近日，成立不到半年的物理AI数据服务平台觅蜂科技宣布完成新一轮数亿元天使+轮战略融资：由国方创投领投，孚腾资本、上海电科基金、元启创新等跟投，老股东均普智能、鼎晖VGC持续超额追加投资。

觅蜂科技将自身定位为“全球一站式物理AI数据服务平台”，要做的不只是帮人“采点数据”，而是把采集—治理—交付串成一条可复制的工业级链路。

在业内看来，这不是一笔普通的早期融资。

本轮投资方集结了国资与产业资本两大阵营——背靠上海国际集团、上海国投两大国资平台，联动上海数据集团、国家机器人检测与评定中心（总部）等官方生态资源。一家成立不足半年的公司，凭什么让国资和产业资本同时下注？答案藏在具身智能行业一个看似枯燥却至关重要的命题里：数据短缺。

“数据荒漠”里的万亿风口

如果把具身智能比作一座金矿，那么当前最紧俏的生意不是挖矿，而是卖铲子——这把“铲子”，就是高质量物理AI数据。

大语言模型可以靠互联网上的海量文本“自学成才”，但机器人不行。让机器人“用手捡起干木耳”这个对人来说轻而易举的动作，它需要调动物体材质辨识、空间姿态匹配、力反馈感知等多个技能。 这些数据无法从互联网上直接下载，必须在真实物理世界中通过人与物体的交互来采集。

根据相关数据，大语言模型GPT-5的训练语料折合约100亿小时人类说话时长，而全行业汇聚的高质量具身数据仅约50万小时，差距以万倍计。 据测算，2026年行业高质量有效数据缺口超500万小时。完成一个高质量模型的训练，至少需要千万小时量级的数据。

业内专家这样打比方：大语言模型就像一个博览群书的学者，可以在图书馆里找到几乎所有需要的知识；而具身智能模型则像一个从未出过门的婴儿，必须有人手把手教它如何抓握、如何行走、如何与人互动。

当前最大的问题是，这个“婴儿”需要的教学视频，市面上几乎没有。

从“手工作坊”到“数据工厂”

传统数据采集方式堪称“手工作坊”——依赖专业人员通过遥操作设备远程操控真实机器人，一天仅能采集数十小时数据，成本高昂且效率低下。

国内真机数据的市场价格目前在每小时500-1000元之间， 这对于动辄需要百万小时数据训练的模型而言，是一笔天文数字。

觅蜂科技选择了一条不同的路。它推出的MEgo系列无本体采集硬件，让普通人戴上头戴设备和腕部夹爪就能完成高质量数据采集，实现“随行即采、走到哪采到哪”。 这种“无本体”方案的核心逻辑是：不需要昂贵的机器人本体参与，人类直接演示操作，采集到的数据经过处理后可用于训练不同型号的机器人。

这相当于把数据采集从“专业摄影棚”变成了“全民随手拍”。觅蜂科技CEO姚卯青透露，无本体数据的采集效率大概是真机的两三倍，价格最终将收敛至真机数据的三分之一到二分之一。 如果真机数据卖到每小时1000元，无本体数据未来可能稳定在300-400元。

但价格下降并不意味着利润空间收窄。恰恰相反，规模化生产带来的边际成本递减，可能让“薄利多销”成为更可持续的商业模式。觅蜂科技规划2026年实现千万小时级数据产能，2030年冲刺百亿小时数据体量。

赛道拥挤，但“标准之战”才刚开始

觅蜂科技不是唯一看到“数据铲子”机会的玩家。

鹿明机器人推出的FastUMI Pro无本体采集系统，已将数据采集效率提升至传统方案的3倍，同时将成本降至约1/5。其数据超市已覆盖工业生产装配、家庭生活、餐饮、物流仓储、医疗护理等10大主流应用场景，40余个任务类型，有效率高达95%以上。与此同时，鹿明已建设多个标准化数据采集基地，并在2026年启动百万小时数据采集计划。

光轮智能则凭借自研物理仿真引擎，在合成数据领域建立壁垒，覆盖从物理真实仿真、规模化数据生产到模型能力评测的完整链路，2025年全年营收实现10倍增长，2026 年Q1单季预计收入超过25年全年总和。

互联网巨头也开始成为入局者。京东在2026年3月宣布建设具身智能数据采集中心，计划发动数十万人参与采集，一年内积累500万小时人类真实场景视频数据，两年内突破1000万小时。

但在行业专家看来，目前的竞争焦点或许不在采集效率，而在数据标准。当前行业最大的痛点不是数据太少，而是数据不兼容。不同厂商使用不同的采集设备、数据格式和标注规范，导致数据无法在不同机器人和模型之间流通。一家厂商花费巨额成本采集的数据，对另一家厂商可能毫无价值。

这就像在智能手机出现之前，每个手机品牌都有自己的充电接口和数据格式。谁能制定行业统一的“USB标准”，谁就能掌握整个行业的话语权。觅蜂科技联合工信部赛迪研究院、国家数据标委会等机构发起“蜂巢数据共创行动”，也是瞄准了这一制高点。

千亿市场的冷思考

据沙利文预测，到2030年中国物理AI仿真及数据平台市场规模将达到1,806亿元，其中智能汽车和具身智能机器人分别占比36%和34%。英伟达CEO黄仁勋甚至断言，物理AI有望重塑全球价值约50万亿美元的制造和物流产业。

这些数字令人热血沸腾，但一个基本问题尚未得到解答：数据是否越多越好？

大语言模型的“GPT时刻”建立在相对清晰的Scaling Law（规模定律）之上——数据越多，模型越强。但在机器人领域，这条定律并不那么清晰。UC Berkeley教授Ken Goldberg在ICRA 2026大会上指出，仅靠数据远远不够，传统工程设计、模块化系统和细致调试仍是系统落地的关键，真实生产环境中部署产生的数据尤为重要。

换句话说，机器人需要的不仅是“海量数据”，更是“高质量闭环数据”。此外，具身智能数据服务商还面对一个考验：能否在机器人大规模部署之前建立起不可替代的基础设施地位——包括数据标准、质量体系和交易平台。否则，当机器人本体厂商自建数据能力成熟后，第三方数据服务商的议价空间将被大幅压缩。

觅蜂科技的融资历程（从种子轮到天使+轮仅用时四个月）， 以及国资与产业资本的联合加持，表明资本市场对这一逻辑的认可。但资本的热情与产业的现实之间，往往存在时滞。2026年被称为“具身智能数据规模化元年”， 但这一年究竟是泡沫的顶点，还是产业化的起点，恐怕要等到第一批机器人真正在工厂里稳定运行24小时×7天之后，才能给出答案。

采写：南都·湾财社记者 胡雯雯