文章核心观点 - AiMOGA Robotics发布首款消费级家庭陪伴人形机器人Mobo并开启全球预售，依托MoAgent具身智能体与双脑架构实现感知-决策-执行-反馈闭环，同时通过车机协同、平台化架构与租赁模式推进机器人商业化落地 [1][5][7] 产品发布与预售 - Mobo为消费级家庭陪伴人形机器人，身高0.9米，具备22个自由度，支持超过20种语言 [3] - 产品面向儿童提供物体识别与问答、讲故事、互动英语学习功能，面向老年家庭成员提供对话与自定义提醒功能，并可识别家庭成员并保留记忆 [3] - 自2026年8月世界机器人大会首次亮相以来，Mobo已吸引超过10,000名潜在用户 [6] - 展会现场有35名用户成为首批全球用户体验官，每人获得一年免费使用权益，其反馈将用于产品与服务改进 [6] 技术架构与能力 - Mobo的空间感知、交互、执行、决策与认知层构成感知-决策-执行-反馈闭环，空间记忆支持物品寻找，社交导航可识别行人轨迹与交互空间，多模态交互与运动控制技术协调语言、表情与动作 [4] - 依托具身智能体MoAgent，Mobo通过双脑架构结合长期规划与快速响应，世界模型可模拟物理环境变化并验证任务结果 [5] - 演示中Mobo完成工作场景任务、应对突发问题及任务恢复，支持最多16个并行任务，中断响应时间低于0.2秒 [5] - 分层记忆组织事实、经验与模式，Face ID将记忆与用户关联，MogaCloud支持远程任务分配与OTA更新，合规数据在云端学习验证前经设备端去标识化与安全检查 [5] 商业化与生态布局 - 公司规划涵盖研发、成本优化、销售、租赁与人才培养，采用"平台研究院+场景研究院"模式支持双足、四足及轮式机器人的研究与应用验证 [7] - 计划建设300个全球体验中心，并在芜湖启动全球机器人租赁品牌"Jia Tian Xia" [8] - 平台化架构、标准化组件及Chery的制造与销售资源旨在提升成本效率，人才项目支持产业化推进 [8] - 截至目前，全球已售出超过3,000台机器人，部署于100多个应用场景，产品与服务覆盖60多个国家和地区 [9] - 演示涵盖交通管理、医疗导引、接待与物料运输等场景，目标是在真实环境中验证技术并推动机器人融入生活与工作 [9]

文章核心观点 - 资深研究团队每日盘前提供内参，覆盖大盘与板块走势研判、盘面拆解分析及高确定性题材热点挖掘 [1] - 当日值得关注的方向包括大模型融资与具身智能落地、AI安全漏洞驱动需求增长、风机关税暂缓 [1] 大模型与具身智能 - DeepSeek拟在最新一轮融资中筹得约1000亿元人民币 [1] - 分析师看好大模型将加速具身“大脑”能力突破及通用具身智能落地 [1] - 已有公司获得少量机器人结构件订单 [1] AI安全 - 多国机构网站临时下线，PHP存在严重安全漏洞 [1] - 分析师认为AI时代威胁加剧及AI技术应用范围持续扩大有望成为主要驱动力 [1] - 有公司上半年运营商行业AI安全签单额同比增长超300% [1] 风机关税 - 特朗普暂缓对风机加征关税，180天磋商期为后续留余地 [1] 市场盘面 - 周四市场全天调整，创业板指低开低走跌超4% [3] - 工程机械板块开盘冲高，人形机器人概念逆势活跃，军工股局部回暖，但全市场近5000只个股下挫，算力硬件股集体走弱 [3] - 大票回撤已成为短期市场不可忽视的一环，“易中天”带头跳水，上证3674关键点位不到1小时被击穿 [3] - 多只宽基ETF放量未能拉回指数，深成指和创业板指几乎收在全天最低点 [3] - 创业板指相对上证指数已落后1000多点 [3]

