8月26日晚，第二届世界人形机器人运动会闭幕。五天赛程，百余款、超两千台机器人同场竞技：百米跑进10秒，原地跳高跳到3.40米，400米大型组决赛跑出38秒15，1500米跑进2分21秒64，多项成绩较上届实现质的飞跃；大型组100米决赛，天骄队的天工Ultra机器人跑出8秒64夺冠，比博尔特保持的人类百米世界纪录9秒58还要快。微博本届运动会共有来自16个国家和地区的666支参赛队伍、2056台人形机器人运动员，聚焦51个赛项进行了1301场对决。新华网新华社的报道里还有一句容易被忽略的话：五天赛程，数千小时运行数据、上万次动作捕捉被完整记录。换句话说，这届运动会本身，就是一场超大型的数据采集现场。
但比赛程更值得琢磨的，是舆论的风向。这两天传播最广的微博之一，没有讨论谁赢了，而是问了一句扎心的话：那么问题来了，他们是用什么数据训练的这个机器人？微博 B站上，《世界人形机器人运动会如火如荼，我却想泼点冷水》拿下近18万播放、2500多条评论，《进步速度太疯狂？为什么让机器人打乒乓球这么难？》也超过17万播放。哔哩哔哩哔哩哔哩看热闹的人开始追问热闹背后的门道，而行业给出的答案出奇一致：数据。
为什么瓶颈从"身体"变成了"数据"
大语言模型有整个互联网可读，机器人却没有一张"物理世界的互联网"。一段视频只能告诉模型"发生了什么"，而机器人要学会的是"接下来该做什么、为什么"。叠衣服时该用多大力，桌面乱了先收哪一件，柜门卡住了怎么办——这些长在日常生活里的经验，互联网上并没有现成的存货。这也是上周世界机器人大会Physical AI论坛上几位头部玩家的共识。跨维智能的贾奎问得很直接：如果机器人每进入一个新场景、学习一项新技能、适配一种新本体，都要重新投入近似相同的资源，那更像是在不断复制项目，而不是沉淀能力，谈不上规模经济。
清华大学的苏航列出了三座大山：具身数据不足、被动模仿学习容易触及上限、真实环境始终处于变化之中。地瓜机器人的隋伟则更保守：遥操作数据最直接有效，但采集贵、采集慢，他觉得行业整体仍处于一个非常初级的阶段，“拐点尚未出现，可能还需要持续深耕个1-2年才能解决’数据’这个制约发展的关键瓶颈”。知乎比起发布会上的热闹，这个判断更值得记住。
海外：Figure开始花钱买你的家务视频
美国当地时间8月25日，也就是闭幕前一天，Figure推出Index项目，并在iOS和Android平台同步上线，希望通过全球用户采集真实任务数据。微博逻辑很朴素：普通人拍自己洗碗、叠衣服、收拾桌子的过程，上传，拿钱。截至目前，Index已经覆盖全球108个国家和地区，累计获得超过26.4万次应用下载，超过4.4万名周活跃用户参与数据贡献，上传视频超过1600万条。36氪
几个细节值得停下来看看。它收的不是"完美示范"：用户可以记录整理房间、叠衣服、清洁厨房这类家务，也可以记录物流中心、餐厅、工厂、办公室里的工作流程，连清理猫砂、更换机油这种低频任务都要，还专门希望收集机器人未来可能遇到的各种"意外情况"——因为机器人真正进入现实后，最大的挑战不是完成学过的动作，而是在陌生场景里做出正确判断。
数据还有密度要求：每采集1000小时数据，平均要覆盖373种独特任务、1146种不同操作对象和116种不同环境，靠重复内容刷量过不了关。采集机器也开得飞快：Index每秒可以处理约30分钟的视频上传量，相当于每天接收约4.9年的人类工作时间数据，Figure已经向创作者支付超过1500万美元报酬，并表示未来12个月将在数据和计算资源上投入超过10亿美元。36氪 Figure的判断很明确：硬件制造并不是机器人商业化最大的瓶颈，真正决定机器人能否进入更多场景的，是它够不够聪明。谁手里有最多、最真实的现实世界交互数据，谁就握着下一代机器人产业的入口。
