这是我的第415篇专栏文章。
4月底，在台积电2026北美技术研讨会上，这家半导体行业的霸主用了很大的篇幅，描绘了一个迄今还没有完全定型的产业：人形机器人。
台积电给出了一个极其精准的产业定义：
人形机器人 = Agentic AI（智能体AI） + Physical AI（物理AI）
这从侧面印证了一个宏大的趋势：AI正在完成一次历史性的跃迁，从“理解世界”，走向“参与世界”。
此前，台积电曾系统性地把人形机器人拆解为四个技术象限：大脑（Brain）、感知（Sensing）、运动（Movement）、电力（Power）。每一个象限都对应着一组具体的芯片体系：AP、连接芯片、传感器、MCU、PMIC…它们共同拼凑出了一张完整的硅基路线图。
台积电计划在未来三年内，将与人形机器人芯片相关的产能扩大两倍。这意味着，具身智能将第一次在芯片巨头的财报上，变现为真金白银。
至此，硬件侧的故事已经清清楚楚。路线图已经画好，财报已经开出，三年翻倍已经是写在董事会决议里的铁律。
但有一个致命的问题，至今没有人正面回答：谁来“喂饱”这些芯片？
当全球每年250万颗机器人级芯片正在被排进台积电的产线，当每一颗AP、MCU、PMIC都在等待被赋予“灵魂”时，产业界突然意识到一个残酷的现实：硬件这条腿正在以指数级速度迈出，而数据这条腿，还停留在两年前。
这就是2026年具身智能产业最大的“剪刀差”。
硬件侧的明牌已基本落定。但真正决定2026到2030年产业终局的，是一张迄今鲜有公司敢说自己已经看透的暗牌：数据。
文本大模型的训练语料以百亿小时计，而目前具身智能高质量数据的全行业存量，仅有约50万小时。从50万小时到100亿小时，是2万倍的扩张。这不是一个普通的市场机会，这是一条国运级的赛道。
而在这张暗牌的背面，最有意思的故事正在发生。一场由国家数据局、地方政府、产业巨头和VC共同卷入的、规模空前的数据基础设施暗战，已经悄然打响。
硬件已“明牌”：四象限框架反推出的数据缺口图谱
过去，关于人形机器人的讨论几乎都被一个个关于场景的执念所占据：能不能后空翻？能不能走楼梯？能不能练武术？似乎只有动起来，才有人买单。
但如果把视野从产业焦点拉回到台积电的那张芯片图谱，我们会发现一个反直觉的事实：四个象限里被讨论得最热的那一个，恰恰是技术壁垒相对最低的那一个。
大脑：对应AP和AI加速器，需要意图理解与长程规划数据，目前几乎空白。
感知：对应CIS、MEMS、6D力矩、触觉传感器，需要视觉、听觉、力觉、触觉、本体感知五维以上的融合数据，但产业90%的精力却只停留在RGB视觉。
运动：对应MCU和伺服，需要轨迹和力反馈数据，这是当下讨论的绝对中心。
电力：对应PMIC和BMS，需要能耗-动作耦合数据，同样几乎空白。
四个象限里，有三个都尚未真正建立起系统性的采集体系。
其中，尤其值得追问的是感知象限。台积电的传感器清单暗示，机器人的数据感官至少是六维以上的。但今天产业采集的数据是几维的？两维到三维。绝大多数企业仍停留在“RGB视频+动作标签”的初级阶段，少数前沿玩家引入了VLA（视觉-语言-动作）模型，但距离真正的高维多模态，中间还隔着至少两个量级的鸿沟。
这个差距不是工程问题，而是认知问题。
互联网巨头带着做大模型的“肌肉记忆”杀进具身智能，他们最擅长采集视频、处理图像。但人类在做精细动作时，比如拧螺丝、剥鸡蛋、穿针引线…绝大部分关键信息根本不来自眼睛，而是来自指尖的压力、手腕的力矩、整条手臂的本体感受。这些信息一旦缺失，再聪明的VLA模型也只是在“表演”，而非“干活”。
所以，互联网巨头采集的“机器人数据”，在“感知”象限里只解决了10%的问题。
剩下90%的力觉、触觉、本体感知、能耗-动作耦合，根本没有规模化采集的现成路径。
这不是数据“多不多”的问题，而是数据“对不对”的问题。