数采：物理AI最大短板，数据基建即将爆发——电话会议纪要关键要点总结 一、涉及行业与公司 - **行业**：机器人数据产业（具身智能数据采集、治理与训练全链条），涵盖上游数采设备、中游数据采集服务商、下游垂直领域应用[1][2] - **上游设备公司**：奥比中光（深度相机）、华依科技与新动联科（IMU/陀螺仪，易丰科技核心陀螺仪供应商）[1][7] - **中游服务商**：海天瑞声（数据标注清洗）、利亚德（高精度光谱）[1][7] - **下游本体公司**：天奇股份、亿嘉和[1][8] - **其他提及主体**：易丰科技（国内头部数据采集设备商，2026年规划采集1,000万小时数据，拥有约2万套设备，其中1万套用于自采）[3]；宇树科技（G1等适用于数据采集的产品已实现批量销售）[5]；Figure（国际头部初创公司，C轮融资额中预计15%-20%投向数据采集领域）[5]；北京、上海智源等机构联合产业联盟启动数据工厂建设[5] 二、核心观点与论据 （一）数据是机器人产业最关键瓶颈，数据市场尚属蓝海 - 机器人产业正从展示性功能（如唱歌跳舞）向能产生实际经济价值的专业场景应用过渡，核心痛点是机器人大脑的智能化与泛化能力不足，深层原因在于缺乏足够数量和高质量的数据来训练机器人模型，数据已成为制约产业发展的最关键瓶颈环节[2] - 整个数据市场从采集、治理到训练的全过程尚属蓝海，具备前瞻性投资价值[2] （二）市场空间测算：从十亿订单到万亿级远期空间 - **设备端**：以易丰科技为例，1万套设备对应约1,000万小时数据量；若未来数据需求展望至10亿乃至百亿小时级别，采集设备需求量将达百万台级别，对应设备市场规模可达百亿甚至千亿人民币[3] - **数据服务端**：数据类型包括真机数据、仿真数据和无本体数据，市场均价从每小时100元至5,000元不等；以行业中位数每小时300元估算，业界普遍认为需要超过1,000万小时的高质量数据才能实现类似GPT-3.0的突破，对应百亿量级的视频数据市场[3] - **整体规模**：预计2026年数据产业整体订单规模约10亿元人民币；中期维度市场规模有望达到百亿量级；远期随着模型持续迭代对数据需求不断增长，市场空间可能扩展至千亿甚至万亿级别[1][3][4] （三）具身智能数据与传统大模型数据的四大区别 - **多模态与完善性**：除视觉信息外，还需整合触觉、力觉甚至听觉等高精度模态数据[5] - **时空对齐**：对数据时空对称性要求远高于传统文本和图像数据[5] - **场景覆盖**：需覆盖足够多长尾场景，以保障模型通用性与泛化能力[5] - **质量优先于规模**：物理AI更依赖执行、验证和复现，高质量数据的重要性超过单纯数据量堆砌[1][5] （四）产业发展现状 - 国内自2024年下半年起，地方及国家层面已开始规划布局数据产业，北京和上海智源等机构联合产业联盟启动数据工厂建设[5] - 2025年各省市密集部署针对人形机器人或具身智能的数据采集项目，代表性项目包括上海张江异构人形训练场和北京石景山训练场[5] - 资本层面积极布局，宇树科技G1等适用于数据采集的产品已实现批量销售；国际上Figure高度重视数据采集，C轮融资额中预计15%-20%投向该领域，近期头部初创公司在此方面资本开支预计可达1（单位原文未完整披露）[5] （五）四种主流数据采集技术路线及优劣势 - 