简短回答： 物理 AI 是在物理世界中行动的 AI —— 机械臂、人形机器人、仓储系统、自主机器 —— 它的模型学习方式与语言模型从文本中学习如出一辙：来自海量被记录下来的经验。数据有四种形态：机器人演示（通常由遥操作产生）、第一人称人类视频、仿真回合，以及让这一切变得可学习的标注层。最稀缺的投入不是硬件，而是规模化的人类演示，这也是围绕它的供应行业能在两年内成形的原因。
核心要点
- 物理 AI 把基础模型的配方用在会行动的机器上，而它的硬约束是演示数据：世界上没有一个“动作的互联网”，所以每一条演示都得由人做出来。
- 支撑这一领域的有四类数据 —— 遥操作演示、第一人称人类视频、仿真回合，以及让这些数据流变得可学习的标注层。
- 规模要求正是这场淘金热的缘由：旗舰开放数据集 DROID 拥有 76,000 个演示片段，而业界估计，人形机器人要实现泛化，每一类任务可能需要 100,000 到 1,000,000 条演示。
- 供应方分成四类：自建采集车间的前沿实验室、机器人数据的纯玩家、向具身智能延伸的成熟 AI-数据公司，以及提供共同地基的开放生态。
- 按采购标注的方式来采购它，因为其中大部分本来就是标注：操作员培训、QA 证据、同意书的处理，以及单条演示的经济性，并且从第一条演示起就保留来源记录。
物理 AI 到底是什么？
物理 AI，也称具身 AI，是这样一类系统：它们的输出是世界中的动作，而不是屏幕上的文字 —— 抓取与装配的机械臂、为仓库和家庭打造的人形机器人、在场地中导航的移动机器人，以及会看、会判断、会移动的机器。
变化发生在底层架构，这也是这个词在 2025 与 2026 年间迅速升温的原因。机器人学过去是针对具体任务的工程：一台机器人，一套写死的流程。当下这一代改用基础模型的配方，在海量演示语料上训练大模型，使其能跨任务、跨物体、跨本体泛化。前沿机器人实验室的视觉-语言-动作模型走的正是这条路，背后还有 像 Open X-Embodiment 这样的开放跨本体数据集，它们汇集了数十种机器人型号的演示数据。CB Insights 如今还维护着一份 物理 AI 模型市场图谱 ，收录了构建这些基础层的公司。
这个领域用在自己身上的类比很好用：语言模型有互联网这个免费语料库，物理 AI 却没有一个“动作的互联网”。每一条演示都得做出来。这正是经济账落在数据故事而非机器人故事上的原因，也是这个行业读起来如此像早年标注市场的原因 —— 我们在 多语种采集的经济学如何运作.
为什么一切都归结到训练数据？
因为动作数据的稀缺程度是文本从未有过的，而且规模要求极为苛刻。
参考数字说明了一切。DROID 是该领域旗舰级的开放操作数据集之一，它拥有 涵盖 564 项任务的 76,000 个演示片段 —— 这是一项浩大的采集工程，但对照该领域自己的估计，它仍只是一个零头： 人形机器人要实现泛化，每一类任务可能需要 100,000 到 1,000,000 条演示。前沿厂商的做法也印证了这一点：据报道，Physical Intelligence、Google DeepMind 与 Skild AI 都在数据采集上投入了数千万美元。
稀缺催生了一个全新的供应行业。专做遥操作数据的初创公司正在快速融资 —— xDOF 于 2026 年 6 月带着 $70M 亮相 ，专门出售机器人演示数据 —— 而拍摄人类劳动来训练机器的“数据工厂”，也已成为一个被认可的品类。Scale AI 的物理 AI 部门如今宣称 每天采集 1,000+ 小时的演示数据 ，依靠数据工厂、住宅采集与现场部署的平台。各家分析口径一致，其中也包括 ISF 把机器人数据管线视为国家竞争议题的论述：谁能有质量地解决演示数据的供给，谁就掌握了瓶颈。
本博客的读者对这个模式不会陌生。它就是 高资源语言与低资源语言的分野 在动作领域的重演：能力跟着数据密度走，而市场愿意为谁买单，取决于谁能调动受过训练的人把数据做出来。
物理 AI 数据有哪四类？
支撑这一领域的是四类数据：遥操作机器人演示、第一人称人类视频、仿真回合，以及让前三者变得可学习的标注层。认真的项目会采购组合，而不是押注其中一种。
机器人演示（遥操作）。 由受过训练的人操控机器人完成一项任务 —— 抓取、放置、折叠、装配 —— 产生相机画面、关节状态与动作的同步数据流。这是操作学习的黄金标准，按演示片段计价，质量取决于操作员的技能与任务的多样性。灵巧的精细手指演示是最稀缺、价值也最高的一档。
第一人称人类视频。 头戴或胸挂相机，记录人用自己的双手完成任务。它比遥操作更便宜也更快，存在本体不匹配的问题，但作为预训练信号正变得越来越可用，这也是 Scale 如今推出 无机器人的第一人称采集平台 与其遥操作业务并行。Centific 与 Shaip 也记录了同样的流程形态，分别用于 人形机器人 和 操作 数据。
仿真回合。 由物理引擎生成的合成片段，边际成本几乎为零，对运动控制与罕见事件的覆盖不可或缺，但它受制于仿真与现实之间的落差：纯粹在仿真中训练出的策略，碰上真实的摩擦、光照与杂乱就会失手。各处通行的做法是：用仿真拿广度，用真实演示拿锚点 —— 这与我们在 合成文本数据.