而在中国，已经有一小批玩家开始悄悄打这三张暗牌。他们的故事，要从当下笼罩产业的五个认知误区说起。
数据迷雾：五大认知误区正在误导整个产业
误区一：把具身智能数据等同于视频数据。
这是最流行的偷懒答案：既然大模型是靠语料堆出来的，那机器人靠视频继续堆就行了。但互联网视频是“观察者视角”，具身智能需要的是“第一人称+多模态行动数据”。文本大模型只需要“知识”，具身大模型需要的是“经验”，而经验里必须包含“做错并被纠正”的过程数据。看一万小时的烹饪视频，AI也学不会切菜时握刀的最佳力度。
误区二：相信仿真+世界模型可以彻底替代真实。
从仿真到现实的鸿沟，不是工程问题，而是物理本质问题，一度电的电压波动、地面摩擦系数的微小变化、皮革表面的细微纹理，都可能让仿真环境里完美运行的算法，在真实世界里立刻翻车。真实、仿真、视频三种数据的最优配比，将成为接下来几年各家模型公司最不愿公开的核心机密。
误区三：把数据采集成本等同于设备成本。
有研究机构曾经给出一个统计数字：一个训练师每天工作8小时，最终能用的数据只有两三个小时；机器人学会“拿杯子”这一个动作，就需要上千小时的数据积累。这意味着行业当前的数据良品率，大致只有25%到37%。真正的成本不在采集设备，而在标注、验证和技能抽象化。一个能把良品率从30%推到70%的玩家，将直接拥有2到3倍的成本优势，这是被严重低估的机会。
误区四：把灵巧手数据等同于普通的机器人数据。
普通机器人数据侧重场景广度和导航避障，而灵巧手数据要求高维度、多模态、强时序，必须融合姿态、力觉、触觉等多种信息。目前，优质灵巧手数据的供给量不足实际产业化需求的10%。这不是产能问题，而是结构性稀缺。人形机器人60%的商业价值，恰恰取决于手能不能干活。灵巧手数据的采集成本是腿部数据的5到10倍，但产业当下大量企业都在采集移动数据“占山头”，真正卡脖子的环节反而缺乏系统性投入。
误区五（最隐蔽的误区）：把数据当成消耗品，而不是资产。
在绝大多数企业的财务模型里，数据采集是训练阶段的一次性支出，训练完模型，数据就被归档遗忘。但真正决定长期竞争力的，是这些数据能否沉淀为可复用、可流通、可标准化的高质量数据集，反复喂养下一代模型、迁移到新的本体、共享给生态伙伴。一旦产业开始把数据视作“资产”，底层逻辑就彻底变了。因为资产是需要基础设施来承载、确权和流通的。
而这，正是“国家队”入场的根本理由。
国家入场：从“市场失灵”到“基础设施化”的演进
数据一旦跃升为“资产”，就必然呼唤一套极其厚重的底层基建来承载：确权、定价、流通、安全、标准，缺一不可。这套宏大的系统工程，注定超出了任何单体企业的承载极限，必须由国家力量来铺设“高速公路”。
就在4月28日，工信部与国家数据局联合印发了《关于联合实施2026年“模数共振”行动的通知》。但若追本溯源，这场“模数共振”的发令枪，早在2024年12月便已悄然扣动。
彼时，国家发改委与国家数据局等部门联合发文，首次将“高质量数据集”的战略地位推上台面。历经一年多的沉淀，如今政策端释放出了极强的“实操”信号：2026年不仅将密集出台30余项数据领域国家标准，更要在智能体、具身智能等前沿无人区完成深度布局。
紧随其后的是工信部与国家数据局的联合行动方案：到2026年底，基本形成“数据-模型-场景应用”良性互促的循环，鼓励“模数共振”空间与国家数据基础设施互联互通。
“模数共振”四个字很值得品味，它意味着国家正式把“模型”与“数据”并列为新基建的两块基石。
最高规格的背书则来自“十五五”规划纲要：建设高质量数据集，培育发展具身智能、脑机接口、6G等未来产业。在这里，具身智能不再是配角，而是与6G并列的国家级未来产业。
如果说政策是上层建筑，物理基础设施已经在20多个城市拔地而起。