机器人所需数据可分为真实数据、合成数据和互联网/纯人类数据三类，规模依次递增，成本和精度依次递减[6] - **遥操作**：物理真实性和动作精度最高，但成本高、效率低，属重工业模式，通常用于模型训练后期关键环节，以调整和验证机器人精细操作性能[6] - **Ego第一人称视频**：部署门槛最低，可通过众包模式快速提升数据规模（如向市民发放头戴设备采集），劣势在于后期数据清洗、标注、治理和部署挑战较高，主要用于大规模预训练及前中段精度示范[6] - **仿真合成数据**：产能无限，可快速复制、无限扩展，有效覆盖长尾场景并实现自动标注，主要劣势是存在难以跨越的"Sim-to-Real"鸿沟；若该问题解决，将是快速提升数据规模并保证一定质量的通用采集方式[6] - **便携式无本体**：与Ego类似，能较好兼顾数据质量与成本，未来有潜力成为主流数据生产方式之一，劣势在于末端视野受摄像头范围限制且可能缺少部分物理信息，主要应用于大规模预训练和示范流程[6][7] （六）产业链核心受益环节与投资逻辑 - **上游数采设备**：产业的"最大公约数"，格局相对清晰，将率先受益；核心产品包括相机、惯性测量单元、力觉/触觉传感器（如电子皮肤、力矩传感器）等；投资应选择具有明确卡位优势的核心零部件厂商[7] - 奥比中光：全球深度相机市场领导者，2026年机器人相关收入预计达4-5亿元，2027年有望超过10亿元[7] - 华依科技与新动联科：IMU领域，易丰科技核心陀螺仪供应商[7] - **中游数据采集服务商**：将较快获得海内外头部模型厂商订单，核心壁垒在于是否拥有独立仿真平台能力，以及从数据采集、清洗、治理、标注到重定向的完整数据处理能力；投资应选择具备技术壁垒（如仿真资源优势）和早期大客户卡位优势的服务商[7] - 海天瑞声：数据标注和清洗领域多年技术积累，具备先发优势[7] - 利亚德：高精度光谱技术方面有望获得大客户订单[7] - **下游垂直领域应用**：长期最具潜力的方向，随着上中游技术壁垒突破，拥有场景壁垒、场景know-how及运维优势的垂域本体公司将成为优质"卖水者"；投资应关注能构建模型、数据与场景闭环能力的龙头企业，重点推荐天奇股份和亿嘉和[8] 三、其他重要但可能被忽略的内容 - 数据产业订单规模2026年约10亿元，与远期万亿级空间形成巨大反差，隐含行业处于极早期投入阶段的判断[1][3] - 遥操作被定位为"重工业模式"，暗示其难以成为规模化数据供给主力，仅适用于后期精调环节[6] - Ego方案提出众包模式（向市民发放头戴设备），暗示数据采集可能向消费级硬件延伸，带来潜在产业链外溢机会[6] - 仿真数据的核心风险被明确为"Sim-to-Real"鸿沟，该问题的解决进度是判断仿真路线能否成为通用采集方式的关键变量[6] - 便携式无本体方案被评价为"未来有潜力成为主流数据生产方式之一"，属于四种路线中唯一被明确点出主流化潜力的方案[6] - 中游服务商壁垒被强调为"独立仿真平台能力"加"全流程处理能力"双重条件，单一环节能力不足以构成壁垒[7] - 下游本体公司的定位是"卖水者"，即不直接竞争数据生产，而是依托场景闭环能力受益于数据产业链成熟[8]

物理AI数据服务电话会纪要关键要点总结 一、涉及行业与公司 - 行业为物理AI数据服务与具身智能数据产业，核心驱动力为VLA模型与世界模型迭代[1][19] - 公司为光轮，核心业务是为物理AI大模型和具身智能提供数据与仿真评测全链路服务，涵盖Ego-Suite采集、SIM仿真合成、评测及真机回流[2] - 国内第一梯队供应商为公司自身、智源旗下蜜蜂、鹿鸣；单点配套厂商包括诺亦腾（动捕增值样本）和帕西尼感知（触觉数据与工业真机数据）[30] - 海外对标公司包括Scale AI、Figure、特斯拉；国内客户包括智源、宇树、字节跳动、阿里、千寻、星动纪元、京东、华为、小米等[17][31][32] 二、核心观点与论据 （一）行业增长与需求爆发 - 