信通院:具身智能训练场研究报告 (2026 年)来源：中国信息通信研究院、人形机器人（上海） 有限公司和具身智能测试实验室 具身智能作为与物理实体融合的人工智能，正加速从实验室走向产业落地，成为改变人类生产生活方式、推动社会智能跃升的重要未来产业方向。其发展的底层逻辑在于，智能的进化必须实现“知行合一”：既要“读万卷书”，通过海量知识学习理解世界；更要 “行万里路”，通过真实物理交互习得行动经验。然而知易行难。 大语言模型、多模态大模型依托上千年文字积累和海量互联网数据， 实现了“知”的跨越式发展；而具身智能面向物理世界的“行”， 则高度依赖真实环境中的实际作业数据。这类数据此前从未被系统性地采集、处理和存储，导致具身智能面临巨大的数据缺口。 高质量真实数据的缺失，已经成为制约具身智能发展的首要因素。 在此背景下，具身智能训练场作为关键基础设施应运而生，在全国范围内掀起一轮具身智能训练场建设热潮。具身智能训练场是一类面向具身智能研发和应用搭建的关键基础设施，在真实物理环境中支撑具身智能数据生产、模型训练、系统应用能力验证和迭代优化。然而，在快速推进过程中，训练场场景任务建设同质化、数据实际产能有限、数据多样性和流通性不足以及可持续商业模式尚未形成等问题逐渐凸显。 训练场建起来仅是第一步，更重要的是用起来、转起来，真正成为数据资源基地和实景实训平台，支撑具身智能产业规模化发展。 本报告全面梳理我国具身智能数据发展背景，以及训练场建设现状，并结合行业实践，分析训练场共性挑战、发展阶段、实施落地路径和标准化需求。 本报告可为政策制定方、具身智能技术提供方、数据需求方、应用需求方、训练场建设方和运营方等提供全面的行业洞察、路径参考与决策依据，助力相关方准确把握具身智能训练场的发展方向，协同推动我国具身智能基础设施体系完善，加速具身智能技术成果转化与产业落地。因技术与产业发展迅速，内容难免存在疏漏，恳请各位专家和读者不吝指正。 图灵奖得主理查德·萨顿在《惨痛的教训》一文中指出，回顾人工智能七十余年的发展，随着规模扩展而持续受益的通用学习方法， 最终总是更为有效，而且优势巨大。谷歌团队于 2009 年发表的论文 《The Unreasonable Effectiveness of Data》1中指出，在机器学习中， 数据的规模往往比复杂的模型设计更重要。 大语言模型的发展进一步证明了：数据世界的人工智能存在“规模定律（Scaling Law）”，即随着数据规模、模型规模和计算资源的持续扩展，模型能力会不断提升。规模定律已经成为推动人工智能能力突破的重要底层范式。具身智能作为人工智能与多学科融合的前沿技术，其演进路径的探索主要建立在规模定律成立的假设之上。业界认为，数据驱动的通用学习范式在物理世界依然有效。 一方面，视觉语言动作模型、世界模型等通用具身基础模型快速发展，试图将视觉、语言、动作、触觉、 力觉等多模态信息统一到同一学习框架中，使模型能够从大规模数据中学习任务语义、物理规律和行动策略。 另一方面，产业界和科研界开始遵循“大力出奇迹”的简约扩展策略，用数据驱动的方式，持续 整合不同场景、不同任务、不同本体的数据，并依托大规模数据，训练更强大的具身基础模型。 阅读全文，免费下载报告 点击 ↓ 链接，下载文档 更多报告点击 ↓ 小程序，搜索关键字
