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]