2025年行业处于试点和POC验证阶段，2026年数据需求呈现百倍级增长而非简单翻倍，百万小时级订单成为常态[19] - 增长核心驱动力为VLA和世界模型集中迭代，以及英伟达、宇树、OpenAI等对物理AI路线的推动[19] - 订单形态从2025年零散POC转变为大量年度框架协议和复购订单[19] - 标准化Ego和UMI数据及校准仿真数据是增长主力，单价高、交付慢的定制工业数据占比提升但增速不及标准化产品[19] - 行业供给仍跟不上需求，缺口巨大[19] - 短期（未来一年）维持高增长但不会持续几十倍上百倍极端增速；中期（两年左右）增长驱动力转向工厂、物流等产业落地场景[19] - 长期看头部本体厂商真机大规模铺开后自身数据回流形成闭环，通用标品数据增速温和回落，但工业特种场景专属数据、评测基准及仿真基建需求周期更长，数据最终像算力一样成为物理AI行业常态化基础设施支出[19] （二）数据采集方式与适用场景 - Ego硬件为头戴及腕部相机、深度传感器和IMU，普通人直接用手操作，门槛较低，获取第一人称视觉、深度信息及双手关节姿态[5] - UMI为手持带相机、位置和力传感器的模拟夹爪，获取末端执行器六维位置、夹爪开合状态、末端相机画面及部分力信号，动作轨迹天然贴近机器人，映射损耗小，对齐成本较低，在抓取、插接、动态操作任务上效果较好[5] - 动捕需穿戴标记点动捕服在标定场地内动作，获取全身、双臂及手指关节高精度高真值空间坐标，动作真值数据最纯净，常作基准和标注，适用于灵巧手和双臂协同等高精度场景[5] - 三种方式并非相互替代而是组合使用：预训练阶段侧重Ego数据学习通用环境逻辑；机械臂策略微调阶段增加UMI数据配比以保证Sim-to-Real迁移；灵巧手精密装配场景搭配少量动捕数据作真值校准[5] - Ego数据主要用于预训练，适合环境理解、长任务规划、场景识别（寻找物品、整理台面、仓库导航、居家多步骤任务），因带完整上下文[9] - UMI数据适合末端操作策略微调（抓取、插接、装配等短操作），动作空间与机器人末端对齐、迁移损耗小，适用固定工位和标准化操作，不擅长长距离移动规划[9] - 动捕数据用于高精度真实标定（灵巧手精细操作校验），校准Ego或UMI跟踪误差，作标注基准[9] - 仿真合成数据专门补充极端、带干扰、长尾和危险边界场景[9] - 真机回流数据用于解决真实机器人落地中的未知故障和现场特有异常[9] （三）不同发展阶段的数据需求差异 - 实验室阶段模型处于预训练期，以Ego为主打底数据快速积累不同场景示范，UMI补充操作策略减少动作迁移损耗，少量动捕数据作标准答案检验跟踪和标注算法准确性，重点是样本多样性和基准数据纯净度，用量不必非常大[6] - 几千台规模量产阶段，主力数据变为真机回流数据和仿真合成数据，Ego和UMI转为补充角色；最有价值的是现场实际发生的失败、人工接管和异常轨迹，利用回流数据通过仿真批量生成同类型变体快速补齐边界场景[6] （四）国内外实践路径差异 - 底层技术相通但实践路径有差异，硅谷更倾向仿真优先策略，利用充足算力先仿真生成大量数据再用少量真实数据对齐校准[7] - Figure等公司采用招募普通人采集数据方式，适用于居家通用场景，基础世界模型团队追求通用泛化能力，对工业现场一致性要求相对不高[7] - 许多国外头部大模型团队倾向自建数据管线，外部供应商更多扮演单点素材供给角色[8] - 国内市场增速与美国市场存在差异：硅谷坚信堆叠海量Ego第一视角视频数据能推动通用世界模型发展，物理AI市场爆发式增长且基本不做仿真；国内客户更倾向虚实结合路线，对仿真数据需求占比更高，公司自身以仿真为主、Ego为辅[29] - 