簡短回答： 物理 AI 是在物理世界中行動的 AI —— 機械臂、人形機器人、倉儲系統、自主機器 —— 它的模型學習方式與語言模型從文本中學習如出一轍：來自海量被記錄下來的經驗。數據有四種形態：機器人演示（通常由遙操作產生）、第一人稱人類視頻、仿真回合，以及讓這一切變得可學習的標註層。最稀缺的投入不是硬件，而是規模化的人類演示，這也是圍繞它的供應行業能在兩年內成形的原因。
核心重點
- 物理 AI 把基礎模型的配方用在會行動的機器上，而它的硬約束是演示數據：世界上沒有一個“動作的互聯網”，所以每一條演示都得由人做出來。
- 支撐這一領域的有四類數據 —— 遙操作演示、第一人稱人類視頻、仿真回合，以及讓這些數據流變得可學習的標註層。
- 規模要求正是這場淘金熱的緣由：旗艦開放數據集 DROID 擁有 76,000 個演示片段，而業界估計，人形機器人要實現泛化，每一類任務可能需要 100,000 到 1,000,000 條演示。
- 供應方分成四類：自建採集車間的前沿實驗室、機器人數據的純玩家、向具身智能延伸的成熟 AI-數據公司，以及提供共同地基的開放生態。
- 按採購標註的方式來採購它，因為其中大部分本來就是標註：操作員培訓、QA 證據、同意書的處理，以及單條演示的經濟性，並且從第一條演示起就保留來源記錄。
物理 AI 到底是什麼？
物理 AI，也稱具身 AI，是這樣一類系統：它們的輸出是世界中的動作，而不是屏幕上的文字 —— 抓取與裝配的機械臂、為倉庫和家庭打造的人形機器人、在場地中導航的移動機器人，以及會看、會判斷、會移動的機器。
變化發生在底層架構，這也是這個詞在 2025 與 2026 年間迅速升溫的原因。機器人學過去是針對具體任務的工程：一臺機器人，一套寫死的流程。當下這一代改用基礎模型的配方，在海量演示語料上訓練大模型，使其能跨任務、跨物體、跨本體泛化。前沿機器人實驗室的視覺-語言-動作模型走的正是這條路，背後還有 像 Open X-Embodiment 這樣的開放跨本體數據集，它們彙集了數十種機器人型號的演示數據。CB Insights 如今還維護著一份 物理 AI 模型市場圖譜 ，收錄了構建這些基礎層的公司。
這個領域用在自己身上的類比很好用：語言模型有互聯網這個免費語料庫，物理 AI 卻沒有一個“動作的互聯網”。每一條演示都得做出來。這正是經濟賬落在數據故事而非機器人故事上的原因，也是這個行業讀起來如此像早年標註市場的原因 —— 我們在 多語種採集的經濟學如何運作.
為什麼一切都歸結到訓練數據？
因為動作數據的稀缺程度是文本從未有過的，而且規模要求極為苛刻。
參考數字說明了一切。DROID 是該領域旗艦級的開放操作數據集之一，它擁有 涵蓋 564 項任務的 76,000 個演示片段 —— 這是一項浩大的採集工程，但對照該領域自己的估計，它仍只是一個零頭： 人形機器人要實現泛化，每一類任務可能需要 100,000 到 1,000,000 條演示。前沿廠商的做法也印證了這一點：據報道，Physical Intelligence、Google DeepMind 與 Skild AI 都在數據採集上投入了數千萬美元。
稀缺催生了一個全新的供應行業。專做遙操作數據的初創公司正在快速融資 —— xDOF 於 2026 年 6 月帶著 $70M 亮相 ，專門出售機器人演示數據 —— 而拍攝人類勞動來訓練機器的“數據工廠”，也已成為一個被認可的品類。Scale AI 的物理 AI 部門如今宣稱 每天採集 1,000+ 小時的演示數據 ，依靠數據工廠、住宅採集與現場部署的平臺。各家分析口徑一致，其中也包括 ISF 把機器人數據管線視為國家競爭議題的論述：誰能有質量地解決演示數據的供給，誰就掌握了瓶頸。
本博客的讀者對這個模式不會陌生。它就是 高資源語言與低資源語言的分野 在動作領域的重演：能力跟著數據密度走，而市場願意為誰買單，取決於誰能調動受過訓練的人把數據做出來。
物理 AI 數據有哪四類？
支撐這一領域的是四類數據：遙操作機器人演示、第一人稱人類視頻、仿真回合，以及讓前三者變得可學習的標註層。認真的項目會採購組合，而不是押注其中一種。
機器人演示（遙操作）。 由受過訓練的人操控機器人完成一項任務 —— 抓取、放置、摺疊、裝配 —— 產生相機畫面、關節狀態與動作的同步數據流。這是操作學習的黃金標準，按演示片段計價，質量取決於操作員的技能與任務的多樣性。靈巧的精細手指演示是最稀缺、價值也最高的一檔。
第一人稱人類視頻。 頭戴或胸掛相機，記錄人用自己的雙手完成任務。它比遙操作更便宜也更快，存在本體不匹配的問題，但作為預訓練信號正變得越來越可用，這也是 Scale 如今推出 無機器人的第一人稱採集平臺 與其遙操作業務並行。Centific 與 Shaip 也記錄了同樣的流程形態，分別用於 人形機器人 和 操作 數據。
仿真回合。 由物理引擎生成的合成片段，邊際成本幾乎為零，對運動控制與罕見事件的覆蓋不可或缺，但它受制於仿真與現實之間的落差：純粹在仿真中訓練出的策略，碰上真實的摩擦、光照與雜亂就會失手。各處通行的做法是：用仿真拿廣度，用真實演示拿錨點 —— 這與我們在 合成文本數據.
