步入2025年，机器人在晚会上转手绢虽能引发欢呼，但距离人们儿时科普读物中如阿童木般的机器人仍有差距。让机器人完成拖地、遛狗等日常事务，目前还难以实现。其发展受限的关键在于数据获取。
具身智能概念兴起 ：半个世纪前，人形机器人已具雏形，如日本早稻田大学1973年研制的Wabot -1，但长期未实现从“自动化”到“智能化”的质变。深度学习和AI大模型推动下，“具身智能”受广泛关注。它基于物理身体感知和行动，展现形态多样，包括人形、四足、轮式机器人等，甚至涵盖智能驾驶。与DeepSeek、chatgpt等不同，具身智能需与“物理实体”交互，理解真实世界。
数据采集是关键难题：机器人学习始于数据采集和处理，但其需获取的图像、空间、运动等多维度数据，生成和采集难度远超互联网数据，导致具身智能可用数据集小。缺乏数据成为具身智能能力突破的重要壁垒，真实数据获取成本高，仿真合成数据存在“现实差距”。
真实世界数据采集方式：真实世界数据采集主要有人动作捕捉和人类遥操作。动作捕捉有光学和惯性两种模式，光学捕捉精度高但对场地和光线要求高，惯性捕捉不受场地限制，受不少人形机器人厂商青睐。不过，人类与机器人动作轨迹存在适配问题，人类遥操作可解决这一问题，采集真机数据，弥合“具身差距”。但真机采集模式成本高昂，如特斯拉Optimus数据采集可能需5亿美元。
仿真世界数据采集优势：仿真世界数据采集可降低成本，解决机器人“泛化能力”问题。仿真平台能模拟各种环境和机器人行为，完成Real2Sim2Real过程，但“仿真与现实的鸿沟”仍待解决。此外，互联网数据虽量大，但“噪声”大、随机性强，难以直接用于训练，不过研究机构正尝试用其进行“预训练”。未来，互联网数据、仿真数据和真机数据有望融合，“脑机接口”也可能成为重要数据来源。