国内：同一条赛道，几乎同一周踩下油门
就在闭幕当天，国内具身数据基础设施公司简智机器人宣布完成A轮融资，由物理AI公司Momenta领投。成立仅一年时间，简智机器人已完成7轮融资，累计融资总额突破2亿美元，刷新具身智能无本体数据赛道融资记录。知乎它走的路子和Index类似：用可穿戴设备直接采集人类行为数据，不依赖机器人本体；已开源的超13000小时数据集单月下载量突破百万次，位居全球开源具身数据集首位。
政策也在往同一个方向推。2026年6月，工业和信息化部、国务院国资委联合印发《关于联合开展2026年度人形机器人与具身智能实景实训专项行动的通知》，这意味着具身智能正由"演示模式"加速迈向"作业模式"。光明网今晚的闭幕式上，组委会的说法是：每一枚奖牌的诞生，都标记着人形机器人向"实用"迈进的一步——工厂搬运上料、酒店整理客房、超市拣货补货，都已经进了这届运动会的赛项名单。新华网
国内的数据积累也不只靠砸钱。在北京市海淀区的AI原点社区，已经有一处为机器人提供训练的真实场景试验室：与常规试验室的理想训练环境不同，这里光线会变化、物体摆放不固定，机器人周围的声音也多种多样。新华网机器人在里面练整理家务、清洁水池这类活儿，工作人员则在训练过程中记录更丰富的具身数据，帮机器人更好地理解任务、拆解任务、完成任务。
两个容易想偏的地方
第一，数据不是越多越好。论坛上被反复提起的一句话是：数据质量比单纯的数据数量更重要，尤其是失败轨迹、人工调试和接管恢复数据，可能比大量"完美示范"更有价值。知乎机器人不光要知道"怎么抓起来"，还得知道抓不起来的时候该怎么办——这也是Index连"意外情况"都要收的原因。
第二，采集到不等于用得上。人类行为数据和机器人能执行的数据之间，还隔着"虚实迁移"这道坎：无本体采集的数据如何高效完成虚实迁移、完成从人类动作到机器人执行的对齐适配，至今仍是技术落地的关键命题，刚融到钱的简智自己也承认这一点。知乎微博上也有更冷静的声音：人形机器人目前离"通用智能"还很遥远，所有机器人公司对此的解释归根结底就一句话"训练数据不够"，而这种说法背后，未必没有"不是我不行，是我没有足够的数据"的成分。微博是瓶颈还是借口，最后要交给部署效率来回答，别看发布会。
三个能带走的观察信号
如果只是看个热闹，这届运动会够聊一阵：8秒64的百米、3米40的跳高，还有拔河、投壶、街舞、自由搏击这些脑洞赛项。但热闹之后，建议留三个信号，以后再看这个赛道的新闻，就不容易被带节奏：
一看数据闭环，不看单次演示。重点不是某个动作多惊艳，而是每次部署能不能产生回流训练的新数据——论坛上那句话可以作为标尺：每一次部署能否为下一次部署带来增长效益。二看采集成本曲线。真机遥操作采集又贵又慢，Index式的全民众包、简智式的无本体穿戴采集，赌的都是把每小时数据的价格打下来，谁先打下来，谁先到规模门槛。三看家庭场景和合规。实景实训专项已经启动，真实场景试验室已经落地，等机器人真的进家门，数据采集会同时碰到隐私这根线，那会是下一个争议焦点。
闭幕式上，组委会把办赛的初心使命概括为"用实战来检验，以需求为牵引"。新华网下一步不在跑道上，而在那1600万条家务视频、上万小时遥操作数据和一条条被存下来的失败样本里。真正会改变你生活的那台机器人，此刻正在被这些不那么光鲜的数据喂大。
