中國人形機器人競賽卡在「資料荒」：硬體之外的自主瓶頸

中國人形機器人的關鍵瓶頸，正逐漸從「造不出硬體」轉向「沒有足夠資料」。機器人或許已能走路、跳舞，甚至在精心準備的環境中完成一連串示範；但要在真實世界可靠地自主工作，還需要更難取得的資料：機器如何感知、移動、接觸物體、犯錯，以及在失敗後修正和復原。這些資料必須具備合法使用條件、足夠多樣性和高品質，不能只是大量影片的堆積。514

2026 世界機器人大會（WRC）清楚呈現了這種轉向。展場除了吸睛的機器人示範，也出現遙操作設備、穿戴式動作捕捉、觸覺與力覺感測系統，以及專門收集機器人學習資料的基礎設施。換句話說，產業開始把「如何餵養機器人的大腦」視為與打造機器人身體同等重要的工程。4913

真實世界的資料缺口有多大？

WRC期間業界反覆引用的數字顯示，中國目前可取得、符合規範的真實世界實體互動資料約為 50萬小時；而要訓練具備商業實用性的通用型具身模型，往往會談到 數千萬小時 的需求。兩者相較，短缺幅度超過99%。357

不過，這應被視為產業估算，而不是放諸四海皆準的科學門檻。實際需要多少資料，會取決於任務類型、機器人平台、運作環境與安全標準。簡單的固定動作，與要在家庭、工廠或公共場所處理大量變化的通用模型，所需規模自然不同。

問題在於，實體互動資料不能用一般網路資料取代。影片可以拍到人拿起一個杯子，卻通常沒有記錄機器人的關節狀態、握力、接觸時間、摩擦力、打滑情況或中途修正。偏偏正是這些細節，決定機器人能否在杯子更重、桌面濕滑，或物件位置改變時，仍然成功完成動作。

為什麼精彩示範不等於自主？

一套經過排演的流程，可能把機器人最棘手的問題藏在幕後。物件、燈光、行走路線和動作時間都可以預先控制；一旦出現意外，也可能由人類操作員即時介入。最後呈現出的畫面看似自主，卻未必證明機器人已經學會穩健的「感知到行動」策略。

商業部署要求更高。機器人必須應付不同的物件形狀、抓取位置、材質、雜亂環境和周遭人員，還要能辨認錯誤並自行恢復。對於需要頻繁接觸物體的任務，重要的並不只是最後有沒有達成目標，而是整個過程中的觀察、動作、物理狀態和修正方式。為此，專門設計的實體人工智慧資料集，會把多模態觀察與動作及其後果連結起來。333440

資料收集為何越來越難？

早期的機器人學習資料集，可以集中在短小、重複性高的示範。下一階段則是更長、步驟更多，且充滿實體接觸的工作，例如抓取與分類、組裝、包裝、清潔，以及家庭、商店、工廠和服務場所中的各種任務。

這會從三方面增加資料負擔：

• 變化更多： 同一項任務必須在不同物件、布局、材質和環境條件下反覆記錄。
• 必須保留失敗： 打滑、碰撞、抓取失敗和復原嘗試，可能與成功示範同樣有價值。33
• 訊號必須同步： 攝影機、深度資料、機器人姿態、關節運動、力量、觸覺等感測串流，必須精準對齊，模型才能學會感知如何對應到行動。

擴大規模並不容易。真實機器人的操作成本高，實體實驗需要安全控制，而高品質資料也必須經過篩選與整理，不能只是「收得越多越好」。一個龐大的影片庫，並不會自動變成好用的機器人訓練資料集。

新興的機器人資料供應鏈

專業訓練資料供應商正逐步填補「人類行為」與「機器可用資料」之間的空隙。它們可能負責招募和訓練操作員、遙控機器人、捕捉人類動作、為任務加裝感測器、同步感測串流、剔除品質不佳的軌跡，再將資料整理成模型開發者可使用的格式。

遙操作的價值，在於它記錄的是人類如何操作一台真實機器人，而不只是拍攝人類做出類似動作。VR或其他通用控制器可以將人類輸入轉換為機器人指令；穿戴式裝置和動作捕捉系統，則能收集更高維度的人體、手臂與手部運動，再將其映射到機器人身上。1

