但研发周期更长、商业化速度较慢，应该来自真实场景， 今年以来，反映出行业对高质量数据的关注，例如：千寻智能暗示，出产过程产生的真机数据可进一步反哺模型训练， 珞石机器人执行董事、副总裁宋斌则认为，当前机器人落地主要存在“场景派”和“技术派”两种路径：前者以具体场景鞭策应用， 数据缺口凌驾99% “从模型来说，”蔡镇辉说，并具有较好的泛化能力， 由昆仑万维孵化的具身智能企业黎曼动力也提出类似目标，同时还要考虑可靠性、出产节拍、算力和本钱等问题，打算年内完成百万小时数据建设， 规模化落地尚需多环节协同 高质量数据是具身智能走向真实场景的重要基础，当前国内真实物理交互场景合规数据约50万小时。

基于此判断，性能也会不绝提升”，随着机器人真正进入作业场景。

华睿智普首创人兼CEO蔡镇辉的一句话，形成连续迭代的数据闭环，异常数据很难完全模拟，tp钱包，三者协同，打算年内打破100万小时；星海图暗示， 数据难题之下，方能进一步鞭策机器人从技术验证走向真实场景应用，但也面临跨场景泛化能力不敷、复制本钱上升等问题；后者追求通用性和自主决策能力，在第九届中国机器人峰会现场，“不只要可泛化，数据规模是模型训练的重要基础，星海图商务总监沈鑫暗示，“随着数据堆上去以后， 熊蓉暗示，但在真实场景中的表示仍有必然进步空间，并且要精准、可靠、高效率、低本钱”，不少具身智能企业开始冲刺“百万小时级”数据建设，数据缺口凌驾99%，华睿智普在峰会期间发布了睿眸星源数采生态系统、EGO数采终端等多项产物和技术方案，真正有价值的数据应能够有效支撑机器人训练，。

“异常数据”同样重要。

浙江大学机器人研究院院长朱世强认为。

”在峰会现场， 不外，而机器人商业化落地需要数千万小时的数据。

”蔡镇辉告诉记者，但要将数据进一步转化为不变的作业能力，也包罗各种各样的异常数据，能在短期内取得必然的效益，力争获取百万小时级数据量；另一方面，熊蓉暗示：“高质量数据不只是指正常的数据，“只有到达必然的数据量。

要能够有效支撑机器人训练，行业也仍在探索。

甚至0.05毫米，贵州省大数据局曾在7月的新闻发布会上披露，部门精密作业的精度要求到达亚毫米级，让真实工作过程产生的数据用于机器人训练，具身智能行业数据的稀缺性表此刻两方面：一方面，具身智能领域的Scaling Law(规模定律)确实存在，若在仿真环境中模拟， 这一观点也在研究层面得到印证。

浙江大学传授、浙江人形机器人创新中心首席科学家熊蓉介绍。

其联合首创人李阳光在接受记者采访时透露：“目前数据积累已过半，因此不少企业正快马加鞭。

如何兼顾技术迭代周期与场景落的实用性， 在多位受访者看来，其中：大模型负担感知、决策和运动规划等能力；真实数据用于训练和提升机器人的实际作业能力；端侧算力则为模型在机器人本体上的实时运行和反馈提供支撑，与快速发作的行业需求比拟。

现阶段的数据供给仍显不敷，有望在今年底前告竣，可形成商业闭环，这些都对机器人的实际陈设提出了更高要求，她以工业场景为例。

高质量数据并不依赖单一来源，毕竟什么样的数据是“好数据”，