具身智能数据：AI时代的石油

具身智能数据:AI时代的石油证券研究报告证券分析师 ：王紫敬执业证书编号：S0600521080005联系邮箱：wangzj@dwzq.com.cn二零二五年六月五日请务必阅读正文之后的免责声明部分➢数据是推动具身智能技术快速突破和落地应用的关键。借鉴自动驾驶汽车发展的路径，数据对于具身智能同样至关重要。优质的数据集能够驱动智能体感知与理解环境，能够加速具身智能模型的训练与部署，帮助机器人有效完成复杂任务。不同于大语言模型可以使用互联网海量信息作为训练数据，机器人所用的具身智能模型没有现成数据可以使用，需要投入大量时间和资源进行机器人操作实践或仿真模拟，以收集视觉、触觉、力觉、运动轨迹以及机器人本体状态等多源异构数据。符合通用标准、得到验证的数据集成为具身智能行业的刚需。当前具身智能本体形态多种多样，应用场景千差万别，对于具身智能训练数据的需求也更为多元。目前业内仍有部分数据集主要聚焦在特定机器人、特定场景和特定技能等方面，在整体通用性上有待提升。因此，构建高质量、多样化的感知数据集是不可或缺的基础工作，这些数据集不仅为算法训练提供了丰富的素材，也成为了评估具身性能的基准参考标准。➢具身智能数据按采集方式主要分为真实数据和仿真数据两大类。（1）真实数据：真实数据是智能体通过自身物理身体上的各类传感器（如摄像头、麦克风、触觉传感器等 ），在与真实物理环境进行交互过程中，实时采集获取的数据。真实数据主要来源有：机器人遥操（通过人工远程操控获取真实场景下的操作数据）、动作捕捉（记录人类在特定环境中的行为模式）。（2）仿真数据：借助计算机模拟技术，在虚拟环境中生成的、用于训练具身智能的数据。通过构建虚拟场景、物体和智能体，模拟智能体与虚拟环境的交互过程来产生数据。即利用仿真环境生成训练数据。真实数据和仿真数据两者是互补关系，未来训练将大量混合使用真实数据和高质量的合成数据。➢当前具身智能数据多为厂商自采集，存在丰富开源数据集。当前给人形机器人采集的高质量数据通常在现实世界中获取，采集方式主要有直接接触数据（真机数据）和间接接触数据（人工控制数据）两种。最理想的数据采集方式是通过人形机器人本体直接触达物理世界，让其准确理解真实环境。大规模真机数据的采集成本高昂，需要投入许多人力、物力和时间资源，数据标注和采集设备都存在门槛。目前市面上存在丰富的高质量具身智能开源数据集，如智元、谷歌、国地共建中心等均开源了丰富的具身智能数据集，具备丰富的演示数量、场景任务和动作技能等。➢机器人仿真数据主要依赖虚拟场景，而场景的合成方案可拆解成两个关键部分:场景生成（Gen）与模拟（Sim）。场景生成引擎（Gen）主要有两种技术路径：合成视频+3D重建：基于像素流驱动，先生成视频或图像，再重建为点云或mesh等非结构化3D数据，最终转为结构化语义模型。如Hillbot、群核科技、World labs（李飞飞）等。AIGC直接合成3D数据：利用图神经网络（GNN）、扩散模型（Diffusion）、注意力机制（Attention）等方法，直接合成结构化空间数据。如 ATISS、LEGO-Net、DiffuScene、RoomFormer 等代表模型，部分方案结合程序化生成技术，如 Infinigen（CVPR 2024）。➢投资建议与相关标的：数据是推动具身智能技术快速突破和落地应用的关键，重点关注布局具身智能数据集的企业，相关标的：均胜电子（数据场）、海天瑞声（机器人数据集）、索辰科技（数据仿真）、华如科技（数据仿真）。➢风险提示：相关政策不及预期、各类型企业IT预算不及预期、市场竞争加剧。