2025 年具身智能行业投融资热度持续攀升，行业内已形成明确共识：要实现从 L1 特定任务具身智能到 L2 组合任务具身智能的技术跨越，乃至向更高阶通用能力迈进，数据采集是必须突破的核心环节。 不同于语言、图像等低维数据的获取，具身智能需要的是物理世界绝对坐标系下的精确测量数据，其获取难 度、成本投入与标注周期，都远超传统模型训练需求。 具身智能的核心目标，是让机器人在物理世界中具备 "举一反三" 的常识理解能力，面对未曾接触过的物体和 任务，能像人类一样依托过往经验推导操作逻辑。而这一能力的构建基础，正是高质量、多模态的交互数据。 当前国内头部企业仍处于 L1 前期发展阶段，可完成特定环境下的单工位操作任务；而 π0.5 模型通过融合操 作数据、网络数据、语言指令等多源信息的预训练方式，在家庭真实环境长程任务中的准确率已突破 60%， 接近 L2 水平。 行业普遍认为，预训练是具身智能技术进阶的核心，而预训练效果直接取决于数据的 "量" 与 "质"：一方面， L1 级模型已需 1 万小时 + 的数据量支撑训练，且 Scaling Law 规模定律在具身智能领域仍未见顶，数据规 模的扩大仍能持续推动模型性能提 ...