美国市场10倍增长是特定公司个案，不代表全行业所有参与者都能达到同等增速，该公司恰好抓住2026年标杆模型集中放量时间窗口，订单高度集中于少数头部客户[29] （五）客户结构与采购策略 - 纯大模型和世界模型客户是主要收入来源，约占公司业务60%[18] - 大模型公司外购比例通常达60%至70%，自产数据约占30%用于内部试点、特殊对照样本制作及通用数据集补充[25] - 机器人本体厂商自产比例高达80%甚至更高，外购比例仅20%甚至低至10%，外购主要为覆盖自身难以触及的特定场景，采购形式偏向定制化服务[25] - 纯大模型公司采购数据量更大、小时数更多，预训练需海量仿真数据，起步量级基本在几十万小时[17] - 智源2026年数据目标为千万小时级别，包括200万小时高质量真机数据和800万小时Ego数据，但自建了"蜜蜂"数据生产体系，大部分无本体采集和仿真数据内部解决，对外采购集中在少量定制化长尾场景，采购量不大[15][16] - 宇树更多采购Ego和真机遥操作类数据，核心策略是利用自身机器人本体直接产生的交互数据[16] - Figure主要通过第三方采买，大量依靠Scale AI进行数据采集，模式并非众包；特斯拉优先采用工厂真机数据飞轮模式，将大批量Optimus机器人部署在自家产线持续产生回流数据[17] - 大模型公司若达百万小时级别数据量，一年数据采购支出需达大几千万元级别，算力也属固定支出；人形机器人本体厂商最大开支在机器人硬件（电机、整机产线、整机集群和遥操作团队），外购数据预算弹性相对较大，资金充足时多采购长尾数据对照基准，资金紧张时优先压缩外部采购更多依赖自有真机数据回流[18] - 客户结构当前为大模型厂商占60-70%、本体厂商占20-30%、产业客户占10%，未来两到三年将演变为大模型厂商降至约50%、本体厂商维持20%多、产业场景客户提升至10%以上[27] - 机器人本体厂商未来普遍会采用VLA及世界模型架构，但数据采购策略不会根本改变，将坚持自建数据体系，自产比例不会有太大变化，但为训练世界模型对通用基准数据、跨场景Ego数据、仿真资产及中立评测服务需求品类会增多，外购数据占总数据量比例预计稳定在20%左右[26][27] - 纯大模型厂商短期内仍是第一大客户，但长期看许多大模型团队会逐步建立自己的真机集群和数据采集能力，其营收占比不会无限走高，未来趋于稳定甚至小幅回落[27] （六）数据定价与成本 - 标准Ego第一人称通用数据约每小时200至300元[14] - UMI数据约每小时200多至400元[14] - 仿真合成数据约每小时五六十元[14] - 动捕数据最贵，基本需每小时1,000多元[14] - 客户定制数据价格通常是标准品价格的两倍左右[14] - 数据定价主要依据使用权限、生产成本和稀缺程度，标准品按授权小时数和授权范围报价，定制定向数据采用项目制报价不对外二次售卖，成本和报价相对更高[14] - 真机遥操作数据规模化稳定运营后综合成本约每小时200元左右，数据标注是成本主要部分约占整体成本40%[22] - 长期看数据价格呈分层下降趋势，低质量裸视频数据价格大幅降低，包含物理校准信息、可用于评测的高标准数据价格具有较强抗跌性，不会陷入激烈价格竞争[22] - 数据采集设备本身非技术壁垒，真正难点在硬件配套时序对齐、多传感器融合及整套采集标注管线；硬件多为外购标准件辅以自研固件和同步算法[21] - 一套采集件价格从几千元到三万元不等，一套UMI设备约一两万元，搭建动捕棚需几十万元；公司采用集群式部署，硬件折旧周期较长；更大投入在采集场地、采集与标注人员、资产建模及仿真算力[21] - 与整机遥操作方案相比，ALOHA和UMI方案投入相对低很多[21] （七）数据量与模型成功率关系 - 数据量增加与成功率提升并非线性关系，边际效益逐步递减[23] - 数据量从100小时增加到500小时成功率涨幅最明显，大约从50%提升至65%[23] - 从500小时增加到1,000小时成功率仍稳步提升但增幅减小，通常从65%提升至75%区间，很难直接突破80%[23] - 继续单纯堆砌同质化示范数据至3,000至5,000小时，成功率提升非常缓慢，可能只是逐步"磨"到80%[23] - 模型能力提升关键在新增数据是否为模型真正缺失的失败样本和边界样本，若后续数据与已有数据分布相似、内容重复，总量再高成功率也基本不变[23] （八）公司业务结构与利润率 - 通用数据业务比例约占60%，专项定制数据比例约30%至40%[24] - 通用数据采集完成后相当于形成公司资产，复卖比例越高毛利率越高[24] - 标准化数据集利润率较高，达50%至60%[21] - 客户专属定制、一次性交付数据项目因无法复售，毛利率约30%左右[21] - RoboFinals评测订阅服务毛利在40%到50%之间[21] - 2026年全年收入预计在十几亿元人民币区间，2027年收入预计翻倍增长，2028年翻倍难度较大预计收入在30亿至40亿元之间，去年收入约20万元[28] （九）公司核心技术壁垒 - 第一，统一对齐的real-to-sim-to-real闭环体系，不同来源数据（Ego、UMI、动捕、仿真、真机回流）在EgoSuite规范下实现坐标系、时间戳和动作定义统一，可混合用于同一训练集，避免数据标准不一导致模型训练效果下降，属长期经验积累形成的壁垒难以单点复制[20] - 第二，具备物理校准能力的仿真评测平台SimFoundry，通过采集真实样本反推摩擦、阻尼、重量、刚度等物理参数确保仿真环境受真实数据约束，与市面仅注重渲染效果的仿真不同，构建稳定可自动化物理管线门槛较高[20] - 第三，数据生产负反馈指挥链，评测体系主动识别模型短板反向指导定向采集或生成特定场景缺失数据或失败样本，提供带质量检测和需求导航的生产线而非被动按需供货[20] - 公司长期积累大量标准化物理资产、任务模板和失败样本库，新进入者需投入大量时间和人力成本试错才能建立[20] - 最终壁垒在于能稳定、规模化输出确保模型学到物理因果关系、具备稳定学习信号的有效数据[20] （十）大厂自建数据能力的影响 - 长期看大型科技公司自建数据能力对行业整体是增量机会，但局部对单一环节供应商构成挤压[21] - 受挤压的是提供简单、单点素材采集服务的外包商，提供全链路服务并附带统一评测标准的基础服务商机会反而更大[21] - 大厂自建核心目的是构建与自身硬件和模型紧密绑定的私有核心数据集（小米人车家全生态场景、华为工业机器人、字节跳动世界模型），这部分核心数据不会外购，会减少对低端单点采集服务需求[22] - 大厂外部需求包括：跨本体跨场景通用基准数据集用于消融实验和对标测试；长尾危险小众工业场景定向采购；通过客观第三方评测体系衡量模型真实能力；自建产能优先满足内部快速迭代，行业整体需求增速远超大厂自产能力，市场缺口依然巨大[22] - 大厂入局提升赛道共识度，催生和养活一大批不具备自建完整数据闭环能力的中小型原生模型开发团队，直接成为公司核心客户[22] （十一）数据质量评判标准 - 静态质检：检查时序是否对齐（时间戳、位置、深度、接触信号是否同步）、标注口径是否统一、有无漏标错标、是否符合脱敏和版权合规要求[12] - 分布校验：评估样本是否符合需求分布，场景、物体、任务和干扰多样性是否足够，是否存在大量重复或样本偏科，分布性差的数据即便单条质量再好也会被评为低质量[12] - 