北京亦庄落地了国家地方共建具身智能机器人创新中心，整个区域已集聚机器人和智能制造生态企业300余家；上海2025年8月发布的《具身智能产业发展实施方案》明确提出，到2027年核心产业规模突破500亿元；张江搭建了全国首个异构人形机器人训练场，目标年内沉淀1000万条高质量具身数据集；天津帕西尼超级数据工厂占地12000平方米，年产近2亿条高维训练数据。
一支由国资与地方政府联合搭建的数据采集军团，正在用标准化、规模化的方式，开采具身智能时代的“原油”。
具身数据的特殊性在于，它不像政务数据是存量资产，它需要实时增量采集的动态交互。这意味着，商业层和国家层最有可能形成的不是替代关系，而是分工关系：国家做通识数据集的底座，企业做专识数据集的差异化。地基由国家铺，上盖由企业建。
这是中国具身数据产业最有可能的演化路径。
世界坐标系：中美路径选择背后的发展哲学分歧
如果把视野拉到太平洋的另一端，我们会发现，中美在具身数据上选了两条截然不同的路。这不是简单的技术路线之争，而是底层发展哲学的分裂。
美国走的是“仿真优先”路线。
这套方法的核心逻辑是：用算力把数据“造”出来。NVIDIA GR00T Blueprint可以在11个小时内生成78万条合成轨迹，相当于6500小时的人类演示数据。当真实采集成本太高时，就用算力压垮采集，反正算力是英伟达自己的。
中国走的是“真实优先”路线。
从北京亦庄到上海张江，从天津帕西尼到武汉创新中心，一座座物理意义上的数据采集工厂正在拔地而起。帕西尼超级数据工厂构建了全球第一个VTLA（视觉-触觉-语言-动作）具身智能模型。当顶级算力受限时，就用场景换数据，用工厂换数据。
两套方法的底层假设完全相反。
美国相信“算力最终会战胜真实”，只要GPU足够多、世界模型足够好，比特就能生成原子级别的真实。
中国则相信“场景最终会战胜算力”，只要工厂足够多、模态足够全，触觉、力觉、本体感知这些无法被完美仿真的数据，将成为终极护城河。
这种分歧并非偶然，而是被外部约束逼出来的产业适应。GPU出口管制让中国无法以同等规模做仿真合成，但这种被迫的转向，反而催生了一个被严重低估的非对称优势：VTLA。
从VLA到VTLA，其中的触觉，恰恰是机器人通往灵巧操作商业价值的最后一公里，拧瓶盖、剥鸡蛋、柔性组装…这些场景仅靠视觉永远做不到。
更关键的是，触觉数据的护城河天然属于制造业禀赋深厚的国家。中国是全球唯一拥有完整制造业体系的经济体，从精密装配到柔性抓取的真实场景密度远超美国。这些禀赋叠加在一起，让中国在VTLA路线上拥有了美国无法快速复制的结构性优势。
写在最后
台积电用30年在芯片端筑起了护城河，OpenAI和DeepSeek用3年在模型端筑起了护城河。下一块护城河，很有可能建在数据端。
回到产业层面，目前有五条具身数据采集路径正在同台竞争：真机遥操作、UMI外骨骼、第一人称视频学习、仿真合成、世界模型生成。
它们各自的成本、模态完整性和规模化潜力构成了一个明显的“不可能三角”：成本越低的路径，模态越不完整；模态越完整的路径，规模越上不去。没有任何一条路径可以单独胜出。
所以真正的赢家，不会押注单一路径，而是会找到最优配比。
我们暂且把它叫做“数据三明治配方”：仿真合成做规模化预训练（70%） + 视频学习做场景泛化（20%） + 真机遥操作做能力对齐（10%）。
这可能是2026到2027年的主流配方，但具体的微调比例，或许将成为各家模型公司最核心的机密。
而围绕这盘棋的资本布局，正在形成一个清晰的三层金字塔：
最上层是本体厂商（红海一片）
中间层是数据采集设备与平台（蓝海初现）
最底层是数据要素基础设施（国家队主导）
当大模型的参数战走向收敛，当具身智能的机器躯壳逐渐沦为标品，这场科技革命的终极角逐，终将回归到最底层的资源争夺：数据。
在这个金字塔中，越往下走，根系越深；越往上走，厮杀越烈。
