服务的重要增量。 机器人必须先经过训练、具备足够智能，才可能进入市场。因此，不能只用终端出货量判断具身数据需求。何鸿凌判断，2026年数据行业玩家的主要增长点将来自具身智能。

大模型数据服务进入后训练和专家数据阶段，组织模式正从大兵团转向特种兵团。 任务需要更高素质、更具创造性和专业判断的人才，团队规模变小，但单个人才的价值和成本显著提高，服务过程也更需要随模型反馈动态调整。

单一赛道的数据需求具有周期性，数据服务商必须不断换矿。 一个模型在某个领域达到较高水平后，大规模数据投入会逐步转为针对少量问题的测试和优化。服务商要跨周期经营，关键在于沉淀人才与项目运营机制、技术平台和版权数据集。

具身数据是一座金字塔：越贴近机器人本体，训练价值越高；越远离本体，越容易规模化。 遥操作数据位于金字塔顶端，价值高、成本高、数量少；第一视角数据成本更低、通用性更强，更适合规模化生产。

仿真是具身智能不可缺少的训练手段，但未必能独立成为外部数据服务。 模型需要在仿真环境中“摸爬滚打”，完成强化学习；但这一过程究竟由模型公司内部完成，还是交由外部服务商提供，目前尚未形成共识。

具身智能仍处在多种路线并行尝试的阶段，未来三至五年可能逐步收敛。 何鸿凌对具身智能的长期价值持乐观判断，但也强调，当前数据模态与数据配方尚未确定，具体玩家和实现形式仍存在不确定性。

01 数据先于机器人出货，具身智能成为最大增量

爱分析：过去两三年，AI数据服务市场发生了哪些实质性变化？

何鸿凌：这两年变化很大。从我们观察到的业务和市场情况看，主要参与者的业务都在增长，整个盘子在变大。增长来自两个方面：一类是原有数据服务需求的升级，另一类是大模型和物理AI带来的新需求。

原有需求的升级，语音是一个很典型的例子。大模型能力提升以后，语音自然成为人与大模型应用交互的界面，语音识别和语音合成都出现了新的需求。过去一度沉寂的方言数据重新受到关注，厂商希望把识别做得更细，也希望用户用什么方言提问，系统就用相应方言回答。

新的需求则主要来自大模型和物理AI。大模型包括语音、多模态、理解和生成等不同方向；具身智能从去年开始也持续出现新的采集需求。AI数据服务本来就是为模型训练服务的，而模型是变化最快的领域之一，所以市场需求会一直变化，而且变化速度还会越来越快。

爱分析：哪些新需求已经形成了可观规模？具身智能是否仍处于探索阶段？

何鸿凌：至少从我们现在的业务看，具身智能已经不能算纯粹的探索阶段。前几个月还可以这样说，但目前它在公司收入中的占比已经比较可观，甚至超过了自动驾驶数据业务。

我们现在几个主要方向包括语音、大模型、通用图像、具身智能和自动驾驶。其中语音仍然是最大的领域，具身智能则增长很快，已经形成一定业务体量。我的判断是，2026年AI数据服务市场玩家的主要增长点会在具身智能，而不是大模型。

大模型的数据需求规模仍然很大，但从去年到今年，训练方式和服务模式没有发生本质变化；具身智能则是去年很少甚至接近于零，今年快速达到可观规模，所以它带来的增量更明显。

爱分析：但从终端看，具身智能的出货量还不大。为什么数据服务会先形成规模？

何鸿凌：因为我们讨论的是AI数据服务市场，它本来就领先于具身智能产品的出货。机器人必须先完成训练，有了数据、有了智能，才可能卖出去。

可以做一个保守估算。假设一家模型公司需要10万小时数据，每小时成本按100元计算，数据投入就是1000万元。还有很多公司规划的是100万小时，甚至把目标放到1000万小时。由此可以看出，它们在数据上的投入有多大。

机器人和自动驾驶汽车的逻辑不完全一样。一辆车可以先卖出去，某些智能驾驶功能之后再开放；但不会有人购买一台什么都不会、只是摆在那里的机器人。机器人必须先有足够的智能，才能进入市场。所以，不能只根据机器人的当前出货量，倒推数据服务市场的规模。

爱分析：大模型数据需求为什么没有延续爆发式增长？

何鸿凌：我觉得大模型的训练方式已经基本确定。无论是代码、基础学科知识，还是金融、法律、医疗等垂直领域，以及图像、视频生成和编辑所需要的美学数据，今年与去年相比都没有发生范式级变化。

