大模型在数字世界高歌猛进，具身智能却被一道现实关卡拦住：真实场景的高质量交互数据严重匮乏。仿真数据难以复刻复杂物理条件，实地采集成本高、周期长——缺数据，已成为物理AI规模化落地的最大堵点。

这也是数据宝布局具身智能的原因。数据宝是数据原生AI Token服务商、国家级数据要素流通利用基础设施试点项目承担单位，以数据宝（数据治理与运营）、智算宝（算力调优与调度）、词元宝（词元聚合与应用）三家公司协同，打造中国首个「数据+算力+Token」三合一API基础设施平台。2026年8月，数据宝揭牌成立贵州具身宝信息技术有限公司，同步落地具身智能数据采集教学实践基地与具身智能数据采集产教融合创新基地——如果说"贵州三宝"解决的是存量数据、算力、词元的高效调度，具身宝则把这条链路向前推到了源头，从"调度存量数据"延伸到"生产源头数据"。

（一）具身智能定义

技术层面，具身智能指具备物理本体的智能系统：通过传感器实时感知环境，由算法模块作出决策，再由机械结构执行动作，在与物理世界的交互中完成复杂任务。

产业层面，具身智能是继工业机器人（1960s出现）、协作机器人（2008年出现）之后的第三代机器人形态（以人形机器人为主要载体）。其革命性在于感知、决策、执行三环节的完整闭环，前两代以预设程序为主，具身智能则以对环境的自适应能力为主。

（二）与AI大模型的关键区别

大模型以文字、图像、代码为主要输出，处理对象限定在数字空间；具身智能的输出是物理动作，处理对象直接延伸到物理环境。

一个直观对比：向通用对话大模型提问“如何倒一杯水”，它会给出清晰的步骤说明；而让具身智能机器人执行同一任务，需先识别水杯位置、规划手臂路径、调整抓取姿态、控制施力力度，其中涉及视觉感知、运动规划、精细控制等多个大模型不具备的环节。

二者本质差异可概括为三点：

（三）核心技术栈四层结构

具身智能的技术栈可分为四层，自下而上分别是：

1.感知层：通过摄像头、触觉/力觉传感器、IMU（惯性测量单元）等采集环境信息，把物理世界的状态转化为算法可处理的数字信号。

2.决策层：基于VLM（视觉语言模型）、VLA（视觉语言动作模型）、世界模型等模块，把感知信息翻译成具体动作指令。

3.控制层：将决策层输出的抽象指令转换为电机转速、转矩等具体控制信号，是连接高层算法与底层硬件的桥梁。

4.执行层：由伺服电机、减速器、灵巧手、机械本体等硬件组成，负责把控制信号转化为实际物理运动。

四层缺一不可：无感知则无法获取环境信息；无决策则只能执行预设程序；无控制则高层算法无法落地为精确动作；无执行则系统无法作用于物理世界。

【图1：具身智能四层技术栈——感知/决策/控制/执行与环境闭环】

   （一）硬件本体：工业机器人→人形机器人

全球人形机器人主要玩家：

   （二）算法核心层：VLA与世界模型

当前人形机器人的算法核心层主要采用VLA架构，使机器人首次具备由视觉与语言输入直接生成动作的能力。

国外路线：

1.π0（Physical Intelligence）：较早被广泛采用的通用机器人基础模型之一，由斯坦福系创业团队推出。

2.RT-2（Google DeepMind）：将互联网规模的视觉语言模型迁移至机器人控制，开创了利用大规模互联网数据驱动机器人的技术范式。

3.V-JEPA 2（Meta）：基于自监督视频预测的世界模型，使机器人具备预演物理过程的能力。

4.GR00T N1.7（NVIDIA）：通用机器人基础模型，配套发布EgoScale数据集，是当前最完整的具身智能基础设施之一。

国内路线：

1.智源RoboBrain：国内较早开源的具身智能算法框架，采用“大脑+小脑”分层架构路线。

2.银河通用AstraBrain（银河星脑）：较早实现“大脑—小脑—神经控制”一体化的端到端具身大模型，配套GraspVLA、GroceryVLA、TrackVLA等系列模型，已在零售药店与工业制造场景规模化落地。

