70 家训练场、不用机器人也能采数据、世界模型改行做规划：信通院这份关键词把「实景实训」拆成了三件事
十大关键词里排第四的那一条，把「实景实训」拆成了数据、场景、部署三段。三段里最硬的一句是「无本体数据成为规模化主力」——它意味着采集的瓶颈从「有没有机器人」变成了「有没有人愿意戴着设备干活」。
- 文本来源：中国信通院微信公众号 2026-10-17 14:15 发布《2026 人工智能产业十大关键词》全文，首发场合是 2026-10-15 在济南开幕的 2026 人工智能产业大会，由中国人工智能产业发展联盟联合中国信通院发布，信通院副院长魏亮作解读。这是该项发布连续第五年。
- 第四条「具身智能实景实训」：2026 年 6 月工信部、国务院国资委联合启动实景实训专项行动，形成「实景实训—数据沉淀—产品迭代—规模部署」闭环；当前沿规模数据、场景对接、应用部署三大方向推进。
- 数据侧：头戴式终端、手持夹爪等「无本体数据」成为规模化主力；世界模型正从画面生成转向辅助规划与策略训练；模型局部范围的 Scaling Law 初步显现。
- 场景侧与部署侧：全国建设超 70 家训练场，覆盖工业、商业、家政、医疗；评价标准从「进得去、干得成」推进到「留得下、跑得久」。
- 判断：这份文本的价值不在结论，在它给出的三个可验证的转向——采集从本体转向人、世界模型从生成转向规划、考核从「建成场景数」转向「能否长期运行」。三个转向都指向同一件事：这一轮的胜负手在现场的持续性，不在样机的完成度。
10 月 17 日下午两点一刻，中国信通院的公众号挂出了《2026 人工智能产业十大关键词》全文。这份文本的首发场合是两天前——10 月 15 日在济南开幕的 2026 人工智能产业大会，发布方是中国人工智能产业发展联盟联合中国信通院，由副院长魏亮现场解读。按发布方自己的说法，这项发布从 2022 年起已连续五年，今年的主线被概括为「加速扩散」：决定走势的不只是模型能力爬得多高，更是能力能不能以可承受的成本、可信赖的方式扩散到更多领域。
十个关键词按技术、应用、生态三个层次排列，第四条是「具身智能实景实训」。对做具身这一行的人来说，这可能是整份文本里唯一需要逐句读的部分——不是因为它的结论新，而是因为它第一次把「实景实训」这个政策词，拆成了可以逐项对照的三段：数据怎么来、场景怎么接、部署怎么留。
原文的表述是：一方面，头戴式终端、手持夹爪等高效多场景采集的「无本体数据」成为规模化主力；另一方面，世界模型正从画面生成转向辅助规划与策略训练，为数据缺口提供新的补充路径。在规模数据驱动下，模型局部范围的 Scaling Law 初步显现。
有本体采集：机器人本体在真实工位反复执行，采集的是「本体 + 任务 + 环境」三合一数据。质量高，但受限于机器人在岗数量、场地排期与安全审批，边际成本几乎不下降。
无本体采集：人戴头戴终端或手持夹爪作业，采集的是人的操作轨迹与视角。单条数据精度不如真机，但可以并行、可以跨场景、可以按小时买人力，规模上得快。
判断：「无本体数据成为规模化主力」这句话，是这份文本里最硬的一句。它承认了一件事：真机数据的产能，短期追不上模型的需求。当采集主力从机器人换成人，瓶颈的位置就变了——不再是「有没有足够的机器人在跑」，而是「有没有足够多的人愿意戴着设备干活、且干的是真实的活」。这会直接改写数据服务业的成本结构：设备折旧让位给人力和场景准入。
但它同时带来一个质量问题，原文没有展开：人的操作轨迹不等于机器人的可达轨迹。人的手腕能做的动作，七自由度臂未必做得到；人凭触觉施加的力，没有力传感器的本体感受不到。所以无本体数据更适合训练「任务理解与路径规划」，不适合直接训练「底层力控」。判断：这也解释了为什么同一条里紧接着就写世界模型转向「辅助规划与策略训练」——两类数据各补各的缺口，谁也不能替代谁。
原文写：场景拓宽向深，探索「技术—场景」供需对接，全国建设超 70 家训练场，覆盖工业、商业、家政、医疗等行业，具身智能技术与产业需求正在加快对接。