小模型训练验证：拿一小批数据做消融实验，微调模型后观察抓取成功率和任务完成率是否提升，若数据看似规范但模型无法学到有效信息则视为无效数据[13] - 基于标准化评测基准打分，如RoboFitness工具在固定任务基准上量化模型成功率、抗干扰能力和容错能力，可跨批次、跨数据源横向对比[13] （十二）大模型公司数据需求特点与交付方式 - OpenAI类纯大模型团队核心目标是构建通用世界模型，优先考虑统一时序标准、因果关系完整性、可评测性及交互轨迹多样性，而非单纯堆砌抓取视频[10] - 交付以Ego第一视角数据为主，强调完整任务上下文、环境变化和人的决策逻辑，用于学习物理常识和长任务规划，以UR5数据作末端操作样本补充[11] - 数据须为包含"动态-动作-结果反馈"的完整时序轨迹，位置、触觉信号、时间戳等严格对齐，标注口径全程统一[11] - 对多样性要求极高（物体摆放、光照、材质多变性），要求长尾场景样本充足，但对单一工业产线定制化场景需求不高[11] - 非常看重可评测性，要求配套提供基准集和评测指标，对数据版权、脱敏和可商用性审核非常严格[11] - 交付方式包括标准化数据产品授权（已打包EgoSuite通用家居或轻仓储任务库）、按指定任务清单定向采集和仿真联合生成、开放RoboFitness等评测接口供训练后运行基准任务量化模型能力并反向指导数据迭代补充[11] （十三）世界模型对异构数据与硬件的拉动 - 世界模型发展极大推动异构数据需求，带动相关硬件市场增长[32] - 世界模型和VLA模型瓶颈不仅在RGB视觉画面，更关键的是缺乏与物理世界交互的数据（接触力、摩擦力、滑移等物理反馈）[32] - Ego视角摄像头只能理解场景，触觉手套、触觉阵列及腕部3D相机等设备专门补充"如何操作"及"使用多大力度"等关键交互模态信息[32] - 京东布局千万小时级别的人手示教采集项目将直接大规模拉动上游硬件订单需求，对整个产业链起显著推动作用[32] 三、其他重要但可能被忽略的内容 - 公司服务流程四环节为Ego-Suite数据采集、仿真批量扩量、标准化评测、真机部署与异常回流[3] - Ego-Suite通过真人佩戴头戴式主视角设备和腕部俯视角设备采集，同步录入RGB图像、深度图、手部关节位置、接触时序和作用力信号，经时序对齐和结构化标注输出包含状态、动作、结果反馈的完整交互轨迹而非零散画面[3] - 公司为通用场景提供标准化样本，也为客户专属场景提供上门定向采集服务，该部分数据归属客户不进行二次售卖[3] - 仿真环节首先用真实采集样本反向标定物体摩擦、阻力、重量、刚度等物理参数，校准后可自动生成不同光照、摆放位置、材质或增加干扰物条件下的任务轨迹数据，成本低可无限生成极端边缘案例，但前提是必须有真实数据校准物理参数，否则仿真数据物理属性失真导致Sim2Real失效[4] - 评测环节是标准化质检体系，如同为模型组织标准化考试，在同一任务基准下自动化评估成功率、抗干扰能力、容错边界和失败类型，评测结果反向输出指导针对性采集或生成所需数据，避免盲目堆砌[4] - 真机回流数据两个关键作用：补充稀有失败样本用于持续训练；反向校准仿真环境物理参数修正仿真与真实世界偏差[4] - 国内专业物理AI数据服务供应商第一梯队为公司自身、蜜蜂和鹿鸣，鹿鸣在无秘钥、无本体采集及标准化交付方面做得较好[30] - 头部大模型和世界模型厂商（字节跳动、阿里、千寻、星动纪元等）数据采购策略为混合式，大量采购仿真数据同时少量采购Ego及交互式数据，按数据类型组合供应商，仿真数据方面公司较有优势，真机、Ego、触觉交互数据方面蜜蜂、帕西尼感知和鹿鸣是主要选择[31] - 目前整个市场仍处早期发展阶段，尚未形成任何一家独大的垄断格局[31]