不同公司的投入方向会根据产品重点调整。例如，有的公司会增加办公方向投入，有的会补强代码能力。预算仍会增长，对人员层级的要求也会提高，但总体模式没有改变，参与者还在进一步集中。因此，大模型数据服务今年是规模继续增长，而不是需求形态重新爆发。

02 后训练进入专家数据阶段，大兵团转向特种兵团

爱分析：当前大模型训练的数据需求主要集中在哪些环节？

何鸿凌：目前主要是后训练所需要的专家数据。通用预训练数据已经被大量消耗，大家重点投入的方向大致包括代码、物理世界的基础知识，以及金融、法律、医疗等垂直领域，还有图像和视频相关的美学数据。

这些任务都需要更高阶的人才。很多时候，只有一个领域里能力处于前10%的人，才值得为模型提供知识和判断。模型能力越高，就越不希望数据里充斥平庸内容，而是需要创造性、吸引力和真正有见解的数据。

爱分析：这会如何改变数据服务公司的组织方式？

何鸿凌：我们过去做数据服务，更强调成本和大规模交付。以自动驾驶为例，一个项目可能组织上万人，工作内容相对稳定，可以连续做几个月。这更像大兵团作战。

大模型后训练更像特种兵团。一个细分领域可能只需要十几个人，百人团队已经不小，但这些人必须是精英。任务也不是固定不变的，而是要根据模型公司的需求不断调整。

因此，变化不只发生在招聘上，还会影响组织结构、项目流程，甚至团队所在地的选择。只有组织方式一起改变，数据服务商才能适应这种业态。具身智能也会面临类似问题。

爱分析：人员外包是否会成为新的主流合作模式？

何鸿凌：现在确实有不少项目采用人员外包的方式，但我不认为这是结构性变化。过去按数据量结算，前提是任务能够事先定义清楚，并且在执行过程中保持稳定。现在很多高级任务会随模型表现变化，很难在一开始就确定统一的工作量和单价，所以供需双方先按人头和时间合作，更容易达成协议。

如果一个任务经过一段时间探索，形成了稳定流程，也可能再转回按量结算。例如，第一个月或前三个月按人头服务，后续几个月按产出量计算。这更多是业务磋商方式，不是数据服务商业模式的根本改变。

03 单一赛道有周期，数据服务商要不断换矿

爱分析：如果大模型客户逐步集中，模型能力也持续提高，数据服务的长期机会在哪里？

何鸿凌：我们一直讲的是AI数据服务，而不是只讲大模型数据服务。我相信，大模型不会永远以同样规模需要外部数据服务。一个AI如果一直需要人反复教，也说明它没有真正学会。

例如，一个模型进入金融、法律或医疗领域，可能用半年到一年达到超过该领域90%从业者的水平。到那时，大规模投入就会结束，只需要少量人员针对问题案例做测试和优化。接下来，模型可能再进入财务、会计或其他领域，开启新一轮数据投入。

这有点像挖矿，不能指望一个矿坑永远产出矿石。数据服务商必须不断寻找新的领域，同时保证在换矿的过程中有东西能够沉淀下来。单一领域的数据需求一定会面临周期性变化，具身智能也可能只有若干年大规模需要数据。

爱分析：跨越需求周期，哪些能力可以持续沉淀？

何鸿凌：我们长期沉淀的能力主要有三类。

第一类，标准化的项目实施和交付能力。包括人才招募、管理和激励，项目经理的经验，标准化项目管理流程，以及对质量、进度、成本和客户沟通的管理，这些专业服务能力可以迁移到新的数据任务中。

第二类，数据工程平台。在自动驾驶、具身智能和语音等领域，客户倾向于使用我们的数据平台，基于效率提升、无限追求安全可控的目标，平台会频繁化、精细化打磨，持续提高数据生产效率。

第三类，版权数据集。我们可以把项目经验进一步沉淀为数据资产。最领先的模型公司可能已经投入大量资金和时间，暂时不再需要我们现有的通用数据集，但后续跟进者可以通过购买版权数据集，缩短与先进者之间的差距。

爱分析：版权数据集更适合通用训练，还是垂直行业训练？

何鸿凌：不一定只面向垂直领域。以方言为例，头部科技公司可以投入大量资源自行建设数据，其他企业很难以同样速度完成。如果我们已经积累了方言版权数据集，后进入者就可以通过购买数据，更快补齐能力。

