2025.6.5AI时代的石油

一、投资要点

·数据是具身智能突破的关键

1. 类比自动驾驶，数据对具身智能至关重要，优质数据集驱动智能体感知环境、加速模型训练，助力机器人完成复杂任务。

2. 具身智能模型需多源异构数据（视觉、触觉、力觉、运动轨迹等），需通过机器人实操或仿真模拟采集，通用标准化数据集为行业刚需。

3. 当前数据集多聚焦特定机器人 / 场景，通用性待提升，构建高质量、多样化数据集是基础工作。

·数据分类：真实数据与仿真数据

1. 真实数据：通过传感器在真实环境交互中采集，来源包括机器人遥操、动作捕捉，优势为高真实性，缺点是成本高、效率低。

2. 仿真数据：虚拟环境生成，通过构建场景模拟交互，优势为低成本、高效率、可控性强，缺点是 “虚实差距” 需与真实数据互补。

3. 未来将混合使用两类数据，短期仿真数据解决简单任务（如运动），长期真实数据支撑复杂任务（如精细操作）。

·现状与开源数据集

1. 高质量数据多为厂商自采，真机数据成本高昂（需设备、人力、时间），但开源数据集丰富（如智元、谷歌、国地共建中心等）。

2. 仿真数据依赖场景生成引擎，技术路径包括 “合成视频 + 3D 重建”（如 Hillbot、群核科技）和 “AIGC 直接合成 3D 数据”（如 ATISS、DiffuScene）。

·投资方向观察与相关公司

1. 具身智能数据集的企业：均胜电子（数据场）、海天瑞声（机器人数据集）、索辰科技（数据仿真）、华如科技（数据仿真）。

·风险提示

1. 政策不及预期、企业 IT 预算不足、市场竞争加剧。

二、具身智能数据集基本概念

·四大关键因子

1. 具身智能依赖算法、算力、机器人硬件、数据四大因子，其中数据是当前世界级难题。

2. 算法：国内有 ChatGPT、Deepseek、通义千问等领先模型；算力：国外以英伟达、AMD 为主，国内寒武纪、海光信息等快速突围；硬件：中国产业链丰富；数据：需解决可交互数据的采集与训练问题。

·数据供给瓶颈

1. 具身智能无法像大语言模型利用互联网数据，需通过实操或仿真采集多模态数据，且场景多元（本体形态、应用场景差异大），通用数据集稀缺。

2. 数据集质量关键：采集标准、训练有效性、模型泛化能力，决定机器人 “智能” 水平。

·数据采集的价值与难点

1. 价值：

2. 促进通用智能形成：支持复杂环境任务能力；

3. 增强环境理解：捕捉动态交互、力学反馈等多维信号；

4. 支持任务迁移：提升模型从特定到通用任务的泛化能力；

5. 提升实时决策：通过 “感知 - 理解 - 反馈” 闭环实现精准操作。

6. 难点：

难点类别	描述
高昂成本	需专业设备、场景搭建、专家示教，单次成本远高于图像 / 文本数据
数据复杂性	多模态信息（图像、语音、力觉等），需高时空同步性与标注规范
覆盖面不足	现实场景复杂，难以覆盖全部潜在任务
仿真 - 现实差距	仿真策略难以直接迁移至真实机器人
设备差异性	不同机器人传感器类型、精度、采样率差异大，数据难以共享

三、国内外具身智能真实数据集现状

·数据采集方式

1. 直接接触（真机数据）：机器人本体直接交互采集，成本高但真实性强；

2. 间接接触（人工控制）：通过遥操或动作捕捉采集，效率较高但依赖人工。

·开源高质量数据集

数据集名称	发布机构	发布时间	演示数量	场景任务	动作技能	采集方式
AgiBot World	智元机器人、上海人工智能实验室	2024.12	100 + 万条	100 + 种	数百个	遥操作双臂机器人 + 灵巧手
Open X-Embodiment	Google Deepmind 等 21 家机构	2023.10	140 万条	311 种	527 个	单臂 / 双臂 / 四足等 22 种机器人
DROID	Stanford、UC Berkeley 等 13 家机构	2024.03	7.6 万条	564 种	86 个	遥操作单臂
RT-1	Google Deepmind	2022.12	13.5 万条	2 种	2 个	遥操作单臂
BridgeData V2	UC Berkeley、Google 等	2023.09	6 万条	24 种	13 个	遥操作单臂 + 脚本编程
RoboSet	CMU、Meta	2023.09	9.85 万条	38 种	12 个	遥操作单机械臂 + 脚本编程
BC-Z	Google、UC Berkeley、Stanford	2022.02	2.6 万条	1 种	12 个	遥操作单机械臂
MIME	CMU	2018.10	8260 条	1 种	20 个	遥操作单机械臂
ARIO	鹏城实验室、南方科技大学等	2024.08	300 万条	258 种	345 个	遥操作主从双臂机器人
RoboMIND	国地中心、北京大学等	2024.12	5.5 万条	279 种	36 个	单臂 / 双臂 / 人形机器人
RH20T	上海交通大学	2023.07	11 万条	7 种	140 个	遥操作单臂

·典型数据集案例

智元：AgiBot World

1. 全球首个百万真机数据集，基于全域真实场景（家居、餐饮、工业等），覆盖 100 + 场景、3000 + 操作对象，80% 为长程任务（60-150 秒）。

2. 采集设备：移动式双臂机器人，配备 8 摄像头（360° 感知）、6 自由度灵巧手、六维力传感器，数据规模超谷歌 Open X-Embodiment 10 倍，质量达工业级标准。

