当具身智能的竞争从“造出一台机器人”转向“真正会干活”，数据正在成为某种更稀缺的资源。

　　近日，均普智能发布工业具身智能数据平台Primus Forge及头戴式第一视角数据采集设备Primus Ego。加上此前开源的真机强化学习数据集，其试图搭起一条覆盖“采集硬件—数据平台—数据集—真机验证”的工业具身智能数据链路。

（图片来源：均普智能）

　　从产业而言，这次投入加码的背景，是具身智能正面临巨大的结构性缺口：大模型可以从互联网获得海量文本和图像，但机器人需要的是与真实世界交互的视觉、动作、状态及纠错数据。

　　觅蜂科技董事长兼CEO姚卯青此前公开表示，具身智能模型要达到像GPT-3.5那样开箱即用的类人初步能力，大概需要一亿小时量级数据。但目前全球有效具身智能数据只有约几十万小时，还有2~3个数量级差距。

　　据多家研究机构测算，2026年中国具身智能市场规模预计突破1万亿元，其中数据服务占比超15%。

　　均普智能相关负责人对21世纪经济报道记者表示，不同于家庭、服务等泛场景，工业精密制造数据是具身智能模型训练中“最稀缺、价值最高的数据资产”。

　　原因在于，工业操作涉及复杂的工具使用、力控调节和多步骤任务链，数据维度远高于简单抓取放置；精密装配要求亚毫米级精度，这类失败恢复轨迹数据几乎只有真实产线才能产生；工业环境的高价值/高壁垒特征意味着数据一旦采集完成，即可在类似产线间复用，边际成本递减明显。

　　此外，该高管还认为，具身智能数据领域的竞争重点正在从“数据小时数/轨迹数量”转向质量指标（有效轨迹率、任务覆盖度、多模态同步精度、失败与纠错样本比例、跨场景泛化能力），数据闭环能力正成为核心壁垒。

　　均普智能此次发布的软硬件产品组合，正是瞄准这一关键窗口期，为行业提供可规模化的工业数据采集与治理基础设施。

（图片来源：均普智能）

　　比如此次发布的Primus Ego 是一款面向工业场景的头戴式数据采集设备，搭载5路摄像头实现超过270°视场角同步采集。Primus Ego的摄像头布局经过专门设计，使其采集的视觉信息在空间布局上与机器人的视觉系统同构。这意味着使用 Ego 数据训练的视觉模型在部署到机器人本体时，不需要进行大规模的视角适配迁移，从而降低了“sim-to-real”差距中的视觉错配。

　　不过，Ego数据资产最有价值也最具争议的特性是其跨本体迁移能力。所谓“跨本体适配”，是指用从工人第一视角采集的数据训练出的模型，在形态不同的机器人（人形机器人、轮式机器人G1、协作机械臂等）上部署并有效执行任务。

　　前述均普智能高管坦言，Ego 数据的跨本体迁移仍是一个开放研究问题，目前跨场景泛化仍是具身智能的核心挑战。均普智能的实践路径是通过“采集场景多元化、数据平台标准化、本体验证闭环化”三层结构来逼近跨本体泛化的目标。

　　值得一提的是，上个月，均普智能旗下宁波具身智能机器人创新中心联合博登智能、上海交通大学MINT实验室，正式开源全球首个面向真实机器人强化学习的大规模数据集RW-RL-Dataset。该数据集首次记录了机器人执行中的成功、失败与恢复全过程，解决了机器人“只会模仿、不会自救”的行业痛点。

　　记者从均普智能获悉，此次开源只是起点，后续其将持续扩充数据集规模，计划2026年底前达到3000小时以上，重点增加工业精密装配等高价值场景数据。

　　在生态合作层面，均普智能已战略投资具身智能数据平台觅蜂科技，围绕智能制造与具身智能数据应用展开深度协同。

　　某种程度而言，当本体逐渐趋于同质化，谁能率先在工业场景跑通“采集—训练—部署—反馈”的闭环，谁就更可能掌控模型迭代的飞轮。均普智能此次加码，争夺的是工业具身智能时代的数据入口和规则定义权。