宇树科技王兴兴近期发言称，随着AI与机器人底层技术成熟，大型机器人与小型机器人的研发落地并不冲突。大型机器人是行业不可阻挡的趋势，行业最大的瓶颈，是AI模型输入输出，和真实物理世界之间的精准匹配不足。

在这个最大瓶颈中，中美走的是两条截然相反的路。

2026年9月，Figure AI发布了一组测试数据。搭载Helix 2.5模型的Figure 03机器人在加州湾区30间从未造访过的住宅中，完成了整理玩具、摺毛巾、铺床等420次任务。整体成功率56%。

作为对比，没有使用Index数据集预训练的版本，成功率只有9%。

六倍的提升，来自一个每秒新增35分钟人类行为视频的数据集。 这不是真实机器人采集的数据，而是群众外包的人类行为录像。

这是美国路线的典型样本：用“人类数据”和“仿真数据”替代昂贵的真机采集，用算力换数据。

而在太平洋的另一边，上海浦东的一座数据采集工厂里，数十台人形机器人每天重复着同一批动作：抓起一个杯子、放到指定位置、再抓下一个。采集员通过遥操作设备一遍遍纠正它们的轨迹，机器视觉、关节角度、力控反馈等数据随之汇入后台。

同样的场景，正在成都、无锡、南昌、苏州、天津、北京、深圳等几十个城市同步上演。

中国正在用最“笨”的方式，建造机器人时代最重要的基础设施——物理数据工厂。

一、两条路线的分野：虚拟空间 vs 真实场景

中美在机器人数据策略上的分歧，可以概括为一句话：美国在虚拟世界里“造”数据，中国在真实世界里“攒”数据。

美国路线的核心是世界模型和合成数据。

英伟达的Omniverse Replicator提供了一个框架，让开发者可以生成物理精确的3D合成数据，用于训练机器人的感知网络。2026年3月，英伟达进一步发布了物理AI数据工厂Blueprint，将训练数据的生成、增强和评估流程统一并自动化。全球机器人装机量超200万台的FANUC、ABB Robotics、YASKAWA和KUKA，正在将Omniverse库与Isaac仿真框架集成至其虚拟调试解决方案。

谷歌DeepMind的Genie 3则走得更远。这个“世界模型”可以用简单的图像和文本提示生成可交互的3D环境，模拟真实世界的物理规律。Waymo已经基于Genie 3构建了Waymo World Model，用于模拟龙卷风、洪水、甚至大象等罕见驾驶场景，训练自动驾驶汽车应对极端情况。

这条路线背后的假设是：真实数据太贵太慢，仿真可以替代大部分场景。

中国路线的核心是物理数据采集。

截至2026年6月底，全国已建成启用超过70家具身智能训练场，在建或规划中的还有46家，覆盖18个省级行政区。浙江以14家居首，广东、北京、山东、江苏各有8家，形成长三角、京津冀、珠三角三大集群。

这些训练场不是虚拟的。它们把真实的家庭、工厂、厨房场景1:1搭建出来，让机器人一遍遍练习抓取、叠衣服、拧螺丝。信通院报告用一组测算说明了缺口有多大：假设机器人迎来“ChatGPT时刻”需要训练1.1万亿token的数据，若全部依靠真机采集，约需21200台机器人连续工作一整年。而目前全球可用的高质量真实数据，总共只有数十万到百万小时级。

差距就是机会。而中国的选择是：用规模化的真机部署，把差距填平。

二、为什么仿真数据不够用：物理世界的“意外”无法被预设

这两条路线并非对错之争，而是效率与可靠性之间的权衡。

仿真数据的优势是显而易见的：成本低、产出快、可以无限生成。Figure AI的Index数据集每秒新增35分钟人类行为视频，每天积累5.7年的人类活动记录。这种规模的真实人类数据，是任何真机采集都无法企及的。

但仿真数据有一个无法回避的缺陷：它只能模拟你预设的场景。

宇树科技王兴兴在世界机器人大会上指出了一个关键问题：在固定场景下，经过充分数据采集训练的AI模型任务成功率可接近100%，但一旦更换操作的物品或所处环境，任务成功率就会大幅下降。

这个“泛化瓶颈”的根源，在于仿真环境无法复刻真实世界的全部变量。

物料摆放的微小偏移、光线在金属表面上的反射变化、接触面摩擦力的差异、工件在受力时的细微形变——这些在仿真中要么被忽略，要么被过度简化。但它们恰恰是机器人走进工厂干活时必须面对的常态。

摩根士丹利的评价很直接：大规模组织真机部署、搭建实体数据采集场景的能力，将成为未来人形机器人厂商分出胜负的核心变量。

中国路线的核心优势，不在于数据量更大，在于数据的“物理真实性”。 每一台在真实工厂里运行的机器人，都在产出包含完整物理信号的数据——力觉、触觉、惯性、视觉同步。这些数据无法被仿真生成，因为仿真本身就在模拟一个已经被简化的物理世界。