谷歌：Open X-Embodiment

1. 整合 60 个现有数据集，统一为 RLDS 格式，涵盖 22 种机器人形态、311 个场景、527 项技能，训练模型 RT-1-X（Transformer 架构）和 RT-2-X（视觉语言模型）。

国地共建中心：RoboMind

1. 2024 年 12 月发布，支持多本体（单臂 / 双臂 / 人形机器人）、279 项任务、61 种物体，覆盖家居、厨房、工厂等场景，以真机数据为主，计划首批开源 10 万条。

特斯拉 Optimus

1. 数据来源：VR 遥操 + 动捕手套采集人类操作数据，结合自动驾驶存量数据与高精度仿真数据，支持多任务训练。

国内首个数据采集标准

1. 2024 年 11 月，国家地方共建中心牵头立项《人工智能 具身智能 数据采集规范》（国内首个行业标准），规范数据格式以促进共享开源。

2. 2025 年 1 月，启用全国首个异构人形机器人训练场（上海），容纳 102 台机器人，支持多场景、多任务数据采集，推动数据标准化。

四、国内外具身智能仿真数据集现状

仿真数据技术路径

1. 场景合成分为场景生成（Gen）与模拟（Sim），技术路径包括：

2. 路线一：合成视频 + 3D 重建

3. 流程：生成视频 / 图像→重建为点云 / Mesh→转为结构化语义模型。

4. 代表：Hillbot（利用 NVIDIA Cosmos 生成视频 + SAPIEN 模拟器重建）、群核科技（酷家乐 3D 重建 + 物理仿真）、李飞飞 “World Models” 项目。

5. 路线二：AIGC 直接合成 3D 数据

6. 技术：图神经网络（GNN）、扩散模型（Diffusion）、注意力机制（Attention）+ 程序化生成。

7. 代表：ATISS、LEGO-Net、DiffuScene、RoomFormer、Infinigen（CVPR 2024）。

典型企业与平台

·群核科技

1. 技术：SpatialLM（空间理解模型）+SpatialVerse（物理正确模拟器），构建室内场景数据集，支持机器人训练叠被子、开关冰箱等任务。

2. 数据：3.2 亿月活跃用户、7780 万设计方案，生成接近真实物理特性的虚拟环境。

Hillbot

1. 核心：3D 生成式 AI + 自主模拟器 SAPIEN，通过文字提示生成 3D 对象，替换为仿真环境中的物理对象，实现低成本数据生成。

2. 流程：NVIDIA Cosmos 生成视频→Sapien/ManiSkill 解析重建→标签化资产替换→物理仿真。

World Labs（李飞飞）

1. 2024 年发布高保真仿真平台，生成逼近物理世界的 3D 环境建模，支持空间数据建模与动态交互推理。

智元：AgiBot Digital World

1. 2025 年开源仿真框架，集成海量 3D 资产、专家轨迹生成机制，支持 5 类场景（家居 / 商超 / 办公 / 餐饮 / 工业）、180 + 物品、12 类原子技能（抓 / 放 / 推 / 拉等），生成高质量仿真数据。

Genesis（CMU）

1. 2024 年开源生成式物理引擎，支持可微分模拟，兼容多种材料与机器人任务，生成速度较传统模拟器提升 81 倍（如模拟 106-DOF 网格时 FPS 达 2440 万）。

英伟达：Isaac Sim 4.5

1. 结合 Cosmos 世界基础模型，生成可控合成数据，支持机器人感知训练；GR00T Blueprint 可通过少量人类示范生成大量轨迹数据。

仿真与真实数据互补关系

1. 仿真数据优势：高效、低成本、可扩展，适合预训练；真实数据确保模型在现实中的可靠性，复杂任务必需。

2. 技术框架：“3D 场景合成 + 仿真模拟 + 现实交互”（Sim2Real），通过数据混合提升模型泛化能力。

五、数据质量与标准化

质量要求与评价方法

1. 中国信通院联合 34 家单位编制《具身智能数据集质量要求及评价方法》，指标包括完整性、一致性、多样性、真实性、易用性、实用性、可扩展性。

2. 生产操作规范：覆盖数据采集、清洗、标注、管理、使用全流程；组织管理制度：人员培训、安全合规等机制。

首个行业标准发布

1. 2024 年 11 月，《人工智能 具身智能 数据采集规范》立项，统一数据格式，推动开源共享；2024 年 12 月发布《具身智能标准化研究报告》《RoboMIND 数据集及评测报告》，指引行业发展。

六、相关公司

均胜电子

1. 布局 “数据场”，聚焦机器人数据采集与处理，支持多场景数据闭环。

海天瑞声

1. 提供机器人数据集，覆盖多模态数据采集、标注，适配具身智能模型训练需求。

索辰科技

1. 专注数据仿真，提供物理引擎与虚拟场景生成解决方案，支持高效合成数据。

华如科技

1. 深耕仿真技术，为具身智能提供场景模拟与数据生成服务，应用于工业、民生等领域。

七、风险提示

1. 政策不及预期：具身智能相关政策推进可能受多方因素影响，节奏与力度低于预期。

2. 企业 IT 预算不足：IT 支出影响数据采集、仿真平台建设进度，制约行业发展。

3. 市场竞争加剧：行业前景广阔，可能吸引更多企业入局，导致技术同质化与价格竞争。