70 这个数字本身不惊人，值得注意的是它出现的位置——在「场景对接」这一段，而不是「数据规模」那一段。也就是说，发布方把训练场定位成供需对接的场所，而不是数据工厂。这个定位差别很大：作为数据工厂，评价指标是每小时产出多少条可用数据；作为对接场所，评价指标是有多少场景方真的把需求提了进来、有多少条需求被接走。
判断：70 家这个量级，对供给端已经偏多。训练场的固定成本是场地、设备、运维与安全，可变成本是场景方的配合度。当数量超过真实需求，竞争会落到「谁能提供更接近真实工况的场景」上，而不是「谁的设备更多」。对整机厂来说这是好事——可以挑场景；对训练场运营方来说，这意味着接下来两年会有一批场地转做别的用途。
第三段讲部署，原话是：以实训促进试点应用，场景部署加速产品迭代；在产品试点部署中，通过识别场景适配和长期可靠运行能力缺口，为产品提供针对性优化路径，推动从「进得去、干得成」到「留得下、跑得久」。
这十二个字是整份文本里对产业现状最准确的一句概括。「进得去」是商务问题——客户愿不愿意让你进场；「干得成」是技术问题——单次任务能不能完成；「留得下」是运营问题——三个月后还在不在岗；「跑得久」是可靠性问题——一年后的故障率与维护成本。四个阶段里，前两个已经有大量案例，后两个公开数据极少。
判断：这也正是当前所有「落地」叙事最薄弱的地方。展会与试点能证明前两个阶段，但没有任何一份公开材料能证明第四阶段——因为需要至少一年的连续运行记录，而这个行业大规模进厂的时间还不够长。谁先把「跑得久」的数据攒出来，谁在下一轮招标里就有别人拿不出的材料。
原文对挑战的表述有三条：一是复杂作业任务完成能力有限，时序性、空间推理类长程任务难以胜任；二是高价值垂直场景挖掘不足，试点多集中于易展示、易标准化的任务；三是规模化产品交付能力欠缺，单试点能力向多场景泛化困难。
| 挑战 | 具体表现 | 对交付方的含义 |
|---|---|---|
| 长程任务能力 | 时序性、空间推理类任务难以胜任 | 能卖的是「一段动作」，不是「一整道工序」 |
| 场景选择偏易 | 试点集中于易展示、易标准化的任务 | 难场景缺样本，价格上不去 |
| 交付与泛化 | 单试点能力难以复制到多场景 | 项目制收入占比高，产品化收入低 |
三条挑战串起来，其实是一条因果链：因为长程任务做不了，所以只能挑易展示、易标准化的场景；因为在易场景里打转，攒不到难场景的数据；因为数据不够，单点能力就无法泛化；因为无法泛化，每个新客户都要重新做一遍交付。这个循环里，任何一个环节被打破，其余环节才有松动的可能。
判断：打破循环的位置大概率不在算法，在场景选择。原文提到的展望里有三个动作：扩大高质量数据规模、深度融合世界模型、以分布式场景丰富任务多样性，并「建立以应用为牵引的分层评测体系，以评促用」。最后这一条最值得留意——分层评测体系一旦建立，招标文件里就会出现具体的评分项，那时「我们做过多少个场景」这种模糊表述会失效，取而代之的是「在某一级评测里达到什么水平」。
同一份文本的第六条讲「AI 高价值应用场景」，给出一组分级梳理结果：推广级场景在医疗装备、汽车等离散制造业点状突破；验证级场景占比最高，达 45%，规模化推广卡点明显；攻关级场景受底层技术制约明显。这一条讲的是制造业 AI 的整体情况，不是具身智能单独口径，但两相对照很有意思。
判断：45% 停留在验证级，与第四条的三道坎是同一件事的两种说法。验证级的意思是「在受控条件下能跑通，但还不能稳定复制」。这个比例放在具身智能身上只会更高，不会更低——因为具身还多一层物理执行的变量。所以看到任何「已落地多少场景」的说法时，第一个该问的问题是：这些场景现在处于哪一级，是验证级还是推广级，有没有连续运行记录。
这份文本还有一个容易被跳过的前提：第六条提到 10 月中共中央、国务院印发《关于发展新质生产力的意见》，明确因地制宜布局国家人工智能行业应用中试基地和高价值应用场景。政策语言里的「中试基地」与「训练场」是什么关系，文本没有直接回答。判断：在实践中这两者大概率会合流——中试基地负责工艺与工程验证，训练场负责数据与场景，同一块场地挂两块牌子。对地方来说这是节省投入的做法，对企业来说要注意申报时对接口径，避免同一件事被要求交两套材料。