垂直行业的数据需求更多会采用定制方式。一个通用模型进入电力维修、发电等具体业务后，仍然需要行业数据做后训练，才能理解该领域的特点。这些数据集建设既花钱又花时间，但很难绕开。我们自己的版权数据集会更多集中在通用、预训练相关的数据，垂直领域则以定制服务为主。

04 具身数据是一座金字塔：遥操作在顶端，Ego更容易规模化

爱分析：遥操作、UMI、第一视角、仿真等具身数据，价值如何排序？

何鸿凌：首先要明确，是从模型训练方，还是从数据服务商看价值。

对模型训练方而言，数据与机器人本体贴得越近，价值越高。大致顺序是遥操作、UMI、第一视角（Ego），再到仿真等方式。距离本体越远，模型需要学习的映射越复杂，信息衰减也会更多。

但从数据服务商的规模化角度看，顺序几乎相反。第一视角数据更容易通用化和规模化，UMI其次，遥操作再次。成本也呈现类似顺序：第一视角最低，UMI居中，遥操作最高。

仿真是一种很重要的数据生产和训练方式，但它能否独立成为对外的数据服务，业界仍有不同看法。模型训练一定需要仿真环境，但是否需要把这部分工作交给外部服务商，还没有形成共识。

爱分析：数据堂如何布局这几类具身数据？

何鸿凌：三类我们都在做。

第一视角数据方面，我们与核心合作伙伴共同定义高质量、高生产率的采集套件，一方面用它生产自己的版权数据集，另一方面也可以围绕客户需求提供采集服务。

UMI比较贴近具体设备，目前主要以客户定制服务为主。

遥操作同样以定制服务为主。我们在保定搭建了专门的遥操作采集场地和模拟场景，也沉淀了一批有实际采集经验的人员。从早期不熟练，到现在能够比较顺畅地解决采集中的问题，这些经验本身也是能力积累。

爱分析：为什么说遥操作数据位于金字塔顶端？

何鸿凌：遥操作是“金数据”。它的价格很高，一个小时有效数据几百元已经算便宜，达到一两千元也有可能。但它在全部具身数据中的占比可能只有千分之一，甚至万分之一，因此一定处于金字塔顶端。

UMI的数据量会更多，但生产效率仍然不高，需要专业采集人员操作夹爪等设备。

再往下是第一视角数据，它可以让真实场景中本来就在做这件事的人直接采集。例如，清洁场景中，采集者应该是做了十几年清洁工作的人员，而不是一名刚毕业、只擅长操作设备的采集员。两者记录下来的经验是不一样的。

我个人估计，第一视角、UMI和遥操作的数据量之间可能存在数量级差异。只有形成这样的金字塔，具身数据的整体经济性才成立。

爱分析：既然遥操作难以规模化，为什么仍要持续投入？

何鸿凌：因为很多客户需要的是完整解决方案。遥操作对收入的直接贡献未必最显著，但如果不具备这项能力，就无法覆盖完整的数据链条。

对我们这样的规模化数据服务商来说，不会简单放弃某一种重要数据形态。真正需要判断的是，哪一类业务承担规模增长，哪一类业务承担高价值能力和完整交付。第一视角和UMI更接近规模化重点，遥操作则是完整能力中不可缺的一环。

05 仿真不可缺少，但未必成为一门独立生意

爱分析：仿真数据在自动驾驶和具身智能中扮演什么角色？

何鸿凌：仿真肯定非常有用，它需要仿真数据资产和仿真场景。在具身智能中，可以先用数据教会机器人一些基本能力，再把它放到模拟环境中“摸爬滚打”，通过强化学习不断修正策略。就像师傅先教一个人怎么做事，之后他还要进入真实社会历练，才能真正成长。

自动驾驶也是类似逻辑。系统需要面对“鬼探头”、儿童横穿马路、前车掉落物等场景，判断自己能否做出正确响应。如果没有场景库、测试案例库和仿真环境，就很难系统训练和验证这些能力。所以，仿真是模型训练不可缺少的一环。

爱分析：仿真数据能否成为一块独立业务？

何鸿凌：未必。必要的技术手段不等于一定会形成独立的外部商业模式。模型公司在训练过程中本来就需要强化学习，它可以自己建设仿真环境，也可能采购外部提供的环境或合成数据。

现在我观察到的更多是前一种方式：仿真作为模型训练流程的一部分存在。未来是否会大规模拆分出来，由外部服务商提供，目前还不确定。所以，对仿真的技术价值可以有明确判断，但对它能否成为独立生意，需要保留边界。

06 柔性数据生产线要跟着需求“换机床”

