7月6日，宇树科技股份有限公司科创板IPO注册生效，从3月20日获受理到注册生效仅用104天，创下科创板审核速度新纪录。作为A股”具身智能第一股”，宇树科技2025年人形机器人出货量突破5500台、营收达17.08亿元的成绩单，似乎在向市场宣告：具身智能已经从实验室走向产业化爆发前夜。
然而，热闹的资本叙事背后，行业真正的挑战才刚刚开始。当单家企业年出货量突破数千台、全行业年出货量向十万级迈进时，一个比硬件更棘手的瓶颈正浮出水面——数据供给的速度，远远追不上模型迭代的野心。
从"拼本体"到"拼数据"：具身智能的第二道关卡
如果说过去三年行业比拼的是谁能造出更灵活、更稳定的机器人本体，那么当下竞争的焦点已经悄然转向数据能力。
与大语言模型可以直接从互联网抓取海量文本数据不同，具身智能需要的是与物理世界交互的多维度高质量数据——视觉、力觉、触觉、关节轨迹、环境语义，每一项都需要真机在真实场景中逐秒采集。据行业测算，要训练出具备广泛泛化能力的具身基础模型，需要百万至千万小时级的物理交互数据，相当于8到83个人类从出生到成年的全部清醒学习时长。
现实的缺口是残酷的。截至2026年初，全球高质量真实物理交互数据总量不过50万小时，距离千万小时级的行业阈值，缺口超过95%。
这道数据鸿沟体现在三个维度：
第一，采集成本高昂，规模化速度受限。真机数据采集需要部署实体机器人、搭建真实场景、配备专业标注团队，单小时数据成本是普通文本数据的10倍以上。更棘手的是，工业、家庭、商超等场景分散非标，每家企业各自为战，数据标准不统一、难以互通，导致重复投入严重。
第二，长尾场景稀缺，泛化能力卡壳。日常重复性任务的数据相对容易获取，但极端工况、异常突发、柔性操作等长尾场景的数据极度匮乏。就像自动驾驶最怕corner case，机器人在真实环境中遇到的意外情况越多，越需要海量边缘案例来训练，而这些恰恰是真机采集最难覆盖的部分。
第三，Sim2Real鸿沟难以逾越。仿真环境虽然能快速生成数据，但物理精度不足、材质光照失真、接触动力学偏差等问题，导致"仿真里练得再好，一到现实就翻车"。如何缩小虚拟与真实的差距，是行业共同的难题。
这也解释了为什么宇树科技42亿元募资中，相当比例投向智能机器人模型研发——硬件可以靠产能爬坡快速上量，但智能能力的跃升，最终绕不开数据这道关。
合成数据：给机器人建一所"虚拟学校"
当真机数据的增长速度满足不了模型训练的胃口时，合成数据正在成为具身智能产业的新基建。
这一逻辑并不新鲜：AlphaGo靠在虚拟棋盘上自我对弈超越人类，自动驾驶靠仿真系统跑遍亿万公里路况。同样的道理，机器人也可以先在数字世界里"上学"，把基础技能练扎实，再到真实世界中实习。
在这条路径上，同为“杭州六小龙”之一的群核科技（00068.HK ）颇具代表性。这家以酷家乐空间设计平台起家的公司，凭借十五年沉淀的5亿个3D场景和4.8亿个3D模型，正在转型为具身智能时代的基础设施提供方。
与普通仿真公司从零搭建场景不同，群核科技的数据资产有天然的结构化优势：每个场景都包含户型布局、语义分区、材质属性、物体层级等完整信息，AI训练时拿到的不是单纯的视觉画面，而是带有物理含义的空间数据。这些覆盖家居、工业、药店、商超、餐厅的海量场景，恰恰是室内服务机器人、工业移动机器人最需要的训练环境。
具体来看，这种"虚拟学校"的价值体现在三层：
首先是规模化降本。企业可以一次性获得成千上万种不同布局的室内场景，机器人在虚拟环境中24小时不间断训练，抓取、搬运、避障等基础技能的训练成本比真机采集降低一个数量级。群核科技推出的InteriorGS数据集引入3GDS能力，包含1000个3D高斯语义场景、覆盖80余种室内环境，就是为机器人空间感知能力提供标准化"教材"。
其次是长尾场景补全。地震、火灾、设备故障等极端场景不可能用真机反复测试，但在虚拟世界中可以无限次模拟。这种"极端工况训练场"的价值，在于补齐真机数据永远覆盖不到的安全边界。
更关键的是闭环自进化。 群核科技在ECCV 2026发表的Syn-GRPO自进化数据合成框架，解决了传统仿真"过拟合"的痛点——系统可以在强化学习过程中自动替换背景、生成全新场景，让训练素材动态更新，避免机器人"背答案"式学习，真正提升泛化能力。配合SPEAR高保真虚拟训练场的14000多个原生接口、17000多个可交互物体，一条"仿真训练—评测验证—数据自进化"的飞轮正在形成。
目前，智元机器人、银河通用等头部具身企业已经成为这一模式的验证者。当行业还在讨论"合成数据到底好不好用"时，头部玩家已经用实际采购给出了答案。
产业分工时代，谁来做"卖水人"
宇树科技的IPO是一个标志性事件：它意味着具身智能赛道已经有企业跑通了"硬件出货—营收增长—资本市场认可"的正向循环。但更值得关注的是，随着硬件同质化程度逐渐提升，下一轮竞争的胜负手，将落在数据与算法层面。
一个可以预见的趋势是：行业不会每家企业都从零搭建数据体系，专业化分工是必然。机器人公司专注本体制造与场景落地，而数据基建公司专注提供高质量合成数据、仿真环境与训练工具，形成"硬件厂商+数据服务商"的产业生态。
这与当年自动驾驶行业的发展路径高度相似——早期车企各自为战采集数据，后来逐步出现专业的仿真公司、数据标注公司、场景生成公司，产业链条不断细化。具身智能正处在同样的分化节点。
从这个角度看，在具身智能爆发前夜，一批有着数据和仿真能力的公司正在抢占“数据基建服务商”的生态位。十五年空间设计积累的空间数据资产，原本看似与机器人毫不相关，却在物理AI时代意外成为稀缺资源。这也印证了科技产业的一条规律：真正的护城河，往往是在风口到来之前，就已经默默挖好了的。
宇树科技上市之后，会有更多机器人企业走向资本市场。当真机数据的增长曲线追不上行业扩张的速度时，合成数据这张答卷，正在被越来越多的企业写上自己的答案。