3.智元GO-1：通用具身基座模型，强调多任务泛化能力。

   （三）数据：具身智能训练的基础资源

具身智能模型的能力上限由训练数据的质量与规模决定。当前训练数据可分为三类：

1.遥操数据：由操作员遥控机器人采集，单次质量最高，但成本极贵（单小时千元级），难以规模化。

2.Ego视频数据：以头戴/腕部相机与手部追踪采集的人类第一视角视频，无需动作标注即可用于预训练，提供可迁移的操作先验，是三类数据中规模化潜力最大的一类。

3.仿真数据：在仿真器中自动生成，成本低、可批量生产，但与真实环境存在差异，直接训练存在Sim2Real鸿沟。

当前最稀缺的，是可直接映射至动作空间的真机遥操数据。需区分两类：真机遥操数据自带动作标签、质量最高但成本高昂；Ego视频可规模化预训练但不含动作标签。当前最大开源Ego数据集为NVIDIA GR00T N1.7配套的EgoScale，NVIDIA于2026年3月GTC大会宣布EA版、2026年4月正式发布，规模超2万小时人类第一视角视频，距真机遥操数据的实际需求仍有数量级差距。

   （四）关键零部件与上游

人形机器人的量产成本曲线，取决于上游零部件的国产替代进度。下表按减速器、丝杠、伺服三类核心部件列出可溯源的公开数据：

分部件看，替代进度差异显著。RV减速器国产份额（GGII口径）已达60.8%，2024年首超外资；谐波减速器仍由外资主导，2024年哈默纳科全球销售额占58%，绿的谐波以15%居第二；行星滚柱丝杠缺口最大，国产化率仅约19%，GSA与Rollvis两家占中国市场52%；伺服系统已有突破，2025年汇川以30.5%居中国通用伺服市场第一，超西门子（8.9%）与松下（7.0%）。

【图2：精密减速器国产替代进展——RV国产份额已过半，谐波仍由外资主导】

   （五）产业链全景图

具身智能产业链可分为三个层级：

上游：芯片（NVIDIA/华为昇腾/寒武纪）、传感器、伺服电机、减速器等核心零部件供应商。

中游：本体厂商（特斯拉/宇树/智元等）、算法核心层研发团队（VLA与世界模型），以及专注模型产业化的算法厂商。

下游：汽车制造（焊接/装配）、3C电子（SMT/包装）、物流（分拣/搬运）、医疗（手术/护理）、家庭服务（清洁/看护）。

【图3：产业链全景图——上游→中游→下游】

回看全篇，有一条主线贯穿始终：具身智能的能力上限由训练数据的质量与规模决定，而当前最稀缺的，正是可映射至动作空间的真机交互数据。仿真不够真、实采太贵，是行业共同的难题。

数据宝的解法，是把数据生产做成一条产线。贵州具身宝携手贵州轻工职业大学、贵州理工学院大学科技园，落地具身智能数据采集教学实践基地与产教融合创新基地，覆盖9大行业、47类真实业务产线与运营场景；采用EGO第一视角轻量化采集方案，让一线工人在常态化作业中同步完成数据记录，采集效率提升5倍、综合成本大幅下降，产出视觉、IMU、力觉多模态对齐、可直接投入模型训练的高保真交互数据。学生在实训中产出可用数据，产业在数据中获得可用人才，形成"人才输出+数据供给"双向反哺。

这也补上了"贵州新三宝"的关键拼图：如果说数据宝、智算宝、词元宝侧重对存量数据、算力、词元的高效调度与价值释放，具身宝则向前延伸至数据源头，打通现实与数字的通路。2026年6月，国家数据局发布《关于推进行业高质量数据集建设行动的实施方案》（国数科基〔2026〕25号），将具身智能与低空经济、智能驾驶、智慧海洋、生物制造一并列入行业高质量数据集建设的创新领域，并首次提出"探索词元交易"等新型交易模式。——政策指向与产业痛点，落在了同一处。

下篇将继续拆解具身智能的市场现状、政策脉络与核心挑战，敬请关注。