8月，工信部批准发布了行业标准《人工智能 关键基础技术 具身智能数据集质量要求及评价方法》（YD/T 6771—2026），将于今年11月1日起正式实施。该标准由中国信通院联合行业40余家单位共同起草编制。
物理AI的“燃料标准”，终于有了。
大模型时代的“数据越多越好”，在物理世界被改写
过去几年，AI行业信奉一条铁律：数据越多，模型越强。互联网上海量图文数据喂养出了ChatGPT，这条路径被反复验证。
但物理AI走不了这条路。
为什么？因为物理世界的数据，和数字世界的数据，根本不是同一种东西。
数字世界的数据是“二手”的——文本、图片、视频，都是人类已经加工过的信息。而物理AI需要的是“一手”数据——真机在真实环境中交互产生的感知数据、行动数据、反馈数据。这种数据的真实性、场景适配度、时空一致性，比体量重要得多。
这正是此次行业标准的核心指向。标准从数据生产操作规范、组织机制保障和质量评价指标三个维度，构建了涵盖完整性、一致性、多样性、真实性、易用性、实用性、可扩展性和安全性八个维度的质量评价体系。
行业不再问“你有多少数据”，而是问“你的数据有多真、有多对场景、有多能用”。
这个转向的产业意义极其深远。
在此之前，具身智能数据面临的是 “量少质低”的结构性矛盾——行业采集随意零散，依赖操作员个人经验，数据与具体任务场景脱节；不同机构的数据格式、标注方式不统一，数据难汇聚、难读取、难复用。百万小时的数据产能被视为硬性门槛，但大量数据“量大质参差”，缺乏统一的质量验证标准。
新标准的落地，等于给整个行业换了一套考核表。 接下来，比拼的不再是谁能堆出更大规模的数据集，而是谁能在真实场景里持续产出高质量、可验证、可闭环的数据。对数据提供方，统一的质量要求可帮助规范生产流程、明确交付底线；对数据需求方，则能提供清晰的质量验收依据，更高效地筛选优质数据集。拉通供需、规范流通——这是产业从“野蛮生长”走向“精耕细作”的必经之路。
端侧模型天生贴着真机数据生长
这场从“规模”到“质量”的转向，对端侧物理AI玩家来说，恰恰是主场优势。
为什么？因为端侧模型天生就长在真实场景里。
云端模型靠的是“喂”——把海量数据灌进模型。端侧模型靠的是“长”——部署在终端设备上，在真实运行中持续感知环境、持续产生数据、持续迭代进化。端侧模型的训练数据不是人工采集的，是设备自己在物理世界里“活”出来的。
这正是Om AI联汇一直以来的技术路径。
公司自研的VLX端侧流式多模态模型系列，采用端侧原生架构，由三层模型协同运行：VLX-Flow负责持续感知视频流，实现流式理解与交互；VLX-Seek负责细粒度视觉感知，精准定位空间目标；VLX-Go负责具身导航与执行，输出可执行行动轨迹。三层深度协同，构建起从看见、看清到自主行动的全链路毫秒级闭环。
VLX的流式感知本身就是“数据闭环的入口”。
传统数据采集的逻辑是：先收集数据→再标注→再训练→再部署。而VLX的逻辑是：部署即采集——无人机巡检时实时感知环境、机器人导航时实时理解空间、AI PC处理视频时实时解析内容。每一次感知、每一次决策、每一次执行，都在产生高质量的真机交互数据。
这些数据天然满足新标准的“真实性”要求——不是实验室里采集的仿真数据，是真实场景、真实终端、真实任务中产生的真实数据。它们天然具备“场景适配度”——数据来自哪个场景、解决什么问题、效果如何，每一个数据点都有明确的业务上下文。
换句话说，端侧部署得越深，数据闭环越完整；数据闭环越完整，模型迭代越快；模型迭代越快，端侧能力越强。这是一个自我强化的飞轮。
从标准制定到标准践行
值得一提的是，Om AI联汇并非这场行业标准变革的旁观者。
公司早在2022年就获得工信部信通院001号大模型评测认证，成为国内首个通过该类认证的多模态预训练模型。公司同时牵头智能体国家标准制定、全面参与大模型国家标准编制。在行业标准从无到有的过程中，Om AI联汇始终在场。
但比参与标准制定更重要的，是用产品践行标准。
基于VLX模型基座，公司打造的全栈“终端大脑”产品矩阵——OttoPlex御行（具身装备）、OttoBox小欧（AI PC）、Homer AI好马（可穿戴设备）——均已在实际场景中规模化商用落地。无人机低空巡检、地面机器人自主导航、AI PC视频智能创作、视障人群出行辅助……每一个场景都在持续产出高质量的真机交互数据。
物理AI的“燃料标准”已经来了。接下来，比拼的是谁能在真实场景里持续产出高质量燃料。
而Om AI联汇的端侧原生架构和规模化落地能力，恰恰构建了这场竞赛中最核心的壁垒——不是数据的规模，而是数据闭环的质量。
LINKER | 更多阅读
