数据投入跑在机器人出货前面，这不是泡沫，是训练逻辑决定的。数据堂COO何鸿凌的判断很直接：2026年AI数据服务市场最显著的增量来自具身智能，而非大模型。
机器人没智能就卖不出去，数据必须先到位
不能拿终端出货量倒推数据需求。一辆车可以先卖出去，智驾功能后续OTA；但没人会买一台什么都不会的机器人。机器人必须先完成训练、具备智能，才可能进入市场。
算一笔保守账：一家模型公司需要10万小时数据，每小时100元，投入就是1000万元。不少公司规划的是100万小时，甚至1000万小时。
具身智能在公司收入中的占比已经比较可观，甚至超过了自动驾驶数据业务。语音仍是最大领域，但具身智能增长极快，去年接近于零，今年迅速形成体量。
大模型数据需求没消失，只是形态变了
大模型数据需求规模仍在增长，但训练方法和服务方式从去年到今年没有本质变化。代码、基础学科、金融法律医疗垂直领域、图像视频生成的美学数据，都没有发生模型级变化。
不同公司按产品重点调整投入方向，有的补办公，有的补代码。预算继续涨，人员层级要求提高，参与者进一步集中。这是规模增长，不是需求形态重新爆发。
语音是个典型例子。大模型能力提升后，语音成为人机交互界面，识别和合成都出现新需求。厂商要把识别做得更细，方言数据重新受到关注。
后训练进入专家数据阶段，组织从大兵团转向特种兵团
当下大模型训练的数据需求主要集中在后训练所需的专家数据。代码、物理世界基础知识、金融法律医疗垂直领域是重点方向，通用预训练数据早已被大量消耗。
这些任务需要更高阶的人才。很多时候，只有一个领域里能力处于前10%的人，才值得为模型带来知识和判断。模型能力越高，越不希望数据里充斥平庸内容。
过去做数据服务强调成本和大规模交付，一个项目可能组织上万人，工作内容相对稳定，以自动驾驶为例，这更像大兵团作战。大模型后训练更像特种兵团：一个细分领域可能只需要十几个人，百人团队已经不小，但这些人必须是精英。
任务不是固定不变的，要根据模型公司的需求不断调整。变化不只发生在招聘上，还会影响组织结构、项目链路，甚至小组所在地的选择。
人员外包不是结构性变化，是磋商方式
现在确实有不少项目使用人员外包，但这不是结构性变化。过去按数据量结算，前提是任务可以事先定义清楚，在执行过程中保持稳定。
现在很多高级任务会随模型表现变化，很难在一开始就确定统一的工作量和单价，所以供需双方先按人头和时间合作，更容易完成协议。
如果一个任务经过一段时间探索，形成了稳定链路，也可能再转回按量结算。比如前三个月按人头服务，后续按产出量计算。这更多是业务磋商方式，不是数据服务商业模式的根本转变。
单一领域有周期，数据服务商必须不断换矿
一个AI如果一直需要人反复教，说明它没有真正学会。一个模型进入金融、法律或医疗领域，可能用半年到一年达到超过该领域90%从业者的水准。到那时，大规模投入就会结束，只需要少量人员针对难题案例做测试和优化。
任何单一AI领域的大规模数据需求都有周期。数据服务商真正需要沉淀的，是跨周期迁移的工程实施能力、柔性数据生产平台和版权数据资产。
具身数据是一座金字塔，越贴近本体价值越高
遥操作数据位于金字塔顶端，价值高、开销高、数量少。第一视角数据开销更低、通用性更强，更适合规模化生产。UMI介于两者之间。
越贴近机器人本体，训练价值越高；越远离本体，越容易规模化。训练价值和规模化能力展现出不同的排序。
这里有个坑：很多团队一上来就想大规模铺第一视角数据，觉得便宜量大。但缺少顶层遥操作数据的锚定，模型学到的动作空间和本体感知容易脱节。实测这样更稳：先用少量高质量遥操作数据打底，再用第一视角数据做泛化。
仿真是必要手段，但未必能独立成为外部服务
模型需要在仿真环境中摸爬滚打，做完强化学习。但这一过程究竟由模型公司内部完成，还是交由外部服务商提供，目前尚未形成共识。
仿真的商业边界取决于模型公司的技术栈选择。如果仿真环境与模型训练框架深度耦合，外部服务商很难切入；如果仿真作为独立工具链存在，才有服务空间。
部署仿真环境时常见的报错是物理引擎与渲染管线版本不匹配，导致仿真步进和视觉观测不同步。根因通常是CUDA驱动版本与仿真引擎编译时的CUDA版本不一致。解决方案是先确认驱动支持的CUDA版本，再安装对应版本的仿真引擎和渲染后端。验证方法是跑一个简单的抓取任务，检查仿真步进时间与真实时间是否一致。
路线并行，三到五年可能收敛
具身智能仍处在多种路线并行尝试的时期，未来三至五年可能逐步收敛。当前数据模态与数据尚未确定，具体玩家和实现形式仍存在不确定性。
何鸿凌对具身智能的长期价值持乐观判断。但乐观不等于盲目投入，数据服务商要做的，是在路线收敛前把工程实施能力、柔性生产平台和版权数据资产沉淀下来。
跨周期经营的关键不在于押注某一个领域，而在于换矿的能力。大模型数据服务进入后训练和专家数据阶段，具身智能数据需求形成金字塔结构，两者对组织能力的要求不同，但底层逻辑一致：谁能快速响应模型反馈、灵活调整生产链路，谁就能在下一个周期继续留在牌桌上。
测试验证方法上，具身数据质量可以用动作复现误差来判定。采集一批遥操作数据后，让模型在仿真或真机上复现，记录末端执行器的位置误差。如果误差在任务允许范围内，说明数据可用；如果误差持续偏大，需要检查采集时的标定和时间同步。
具身智能的数据需求不是大模型数据的简单延伸，它涉及物理交互、本体感知和实时反馈，对采集设备、标注工具和工程链路都有不同要求。数据服务商如果只沿用大模型数据的生产流程，会在动作空间对齐和时序一致性上踩坑。
不建议在生产环境直接用未标定的第一视角数据训练抓取策略。第一视角数据适合做视觉骨干的预训练和场景泛化，但精细操作策略仍需要遥操作数据或仿真强化学习来打磨。两者结合，才是当前比较稳的路径。
