322 笔、935 亿、16 万小时：路透把中国练「大脑」的账摊开后，能核对的产线数字只有两个
路透 11 月 2 日的稿子给了一组组织层面的数字：322 笔融资、935 亿元、三家估值 30 亿美元的公司、一家 1000 人的动捕队伍、一家 16 万小时的数据盘子。但这些数字最刺眼的地方，是把「钱」和「可用小时」放在一起除——上半年的融资额，按真机采数成本折算，能买 8.9 亿小时数据，而全行业的积累是百万小时级。
- 金额与笔数：路透称 2026 年上半年中国具身智能企业完成 322 笔融资、合计 935 亿元人民币（约 130 亿美元），为去年同期的 5 倍；相除得单笔均值约 2.9 亿元。
- 被点名的公司：X Square（自变量）、Galaxea（星海图）、Spirit AI（千寻智能）估值均达约 30 亿美元；优必选为招 AI 模型首席科学家开出最高 1.24 亿元薪酬、股权与福利。
- 人和数据：Spirit AI 雇佣约 1000 人专门记录日常与工业动作；蚂蚁集团旗下机器人业务 Robbyant 用 16 万小时数据训练，其中 5 万小时是「人类指导机器人完成动作」，并在 17 个品牌、20 种配置上训练同一套软件。
- 能核对的产线数字只有两个：宁德时代称 Spirit AI 的机器人在电池包测试环节连接柔性线缆，插入成功率超过 99%；Robbyant 的机器人进入上海两家药店处理订单。
- 判断：把 935 亿元按真机采数的价格折算，能买到约 8.9 亿小时数据，是行业现有积累（百万小时级）的近 900 倍。这说明瓶颈不在钱，也不在算法，而在「有多少台机器人真正在上班」——路透这篇稿子的真正结论，藏在它自己给出的那两个产线数字里。
路透这篇稿子的结构很典型：先给宏观（钱），再给中观（公司），最后落到微观（两个工厂案例）。但它给出的几个中观数字，比宏观数字有意思得多。
上半年 322 笔融资、935 亿元人民币、约 130 亿美元、是去年同期的 5 倍。这组数本号此前写过两次，这里只补一个除法：935 ÷ 322 ≈ 2.9 亿元/笔。
2.9 亿元的单笔均值，放在全球一级市场里是一个很高的数。它意味着这个赛道的融资结构已经偏向大额——不是「很多小公司各拿一点」，而是「少数公司一次拿走几亿」。这个结构对照本号 11 月 1 日写过的触觉赛道数据（33 起、101 亿元、单笔 3.1 亿元）是吻合的：笔数在减少，单笔在变大，钱在向头部集中。
路透点名的三家公司估值都在约 30 亿美元：X Square、Galaxea、Spirit AI。三家都是本体或大脑公司，不是零部件公司。这与国内融资的分布一致——钱主要投在「整机 + 模型」这一层，而不是投在零件上。
两组与「人」有关的数字，比融资金额更能说明这个行业现在缺什么。
第一组：优必选为招 AI 模型开发的首席科学家，开出最高 1.24 亿元的薪酬、股权与福利。这个数字放在任何行业都是顶格。它说明顶尖具身模型人才的定价，已经和一家中型机器人公司一年的研发预算同一量级。
第二组：Spirit AI 雇佣约 1000 人，专门记录日常生活和工业动作。这是另一种「人」——不是研究员，是采数的人。
1000 人是什么概念？按每人每年 250 个工作日、每天 8 小时计，理论产能约 20 万小时/年（本文假设，不来自任何来源）。但这是「人在动作」的时间，不是「机器人采到可用轨迹」的时间。
真正的转换率取决于遥操作/动捕的回采效率——一个人在动，机器人不一定在采；采到了，也不一定能直接用。
所以「1000 人」这个数字真正的意义，是它把一个抽象概念变成了人力编制：数据不是从天上掉下来的，是一千个人一天八小时攒出来的。
这也解释了为什么这个行业里「数据成本」始终压不下去——它的分子里有一大块是工资，而工资不会因为模型变大而下降。
蚂蚁集团旗下机器人业务 Robbyant 的数字最具体：用 16 万小时数据训练模型，其中 5 万小时是「人类指导机器人完成动作」的数据。
5 ÷ 16 = 31%。也就是说，这套模型吃进去的数据里，不到三分之一是带人类指导的高价值样本，剩下三分之二大概率是自主采集或视频类数据。
另一个数字更值得注意：这套软件同时跑在 17 个品牌、20 种机器人配置上。20 ÷ 17 ≈ 1.18，平均每个品牌 1.18 种配置。
这也解释了为什么「统一动作表示」「跨本体数据复用」会成为今年所有模型团队的共同关键词。本号此前写过，灵巧手选型要先问模型能驱动几个自由度；同样的逻辑往上推一层：本体选型要先问模型能覆盖几个本体。Robbyant 的答案是 17 个。
现在做一次跨口径的换算。本号 11 月 1 日那篇稿子算过：一台 12 万元级本体的数据采集成本约 105 元/小时（仅计本体折旧，不含标注、场地、返工）。
用这个价格给 935 亿元标价：
935 亿元 ÷ 105 元/小时 ≈ 8.9 亿小时。
而行业当前的公开数据积累是什么量级？本号梳理过的几组：智元 AgiBot World 第四期具身推理数据集首批 150 小时真机数据；Robbyant 的 16 万小时；行业整体被普遍描述为「百万小时级」。
| 口径 | 数值 | 说明 |
|---|---|---|
| 上半年融资总额 | 935 亿元 | 路透口径 |
| 折算可购真机数据 | 约 8.9 亿小时 | 按 105 元/小时，作者换算 |
| Robbyant 已用数据 | 16 万小时 | 路透口径 |
| 行业整体积累 | 百万小时级 | 公开讨论中的常用量级 |
| 融资可买 / 现有积累 | 约 890 倍 | 8.9 亿 ÷ 100 万，作者换算 |
890 倍。这个数字说明：钱根本不是这个行业的约束条件。按现在的融资额，理论上能买到的真机数据比全行业已有的多两个数量级。
路透给出的两个真实部署案例，值得单独看：
其一，宁德时代的电池包测试工位。Spirit AI 的机器人负责连接柔性线缆，插入成功率超过 99%。这个数字是整个报道里最硬的一个——它有场景、有任务、有指标。但要注意两点：一是「柔性线缆插入」是一个相对结构化的任务，插接位置固定、容差可标定；二是没给样本量和连续运行时长。99% 的成功率如果是 100 次里成功 99 次，和 10000 次里成功 9900 次，是两个完全不同的工程结论。
其二，上海两家药店。Robbyant 的机器人处理订单，没给单量、没给时长、没给准确率。这条信息目前只能作为一个「已进入真实商业场景」的存在性证明。
两个案例，一个有指标没样本，一个有场景没数据。这就是当下具身智能落地报道的普遍状态：能证明「进去了」，还不能证明「稳住了」。
回到路透的核心论点——中国的优势是制造业场景多。这个论点成立，而且它有一个很重要的推论：场景优势的真正兑现方式，不是「有工厂可以试」，而是「有工厂愿意让机器人在产线上待够时间」。前者是参观，后者是排产。宁德时代这个案例之所以值钱，是因为它发生在产线上，不在展厅里。
935 亿元买得到本体、买得到人才、买得到算力。买不到的是时间——一台机器人在真实产线上连续跑满三个月所积累的那批数据，没有任何融资可以加速。