這使具身人工智慧出現一個新的供應層：企業不只製造機器人和訓練模型，也開始生產連接兩者的示範資料與感測記錄。WRC參展商已把資料收集明確放在具身智慧技術堆疊之中，包括利用頭部和手部感測器，記錄人們在日常活動中的動作。49

為什麼要在全國建立訓練場？

訓練場提供受控、但比實驗室更貼近現實的環境，讓機器人能夠訓練、測試和比較。這些場地可以重現工廠、倉庫、住宅、商業空間和公共服務場所，讓開發者取得可重複的真實情境，同時避免把問題簡化成單純的實驗室流程。

根據中國信息通信研究院2026年報告相關報導，截至6月底，中國全國已有逾 70個 具身人工智慧訓練場投入運作，另有 46個 在建或規劃中。這些場地已覆蓋超過半數省級行政區；在已報告的訓練場中，工業製造是最常見的應用，出現比例為86%。1822

但訓練場建成只是第一步，更重要的是實際使用。它們的目的應是成為資料資源基地和實景測試平台，而不只是另一批展示場館。理想運作循環是：真實世界訓練產生資料，資料改善模型，模型支援更廣泛部署，而部署又帶來更多運作資料。1422

政策把機器人推離展示廳

中國工業和信息化部與國務院國有資產監督管理委員會在2026年推出人形機器人與具身人工智慧實景實訓專項行動，涵蓋工業、服務和特種場景，包括製造、物流、醫療、公共服務與應急工作。2425

政府公告提出的目標包括在2026年底前推動 1萬台人形機器人 商業化落地，以及形成超過 100個高價值應用場景。26 這套政策的思路，是把部署本身變成訓練基礎設施的一部分：鼓勵地方政府和國有企業提供實際工作環境，讓系統在運作條件下接受測試、驗證和改進。24

這些目標並不保證機器人一定能按期達標，也不代表它們會因此立即具備廣泛自主能力。但政策重點確實已超越硬體生產，轉向商業可靠性所需的「資料—部署」閉環。

為什麼不能只靠影片、文字或自駕資料？

影片與語言資料仍然有用。它們可以幫助模型理解物件是什麼、指令代表什麼，以及人類動作大致如何進行。模擬則能以較低成本擴大資料量，並涵蓋一些不宜或難以在現實中重現的情境。相關研究也指出，具身資料標準應結合真實世界資料、模擬資料和多種感測模態，而不是依賴單一來源。232

然而，這些資料無法完整描述機器人的控制問題。以操作物件為例，機器人可能需要估算：

• 物件在三維空間中的位置與方向；
• 自身關節角度、速度和機械反應；
• 抓取、推動、插入或提起物件所需的力量；
• 接觸、打滑或碰撞發生的時間；以及
• 預期動作未能奏效時，應如何調整。

因此，多種收集方式各有作用：

• VR遙操作： 記錄人類透過介面示範的機器人指令，並映射到機器人的動作。1
• 穿戴式動作捕捉： 捕捉人體、手臂和手部的動作意圖，再轉換到機器人身上。1
• 力覺回饋與觸覺感測： 揭示普通影像可能遺漏的接觸、阻力、壓力和打滑。733
• 馬達扭矩與本體感覺資料： 顯示機器人的內部狀態，以及機械結構在動作中的實際反應。3946
• 真實機器人軌跡： 暴露校準誤差、延遲、感測雜訊、機械限制和混亂環境；這些因素只能由人類影片或模擬近似呈現。3234

自動駕駛資料可以協助感知和導航，但靈巧操作涉及不同的動作空間。駕駛主要以車輛為中心，且通常避免與大多數物件持續接觸；抓取、插入和組裝等任務，則高度依賴接觸力、柔順性與失敗復原能力。

超越舞台示範，關鍵在資料閉環

WRC 2026帶來的訊息，不是中國不再重視機器人硬體，而是硬體單獨無法填補自主化差距。未來競爭優勢，可能越來越屬於那些能夠大規模收集、標準化，並在合法前提下使用多模態實體互動資料的組織。

對中國人形機器人產業而言，從舞台示範和遙控機器走向可靠自主，必須同時具備真實部署、受訓操作員、裝備感測器的環境、共享資料標準，以及持續反覆測試的能力。這條供應鏈正在形成；但從數十萬小時走向商業化常被提及的數千萬小時，仍是產業眼前最核心的限制。31314