標註層。 上面每一種數據流都需要標註才能被學習：任務切分、成敗判定、物體與手部標註、演示的質量過濾、為片段配上語言指令。這是典型的數據運營工作 —— 黃金集、一致性、QA 分層，也就是 把標註從試點擴大到生產 —— 應用於視頻與傳感器數據流，而這正是多數採購方預算不足的一層。我們關於 面向機器人與物理 AI 的標註 對這一層做了詳細說明。
| 數據類型 | 作用 | 稀缺要素 |
|---|---|---|
| 遙操作演示 | 為操作能力提供現實錨點 | 受過訓練的操作員 |
| 第一人稱人類視頻 | 預訓練廣度 | 任務多樣性、使用權 |
| 仿真回合 | 覆蓋廣度、罕見事件 | 仿真到現實的逼真度 |
| 標註層 | 讓其餘數據變得可學習 | QA 紀律 |
這個市場有多大，數據又值多少錢？
機器人訓練數據市場的絕對規模不大，卻在快速複利增長，其中約 60% 是採集服務而非軟件。隨著運營趨於專業化，單條演示的成本正逐年大幅下降。
最常被引用的走勢來自一份 機器人數據市場分析 ，它把這一細分市場的規模放在 2024 年約 $300M、2025 年約 $500M，並預計到本十年末將達到數十億美元。單位經濟性的走勢，與早年的標註定價如出一轍。
這些數字旁邊該擺上誠實的附註。它們出自某家供應商自己的市場分析，背後的分析來源並未具名，預測也假定了仍有爭議的人形機器人落地時間表。把曲線的形狀當作信號，把小數點後的部分當作營銷。能夠獨立佐證的是方向：某家遙操作數據初創公司拿到 $70M 的專項融資、前沿實驗室自建採集農場，以及供應商層形成之快，已經讓 物理 AI 數據供應商盤點 如今已經自成一類。
誰在採集和標註物理 AI 數據？
供應方分成四類：自建採集車間的前沿機器人實驗室、出售演示數據的機器人數據純玩家、向具身智能延伸的成熟 AI-數據公司，以及提供共同預訓練地基的開放生態。
前沿機器人實驗室，自建自用。 Figure、Physical Intelligence、1X、Agility、Apptronik 以及各大科技實驗室都自建採集車間。這是能力標杆，而不是開放市場。
機器人數據專營廠商。 新興的純玩家：遙操作車間與第一人稱採集方，例如 xDOF 及其同行，報價可達每月數萬條演示，再加上 Scale AI 的物理 AI 部門 運營數據工廠與分佈式採集。
向具身智能延伸的 AI 數據公司。 成熟的數據行業正在進場，因為這套技術棧的大部分本來就是它的主場。 Centific 和 Shaip 都發布了人形機器人與操作方面的產品。 Lifewood 經營的正是採集與標註這一層 —— 託管式人類數據採集，以及視頻與傳感器標註環節 —— 依託覆蓋 30+ 個國家的交付網絡，而其中可遷移的能力，恰恰就是這個市場最缺的：大規模招募與培訓人力、按規格執行採集，並對產出的數據流保持 QA 紀律。 大規模視頻標註 方面的經驗可以直接遷移。對第一人稱採集項目來說，地域分佈尤其重要，因為橫跨住宅、廚房、倉庫與不同文化的任務多樣性是一個數據維度，而不是後勤細節 —— 這也正是 按地區變體界定範圍 支配語音採集的同一個原因。
開放生態。 Open X-Embodiment、DROID 與 LeRobot hub 提供了共同的地基。它們是必不可少的預訓練底料，卻不會讓任何人形成差異化。
採購要點與標註如出一轍。評判供應商要看已經證實的產能、操作員培訓、QA 證據，以及權利與同意的處理方式 —— 第一人稱視頻拍下的是人們的工作生活，因此 敏感數據上的安全採集 完全適用 —— 而不是看宣傳冊上羅列的機器人數量。
如果你的路線圖涉及物理 AI，該怎麼做？
先確定自己處在哪一層，按多種數據類型的組合而不是單一類型來編制預算，在採購訓練數據之前先建好評測集，並在承諾大批量之前先用幾百條演示做採集試點。
先確定你所處的層級。 做模型，就需要演示數據的規模；部署機器人，就需要針對具體任務的微調數據與評測；為生態供貨，就需要採集能力。數據計劃因所處的層級而異，項目出問題，往往是因為沒有把這一層說清楚。
按組合編制預算，而不是隻買一種。 仿真用於覆蓋廣度，第一人稱用於預訓練的體量，遙操作用於提供現實錨點，而標註貫穿這一切。項目失敗，往往是因為在某一條賽道上買得太多。
從評測集開始。 在投入任何訓練數據預算之前，先按一套穩定的評分標準，準備幾百個由人工評判的任務片段。
先做小規模採集試點 —— 幾百個演示片段 —— 以便在代價還低的時候就發現任務規格與 QA 上的問題。 先試點再上產線 這條規則可以原封不動地遷移過來。
從第一天起就把權利與同意寫進採集方案： 操作員合同、拍攝同意書，以及真實工作場所影像的存放地條款。
每季度跟蹤單條演示的經濟性。 價格在穩步下降，長期固定價格的承諾會越來越對交易對手有利。
保留來源標籤 —— 仿真、第一人稱視角還是遙操作，採集地點、操作員 —— 因為日後的排查與審計都要依賴這些信息。