50 万小时对千万小时：数据不是在变少，是在分三六九等
全球高质量真实物理交互数据约 50 万小时，而要跑通物理 AI 需要千万小时量级——缺口超过 95%。但更值得注意的是另一个信号：叠衣服的单目裸手数据已经泛滥、价格必跌，双目、触觉、手套、腕部相机数据却依然坚挺。同一个「数据缺口」，两种完全相反的定价。
- 缺口 95%：截至 2026 年初，全球高质量真实物理交互数据总量约 50 万小时；而行业认为实现物理 AI 需要千万小时量级——按此口径，缺口超过 95%。
- 另一面是开机率：信通院报告口径，相当比例的人形机器人月均开机天数不足 10 天；出货结构中，文娱商演与科教数采合计超过 六成，智能制造仅 13%、仓储物流仅 5%。
- 数据在分层：智元姚卯青的说法是，同质化、低附加值的单目室内裸手数据（尤其家居叠衣类）已经泛滥，价格必然下行；而细分真实场景的双目、触觉、手套、腕部相机数据需求强劲、价格相对坚挺。
- 扩容的另一条路：行元智能 10 月发布的跨本体数据引擎「Chorus 众行」，支持智能眼镜、胸戴相机、腕部相机、UMI 设备、智能头环等多种硬件采集人类操作视频，测试中实现超 40 倍机器人有效训练数据扩容。
- 判断：95% 的缺口不能靠「多采」填上。小时数是可以堆的，稀缺的是「别人采不到的那一类小时」——数据生意的定价权，不在总量，在不可替代性。
行业里最常被引用的一个数字是「缺数据」。但「缺」是个太粗的词，它遮住了真正有用的那一半信息——缺的是哪一类。
10-31 同花顺的两篇稿子，把两组数字并排摆了出来。一组是供给侧的缺口：截至 2026 年初，全球高质量真实物理交互数据总量约 50 万小时，而行业认为跑通物理 AI 需要千万小时量级，缺口超过 95%。
另一组是需求侧的空转：信通院报告口径下，相当比例的人形机器人月均开机天数不足 10 天；出货结构里，文娱商演与科教数采合计超过六成，智能制造 13%、仓储物流 5%。
供给侧
约 50 万小时，需要千万小时。
缺的不只是时长，是「高质量的、真实物理交互的」那部分。缺口按此口径超过 95%。
需求侧
已经下线的机器，月均开机不足 10 天。
机器在那儿，但没在干活；没在干活，就不产生数据。这是一个自我循环的僵局。
把这两句放在一起，会得出一件比「缺数据」更麻烦的事：行业缺的不是采集能力，是开机的理由。一台机器一个月开 10 天，剩下 20 天它在仓库里。它不是采不到数据，是没有场景让它去采。
判断：这就解释了为什么「数据采集设备供不应求」和「机器人月均开机不足 10 天」能同时成立。设备卖给了数据服务商，数据服务商把机器开起来采；而整机厂卖出去的机器，在客户那里闲着。两批机器，两种命运。
如果说这一批报道里有什么是真正新增的信息，是姚卯青对数据价格的描述。他把数据分成了两堆：
| 数据品类 | 典型场景 | 供需状态 | 价格方向 |
|---|---|---|---|
| 单目、室内、裸手 | 家居叠衣服一类 | 太容易获取，已经泛滥 | 必然下行 |
| 双目视觉 | 细分真实作业场景 | 需求强劲 | 相对坚挺 |
| 触觉 / 手套 | 精细操作、力控 | 需求强劲 | 相对坚挺 |
| 腕部相机 | 手内视角、操作过程 | 需求强劲 | 相对坚挺 |
这张表的价值在于，它把「数据缺口 95%」这个听起来无解的宏观数字，翻译成了一个微观的商业判断：缺口是真的，但不是每一小时都值钱。
叠衣服的数据为什么泛滥？因为它可以坐在桌前、用一台手机、一个人，一天采八小时。门槛低，供给就会涌进来，价格就会塌。这不是质量差，是可替代。
双目、触觉、手套、腕部相机为什么坚挺？因为它们要求设备、要求标定、要求把传感器装到真机上、要求场景方愿意让你进去。这些约束本身构成了壁垒。难的从来不是采，是能进去采。
报道里还有一条容易被略过的信息：行元智能 10 月发布的跨本体数据引擎「Chorus 众行」，支持智能眼镜、胸戴相机、腕部相机、UMI 设备、智能头环等多种硬件采集人类操作视频，测试中实现超 40 倍的机器人有效训练数据扩容。
40 倍这个数字需要谨慎对待——它是公司测试口径，测试集和任务类型都没披露。但它指向的方法论值得记下来：不靠让机器人多干活，靠让人的干活被机器人读懂。
这两条路的成本结构完全不同。让机器人干活采数据，成本 = 机器人折旧 + 场景占用 + 人工看护；让人戴设备干活采数据，成本 = 设备 + 补贴，且可以并行、可以跨本体、可以在真实工位上进行。
判断：这也是为什么「数据采集设备供不应求」这件事，比任何一份模型榜单都更能说明行业在往哪走。买设备的人不是在赌模型，是在赌「先有数据、后有模型」这个顺序。这个顺序一旦成立，卖铲子的位置就从整机厂挪到了数据服务商。
回到 95% 这个数字。它大概率不会被填满，也不应该被填满。
原因很简单：如果一类数据能被轻易采到千万小时，那它对模型的边际价值早就掉到接近零了。真正有价值的永远是那一小撮「难采、且恰好覆盖了失败案例」的数据。模型的瓶颈不在平均样本量，在长尾。
所以未来一两年更可能出现的画面是：总量继续涨，均价继续跌，但头部那 5% 的稀缺数据价格反而涨。行业会从「数据不够」走到「数据分层」——一部分数据变成水电，一部分数据变成茅台。