标注层。 上面每一种数据流都需要标注才能被学习：任务切分、成败判定、物体与手部标注、演示的质量过滤、为片段配上语言指令。这是典型的数据运营工作 —— 黄金集、一致性、QA 分层，也就是 把标注从试点扩大到生产 —— 应用于视频与传感器数据流，而这正是多数采购方预算不足的一层。我们关于 面向机器人与物理 AI 的标注 对这一层做了详细说明。
| 数据类型 | 作用 | 稀缺要素 |
|---|---|---|
| 遥操作演示 | 为操作能力提供现实锚点 | 受过训练的操作员 |
| 第一人称人类视频 | 预训练广度 | 任务多样性、使用权 |
| 仿真回合 | 覆盖广度、罕见事件 | 仿真到现实的逼真度 |
| 标注层 | 让其余数据变得可学习 | QA 纪律 |
这个市场有多大，数据又值多少钱？
机器人训练数据市场的绝对规模不大，却在快速复利增长，其中约 60% 是采集服务而非软件。随着运营趋于专业化，单条演示的成本正逐年大幅下降。
最常被引用的走势来自一份 机器人数据市场分析 ，它把这一细分市场的规模放在 2024 年约 $300M、2025 年约 $500M，并预计到本十年末将达到数十亿美元。单位经济性的走势，与早年的标注定价如出一辙。
这些数字旁边该摆上诚实的附注。它们出自某家供应商自己的市场分析，背后的分析来源并未具名，预测也假定了仍有争议的人形机器人落地时间表。把曲线的形状当作信号，把小数点后的部分当作营销。能够独立佐证的是方向：某家遥操作数据初创公司拿到 $70M 的专项融资、前沿实验室自建采集农场，以及供应商层形成之快，已经让 物理 AI 数据供应商盘点 如今已经自成一类。
谁在采集和标注物理 AI 数据？
供应方分成四类：自建采集车间的前沿机器人实验室、出售演示数据的机器人数据纯玩家、向具身智能延伸的成熟 AI-数据公司，以及提供共同预训练地基的开放生态。
前沿机器人实验室，自建自用。 Figure、Physical Intelligence、1X、Agility、Apptronik 以及各大科技实验室都自建采集车间。这是能力标杆，而不是开放市场。
机器人数据专营厂商。 新兴的纯玩家：遥操作车间与第一人称采集方，例如 xDOF 及其同行，报价可达每月数万条演示，再加上 Scale AI 的物理 AI 部门 运营数据工厂与分布式采集。
向具身智能延伸的 AI 数据公司。 成熟的数据行业正在进场，因为这套技术栈的大部分本来就是它的主场。 Centific 和 Shaip 都发布了人形机器人与操作方面的产品。 Lifewood 经营的正是采集与标注这一层 —— 托管式人类数据采集，以及视频与传感器标注环节 —— 依托覆盖 30+ 个国家的交付网络，而其中可迁移的能力，恰恰就是这个市场最缺的：大规模招募与培训人力、按规格执行采集，并对产出的数据流保持 QA 纪律。 大规模视频标注 方面的经验可以直接迁移。对第一人称采集项目来说，地域分布尤其重要，因为横跨住宅、厨房、仓库与不同文化的任务多样性是一个数据维度，而不是后勤细节 —— 这也正是 按地区变体界定范围 支配语音采集的同一个原因。
开放生态。 Open X-Embodiment、DROID 与 LeRobot hub 提供了共同的地基。它们是必不可少的预训练底料，却不会让任何人形成差异化。
采购要点与标注如出一辙。评判供应商要看已经证实的产能、操作员培训、QA 证据，以及权利与同意的处理方式 —— 第一人称视频拍下的是人们的工作生活，因此 敏感数据上的安全采集 完全适用 —— 而不是看宣传册上罗列的机器人数量。
如果你的路线图涉及物理 AI，该怎么做？
先确定自己处在哪一层，按多种数据类型的组合而不是单一类型来编制预算，在采购训练数据之前先建好评测集，并在承诺大批量之前先用几百条演示做采集试点。
先确定你所处的层级。 做模型，就需要演示数据的规模；部署机器人，就需要针对具体任务的微调数据与评测；为生态供货，就需要采集能力。数据计划因所处的层级而异，项目出问题，往往是因为没有把这一层说清楚。
按组合编制预算，而不是只买一种。 仿真用于覆盖广度，第一人称用于预训练的体量，遥操作用于提供现实锚点，而标注贯穿这一切。项目失败，往往是因为在某一条赛道上买得太多。
从评测集开始。 在投入任何训练数据预算之前，先按一套稳定的评分标准，准备几百个由人工评判的任务片段。
先做小规模采集试点 —— 几百个演示片段 —— 以便在代价还低的时候就发现任务规格与 QA 上的问题。 先试点再上产线 这条规则可以原封不动地迁移过来。
从第一天起就把权利与同意写进采集方案： 操作员合同、拍摄同意书，以及真实工作场所影像的存放地条款。
每季度跟踪单条演示的经济性。 价格在稳步下降，长期固定价格的承诺会越来越对交易对手有利。
保留来源标签 —— 仿真、第一人称视角还是遥操作，采集地点、操作员 —— 因为日后的排查与审计都要依赖这些信息。