“我能买到的数据，别人也能买到。”
谈及机器人数据的价值，从环保工程转向机器人应用的从业者陈远，首先提出了一个关于竞争的问题：如果企业都能采购同样的数据，差异从哪里来？
他的团队主要面向工业客户，选择成熟机器人设备进行二次开发，针对具体工况调整方案，并积累现场操作记录和故障反馈。相比公开市场能够买到的通用数据，他更重视这些信息能否帮助团队解决客户的问题。
数采行业同样需要回答长期问题：机器人行业需要数据，但供应商凭什么持续获得订单？
中国信通院等机构发布的《具身智能训练场研究报告（2026年）》（以下简称《报告》）认为，国内训练场正从建设热潮期向能力沉淀期过渡。未来，部分训练场可能因场景定位不清、数据产品能力不足等问题，面临成本覆盖和持续运营困难，并进一步向产业链中的细分服务环节分化。
具身智能机器人在引导下做着授粉与采收等动作。本文图片 视觉中国 资料图
客户需要数据，是否一直需要你？
机器人数据公司Eidon AI创始人山姆·帕迪亚（Sam Padilla）在公司停止运营后复盘时指出：机器人实验室希望通过内部采集团队，以及已经部署的设备，持续获得数据。第三方供应商虽帮助客户完成早期积累，却可能随着客户自身能力提升而被减少采购。
《报告》也指出了类似风险：部分训练场缺少对所生产数据的充分训练和验证，将落地环节交给下游模型企业。这既难以保障数据在真实场景中的应用质量，也不利于形成长期运营能力。对于这类仅依靠出售数据的训练场，《报告》判断，大规模真机落地并产生回流数据后，其竞争力将受到冲击。
不过，这并不意味着外部数采服务会被完全替代。
四川具身人形机器人科技有限公司CEO冯振宇向澎湃新闻记者表示，行业对于数据需求本身没有太大分歧，争论更多集中于获取方式，包括使用机器人本体、无本体设备或仿真等不同路线，最终都希望获得成本更低、效果更好的数据。
《报告》指出，目前模型与本体仍难以解耦，不同设备的传感器类型、精度和采样率存在差异，在一个数据集上训练好的模型，部署到不同型号的本体上时，性能可能明显下降。不同训练场对同一任务的定义、执行流程和评价标准不一致，也影响数据拼接与联合训练。
这也意味着，外部供应商的竞争力不仅取决于能采集多少数据，还取决于能否让数据适用于客户的模型和设备，减少其后续适配成本。
《报告》指出，数据需求方缺少事前验证数据质量与价值的手段和能力，增加了采购风险。国内专门面向具身智能的数据交易平台仍较少，现有平台大多服务于通用数据交易，难以充分满足提前看样、质量检测、权限管控等需求。
数据定价，谁说了算？
数据采集的定价同样备受关注。不同训练场的采集方式、场景覆盖和标注质量存在差异，定价维度和区间不同，需求方难以快速对比选型，供需双方的沟通成本随之增加。
陈远更看重数据与实际问题之间的联系，“数据是不是来自真实业务痛点，是不是真的有效”。他的团队从事机器人应用开发，在项目中积累现场数据。粉尘、湿度、光照变化，以及不同人员的操作和维护方式，都可能影响设备表现，团队需要记录问题出现的条件，调整方案，再检验效果。
据其介绍，团队通常需要在客户现场运行两至三个月，部分项目的验证周期长达五个月，才能判断设备在不同条件下的稳定性。一些客户也会要求查看未经剪辑的实测视频，关注设备出现异常后如何处理。
一位受访从业者认为，对于来自真实业务、能够回应具体问题的数据，企业愿意支付更高价格，“高质量真实数据，就算开10倍价格，也会愿意买。”
不过，这种价值需要经过验证。《报告》提出，训练场应通过模型训练发现能力短板，以应用验证识别失效场景，再将问题反馈至数据采集和数据组合的优化环节。目前，多数训练场仍以数据生产和交付为主要定位，模型训练、性能验证、部署评测及反馈优化等能力尚未全面覆盖。
此外，数据流通还面临另一层矛盾：企业希望购买外部数据，却未必愿意共享自身最有价值的积累。
《报告》指出，数据构建过程中的方法、流程和动作标准，是企业重要的经验沉淀。共享数据可能削弱企业对数据的掌控及其技术竞争优势。同时，采集涉及场地、机器人本体、参与人员等多方，生成数据的权利归属划分尚不清晰，也制约了后续交易。
在与设备厂商开展定制合作时，陈远同样关注方案数据归属和保密安排。团队既需要厂商开放相应开发能力，也会把客户需求与现场问题反馈给厂商；双方如何使用合作成果，需要提前约定。
能否取得数据、能否证明其有效，以及能否将其用于后续交易，是数采企业需要解决的问题。
数据采集师正在调教机器人。
长期出路：可能在能力积累过程中长期波动调整
《报告》提出的一条路径是“训练即服务”：向不具备自建训练场能力的模型企业开放场地、采集设备、机器人本体和算力等资源，提供从数据采集、清洗标注到模型调优、场景验证的全流程服务，按训练时长、算力使用量或数据使用量等方式收费。
这一路径尝试将收费环节延伸至训练和验证，也对运营方的技术能力提出了更高要求。报告也提出了另一种可能：部分训练场缩短业务链条，聚焦数据采集工具链、模型本体测试等环节，通过做深局部能力实现持续经营。
陈远的选择是聚焦少数细分行业。他认为，客户既要有真实需求，也要具备付费能力；团队在同一领域持续迭代，才能把研发、销售和制造成本逐步分摊到后续项目中。
在他看来，一些高价值、定向服务的数据，其获取成本本身就是研发投入。团队可以将这部分成本纳入定制产品和服务，通过解决客户问题获得回报，而不一定单独出售数据集。
但深入具体场景，也意味着较长的投入周期。陈远表示，即使合作企业愿意提供产线用于测试，设备改造、算法调试等费用，往往仍需团队自行承担。小企业还担心，前期验证完成后，大厂进入同一市场，而自己尚未收回投入。
一位受访从业者坦言，小企业既要承担前期验证成本，也担心方案得到验证后，大厂进入同一市场，而自身尚未收回投入。在长期资金支持方面，他认为，国资能够支持早期研发和场景验证，但管理团队任期和班子调整，也可能影响项目路线及后续投入。
对于相对成熟的场景，他建议通过园区、学校等实际采购，让设备在使用中接受检验、积累反馈，也为阶段性失败留出空间。
《报告》指出，技术路线、应用场景和商业模式仍在演进，训练场可能在能力积累过程中长期波动调整。
（文中陈远为化名。）