三、规模：中国制造业土壤的“隐藏资产”

物理数据采集的成本，取决于两个变量：机器人的数量和场景的丰富度。

中国在这两个变量上，都拥有结构性优势。

国际机器人联合会的数据显示，2024年中国新增安装工业机器人29.5万台，同期美国仅新增3.4万台。差距接近九倍。这意味着中国工厂里持续运转的实体机器人数量，以数量级领先于美国。

每一台在产线上工作的机器人，都是一个数据采集终端。 它们每时每刻都在产生视觉、力觉、空间感知、肢体运动的多维原始数据。这些数据不需要专门的采集员去“制造”，它们随着生产活动自然产生。

信通院报告指出，训练场建设逻辑正在从人才、资本驱动，转向以真实场景、数据供给和运营效率为核心的资源配置模式。国家层面，工信部等八部门已明确提出建设人形机器人中试基地和训练场，国家发改委提出以训练场和中试基地为抓手，构建高质量真机数据采集系统。

这是一场由国家意志和制造业土壤共同推动的基础设施建设。

四、王兴兴的判断：瓶颈不在数据量，在匹配精度

宇树科技王兴兴在2026世界机器人大会上给出了一个关于行业瓶颈的精准判断。

他将具身智能的“ChatGPT时刻”定义为：在80%左右的陌生场景中，通过语音和语言指令，机器人能顺利完成约80%的任务。

他认为实现这一目标需要突破三个关键方向：提升模型对任务的表达能力，突破多任务泛化瓶颈；提高模型对多元数据的利用和对齐；提高AI模型与真实机器人的对齐能力。

第三条最值得反复咀嚼。“AI模型与真实机器人的对齐能力”——这正是合成数据与真机数据之间的鸿沟所在。

合成数据在虚拟空间中运行，它训练的模型理解的是一个被简化的物理世界。当真机部署时，模型需要将虚拟世界中学到的“规律”映射到充满噪声、摩擦和非线性的真实物理环境中。这个映射的过程，就是“对齐”。对齐得不好，模型在仿真中表现优异，到了真机上就“水土不服”。

王兴兴的结论是直接的：“有多少数据，就有多少AI能力；数据质量越好，AI能力就越强。”

但他同时承认，人形机器人领域的数据仍然十分稀缺。宇树科技正在做的，是一方面利用海量真人数据和互联网数据进行预训练，另一方面通过真实机器人运行数据让机器人进一步适应物理世界。

五、融合：两条路线正在走向彼此

两条路线的分野清晰，但它们并非完全对立。

Figure AI的Index数据集虽然是人类行为视频，但它采集的是真实人类在真实环境中的操作。这些数据包含了真实物理世界的力反馈和视觉信息，比纯合成的3D场景更接近现实。Figure的成功（成功率从9%到56%）证明，高质量的真实人类数据，可以在一定程度上弥补真机数据的不足。

中国方面，仿真数据同样在被使用。训练场中的机器人练习，往往先在仿真环境中进行预训练，再在真机上做微调和验证。信通院报告援引李飞飞的判断：仿真数据与真实数据是互补关系，但真实数据提供真实世界的物理约束，是模型落地不可替代的部分。 

未来的赢家，很可能不是选择某一条路线，而是能把两条路线打通。

用仿真数据做“广覆盖”的预训练，用人类视频数据做“高密度”的行为学习，用真机数据做“精准”的物理对齐。三者叠加，才能同时解决泛化、效率和精度的问题。

六、效率与真实之间的长期博弈

中美机器人数据路线的分歧，本质上是一个关于“如何学习物理世界”的哲学问题。

美国选择用算力和算法“模拟”物理世界。 它的逻辑是：如果仿真足够精确，如果人类数据足够丰富，机器人可以在进入真实世界之前就“学会”大部分技能。这条路线的上限很高，但下限也很低——仿真与现实的差距，可能成为永远无法跨越的鸿沟。

中国选择用部署和场景“采集”物理世界。 它的逻辑是：真实世界的不确定性无法被完全模拟，唯一可靠的学习方式是在真实环境中积累经验。这条路线的上限受制于采集速度和规模，但它的下限很扎实——每一份数据都是真实的物理反馈。

王兴兴说，行业最大的瓶颈是AI模型与真实物理世界的精准匹配不足。这句话点出了这场竞赛的核心：谁能更快地让模型理解真实世界的“不完美”，谁就能更早迎来具身智能的ChatGPT时刻。

两条路线都在向前推进。而最终的结果，可能不是一个路线战胜另一个，而是两条路线在某个节点汇合——仿真提供广度，真机提供精度，人类数据提供密度。 当三者同时到位时，机器人才真正开始“理解”物理世界。

在那之前，70家训练场和每秒35分钟的人类视频，都是这场漫长学习的注脚。