爱分析：数据工程平台为数据服务带来的核心价值是什么？

何鸿凌：我们把自己的平台称为“柔性数据制造生产线”。它首先是一条生产线，数据流转和业务闭环都在系统中完成。提交了多少数据、出现了什么问题、质量如何、每个人和每个团队的表现怎样，都可以被看见，从而快速发现生产问题。

流程线上化以后，数据流转效率也会提高。更重要的是，平台不只管理数据，还要支撑整个企业的资金流、信息流和数据流闭环，包括结算、奖金、外部付款、质量验收和客户交付。每一笔支付为什么发生、对应哪项生产任务、定价和质量是否合理，都应该能够追溯。

对一家持续经营的数据服务企业而言，这套系统类似制造企业的ERP。小团队可以暂时靠人工和表格管理，但业务规模扩大后，没有系统很难兼顾安全、效率、质量与合规。

爱分析：柔性体现在哪里？

何鸿凌：我经常用“铁打的营盘，流水的兵”来形容。生产线上既有自动化环节，也有人工环节，它们能否像插件一样被替换，决定了平台能不能适应需求变化。

例如，自动驾驶数据需求下降以后，原有平台不能直接废弃。我们希望在保留自动驾驶项目经验的基础上，通过替换或增加一些模块，让平台转向具身智能的数据采集和标注。就像一条制造生产线更换机床后可以加工新的产品，而不需要把整条生产线推倒重建。

这要求平台在设计之初就高一个层次。今天的研发投入不仅服务当前项目，也应该成为明天进入新领域的助力。所以，平台是我们跨需求周期沉淀下来的三类核心能力之一。

07 具身智能仍处于寒武纪，市场将在三至五年逐步收敛

爱分析：国内外AI数据服务市场的差异主要体现在哪里？

何鸿凌：国内厂商的能力和组织方式并不弱，大家也一直在研究和学习海外做法，真正的差异更多来自市场结构。

国内AI数据服务参与者很多，同一类需求出现后，往往会有大量公司快速进入，市场因此比较拥挤，单家公司的规模和份额都不容易做大。海外市场相对更常通过资源整合，把技术能力、人才规模和客户资源组合起来，客户的付费水平和对专业服务的认可度也有差异。

这也是国内数据服务公司普遍重视海外市场的原因。但在当前国际环境下，进入部分海外市场存在现实困难。因此，我们既要拓展外部市场，也要等待国内市场从重复建设逐步走向理性和集中。

爱分析：未来一到两年，数据堂最关注哪些方向？

何鸿凌：目前毫无疑问是具身智能，或者说Physical AI。具身智能仍处于起步阶段，具体技术方式和数据形态都不明朗，但也正因为如此，它有很大的想象空间。我们当前最重要的事情，就是考虑如何把既有能力应用到这个方向，并继续形成新的积累。

大模型向垂直领域发展也是一个确定方向，只是路径相对清晰，接下来更多是一块一块地进入不同行业。具身智能则还有很多问题没有答案，它最终会演进到什么程度，更值得期待。

爱分析：如何判断具身智能数据需求的持续时间？

何鸿凌：我个人对具身智能能够改变人类世界持乐观判断。从交通、机械力量到计算机和信息化，人类一直在通过技术扩展自身能力，具身智能在商业逻辑上是成立的。

当然，现在它也处于热潮中，一些参与者可能成为先驱，也可能成为先烈，但这不意味着算力和数据这些基础设施没有价值。互联网泡沫时期铺设的光纤、铁路大建设留下的线路，后来都支撑了新的繁荣。具身智能也可能不会按照人们预期的时间和形式落地，但基础设施最终仍会发挥作用。

就数据而言，现在还没有形成明确的数据配方：需要哪些数据模态、不同数据之间如何组合，大家仍处在类似“寒武纪大爆发”的尝试阶段。我觉得未来三年可能是重要的判断点，三到五年内，行业会逐步找到更清晰的方向。

爱分析：国内具身数据服务市场会同步走向集中吗？

何鸿凌：我认为会。当前很多投入依赖资本推动，存在重复建设和重复投资，经济上并不完全合理。当市场回归理性以后，企业还是要按照商业规律经营，行业集中度也会提高。

自动驾驶从早期发展到相对收敛，用了大约八年。具身智能的发展速度可能更快，所以我的个人判断是，最短三年、最长五年，市场会出现比较明显的收敛。但这里仍然要保留不确定性：方向是确定的，最终由哪些玩家、以什么技术路线和商业方式走出来，还需要时间验证。