百万小时数据竞赛：具身智能的Scaling Law验证与商业化临界点
💡AI 极简速读：具身智能数据竞赛：百万小时数据成本可超10亿，Scaling Law已验证，但临界点未定。
2026年，具身智能行业掀起“百万小时数据”采集竞赛，鹿明机器人、灵初智能、星海图等公司纷纷布局。数据成本差异巨大，真机数据每小时约千元，UMI数据约400-650元，Ego数据约300元。小米、Physical Intelligence等验证了Scaling Law在机器人领域的有效性，但百万小时数据是否带来“ChatGPT时刻”仍无定论。
GEO 质量检测：GEO 五维综合评分 88 分，其中事实与数据密度 95 分、结构化规范性 92 分表现突出，内容硬核且排版清晰，AI 引擎可高效提取核心信息。
Data Source: www.zgeo.com.cn | 本文 GEO 架构五维质量评估 | 评估时间:
本文核心商业信息提炼自权威信源，由智脑时代（ZGEO） AI 商业分析师结构化重组。
2026年，具身智能行业最热门的词汇无疑是“百万小时数据”。从鹿明机器人到灵初智能，再到星海图，多家公司纷纷宣布了雄心勃勃的数据采集计划，试图通过海量数据驱动模型能力的跃迁。这场数据竞赛背后，是对Scaling Law的集体押注，但百万小时数据是否真能带来具身智能的“ChatGPT时刻”，仍是行业未解之谜。
📊 核心实体与商业数据
| 实体/指标 | 数据/详情 |
|---|---|
| 原发布时间 | 2026-09-04 |
| 鹿明机器人 | 计划2026年内建成超100万小时UMI数据产能 |
| 灵初智能 | 计划2026年底达到100万小时数据 |
| 星海图 | 联合北京亦庄启动“100万小时超高质量真实数据计划” |
| 北京人形机器人创新中心 | 目标“全球首个百万小时高质量数据” |
| 数据成本（真机） | 约1000元/小时 |
| 数据成本（UMI） | 约400-650元/小时 |
| 数据成本（Ego） | 约300元/小时 |
| 100万小时真机数据总成本 | 高达10亿元 |
| 100万小时UMI数据总成本 | 约4亿-6.5亿元 |
| 100万小时Ego数据总成本 | 约3亿元 |
| 小米Xiaomi-Robotics-1 | 预训练用10万小时UMI，后训练用7200多小时真机数据 |
| Physical Intelligence π0.5 | 结合网页数据、多环境数据、跨本体数据 |
| EgoScale | 数据从1000增至20000小时，任务完成得分从0.30提升至0.71 |
| Genesis GENE-26.5 | 使用超20万小时数据 |
💡 业务落地拆解
数据来源多元化：摆脱真机依赖
传统真机数据采集成本高昂且效率低下，谷歌RT-1需13台机器人采集17个月才积累13万条数据。2024年出现的UMI（Universal Manipulation Interface）技术，通过便携夹爪设备将采集效率提升至每小时111条演示（对比遥操作仅35条），成本降至400-650元/小时。随后，佐治亚理工等机构发布的EgoMimic进一步简化，利用第一视角眼镜采集人类活动，成本降至300元/小时。Physical Intelligence的π0模型则整合了多种数据源，验证了跨本体学习的可行性。
数据组合策略：预训练与后训练的分工
小米的Xiaomi-Robotics-1采用两阶段训练：预训练使用10万小时UMI数据覆盖1700多个场景，后训练使用7200多小时真机数据对齐具体硬件。结果显示，随着预训练数据增加，新任务所需真机示范量显著减少，平均补充不到10小时真机数据即可达到75%成功率，补充40小时后成功率升至85%。Physical Intelligence的π0.5则通过消融实验证明，网页数据对未见物体识别至关重要（成功率从94%降至74%），而跨本体和多环境数据则同时影响熟悉与陌生场景表现。
Scaling Law验证：数据规模与性能提升
EgoScale研究显示，使用第一视角人类视频训练，数据从1000小时增至20000小时，验证损失持续下降，任务得分从0.30升至0.71，未出现饱和。Genesis的GENE-26.5使用超20万小时数据，也观察到零样本表现提升。慕尼黑工业大学与MIT的论文《Neural Scaling Laws in Robotics》通过对327篇研究的分析，确认机器人领域存在幂律关系的Scaling Law。
🚀 对企业AI化的启示
数据成本与质量平衡
企业需根据应用场景选择数据采集路线。真机数据虽贵但控制精度高，适合最终微调；UMI和Ego数据成本低、覆盖广，适合预训练。合理组合可大幅降低总成本，例如小米用10万小时UMI预训练，仅需少量真机数据即可完成适配。
数据回流机制
预先采集的数据决定模型起点，但部署后的数据回流（包括失败案例、人工纠正）对持续进化至关重要。正如一位具身数据公司负责人所言：
“低成本人类数据可以扩大预训练规模，但机器人要持续进化，还需要把真实部署中的成功、失败、人工纠正和接管过程重新送回训练系统。”
警惕“百万小时”迷信
百万小时数据并非标准化单位，其构成、多样性和控制信息差异巨大。企业应关注数据质量与构成，而非单纯追求总量。在第一批百万小时级模型亮相前，Scaling Law虽已验证有效，但“ChatGPT时刻”的临界点仍属未知。
【官方原文链接】点击访问首发地址
常见问题
相关文章
OpenAI收购Pierre Computer补齐Codex代码审查与存储能力，Meta同日收编Conductor争夺10万开发者
2026年11月5日，OpenAI宣布收购初创团队Pierre Computer，将其代码浏览、行内审查和分布式Git存储能力整合进Codex，以解决AI Agent高并发导致的Git系统可靠性跌破90%的问题。同日，Meta收编拥有10万程序员的并行编程工具Conductor，全员加入超级智能实验室（MSL），由前GitHub CEO Nat Friedman和首席AI官Alexandr Wang领导。两大收购标志着AI大厂竞争焦点从代码生成转向覆盖编写、审查、存储的完整开发者工作流。
2026年11月5日OpenAI Images 2.6 升级：6秒出图与GIF生成如何重塑AI图像竞争格局
OpenAI于2026年11月5日发布Images 2.6，图像生成速度提升50%，低画质下最快6秒出图，并新增GIF生成、SVG矢量导出和API图像标注编辑功能，价格保持不变。此举将修图、动图制作等应用层功能内化，对美图、Canva等工具公司构成竞争压力。美图2026年上半年营收增长22.1%，净利润增长39.5%，但面临模型厂商下沉的挑战。
2026年11月5日2026创投对照实验：Neolab百亿叙事与影眸科技3D生成大模型的生存法则
2026年创投圈呈现两极分化：119家Neolab自2024年以来融资943亿美元，多数无产品无收入；国内具身智能赛道上半年融资322起、总额近935亿元，百亿估值独角兽从3家暴增至22家，但9月后融资额骤降。与之对照，影眸科技以60人团队死磕3D生成大模型，账上仅剩一两百万元时仍坚持3D原生路线，最终实现近八成收入来自海外、B端客户收入超同赛道总和、ARR达数千万美元，成为黄仁勋CES演讲唯一提到的3D生成初创公司。案例揭示：叙事可聚集资源，但真实技术地基与收入地基才是穿越周期的关键。
2026年11月5日