投资要点1研究成果1、 具 身 智 能 数 据 集 基 本 概 念1、具身智能数据集基本概念3、国内外具身智能仿真数据集现状2、国内外具身智能真实数据集现状4、相关标的5、风险提示2具身智能数据集基本概念3➢具身智能四个最关键的因子：算法、算力 、机器人硬件、数据。➢算法层面：ChatGPT、Deepseek、通义千问等一系列领先的模型，在算法层面国内处于引领地位。➢算力层面：国外以英伟达、AMD为代表，国内以寒武纪、海光信息、地平线等公司为代表，正在快速突围。目前在训练阶段的算力瓶颈已经解决。➢机器人硬件层面：中国目前具有丰富的产业链。➢数据层面：目前仍是世界级难题，如何给机器人提供用来训练的可交互的数据是未来具身智能工作的重点之一。具身智能的世界级难题：数据数据来源：东吴证券研究所绘制图：具身智能四大关键因子算法算力机器人硬件数据具身智能4➢数据是推动具身智能技术快速突破和落地应用的关键。借鉴自动驾驶汽车发展的路径，数据对于具身智能同样至关重要。优质的数据集能够驱动智能体感知与理解环境，能够加速具身智能模型的训练与部署，帮助机器人有效完成复杂任务。➢目前高质量、多样化的数据集仍旧稀缺。不同于大语言模型可以使用互联网海量信息作为训练数据，机器人所用的具身智能模型没有现成数据可以使用，需要投入大量时间和资源进行机器人操作实践或仿真模拟，以收集视觉、触觉、力觉、运动轨迹以及机器人本体状态等多源异构数据。符合通用标准、得到验证的数据集成为具身智能行业的刚需。当前具身智能本体形态多种多样，应用场景千差万别，对于具身智能训练数据的需求也更为多元。目前业内仍有部分数据集主要聚焦在特定机器人、特定场景和特定技能等方面，在整体通用性上有待提升。因此，构建高质量、多样化的感知数据集是不可或缺的基础工作，这些数据集不仅为算法训练提供了丰富的素材，也成为了评估具身性能的基准参考标准。➢数据集的标准和有效也同样重要。作为训练具身智能大模型的重要原料，数据集采集是否符合标准、在训练上是否“能用”、“好用”，是否能更有效支持模型泛化，已经成为机器人变“聪明”的关键。具身智能浪潮来袭，数据供给瓶颈亟待突破数据来源：生境科技，东吴证券研究所图：具身智能大脑整体框架5➢数据采集的关键价值包括：①促进通用智能形成：具身数据支持机器人在复杂环境中实现通用任务能力，是类人智能演化的基础；②增强环境理解能力：比起图像识别等静态数据，具身数据可捕捉动态交互、物体变化、力学反馈等多维信号；③支持任务迁移与泛化：不同场景中的具身体验数据，有助于提升模型从特定任务向通用任务的迁移能力；④提升实时决策能力：通过感知-理解-反馈数据闭环，机器人可实现即时调整与精准操作。数据采集的价值和难点数据来源：机器人产业应用，东吴证券研究所图：具身智能大脑整体框架6➢具身智能数据按采集方式主要分为真实数据和仿真数据两大类。（1）真实数据：真实数据是智能体通过自身物理身体上的各类传感器（如摄像头、麦克风、触觉传感器等 ），在与真实物理环境进行交互过程中，实时采集获取的数据。真实数据主要来源有：机器人遥操（通过人工远程操控获取真实场景下的操作数据）、动作捕捉（记录人类在特定环境中的行为模式）。（2）仿真数据：借助计算机模拟技术，在虚拟环境中生成的、用于训练具身智能的数据。通过构建虚拟场景、物体和智能体，模拟智能体与虚拟环境的交互过程来产生数据。即利用仿真环境生成训练数据。➢两者关系：仿真数据不会取代真实数据，两者是互补关系。未来训练将大量混合使用真实数据和高质量的合成数据。➢仿真数据的优势是低成本、