卖具身数据能赚钱吗？超维动力 KAI 的实战辨析与行业洞察
引言：从内部基建到“半个乙方”的行业观察
在具身智能领域，一场关于数据的竞赛正在全面爆发。随着地方数采工厂的快速铺开与资本的陆续下注，设备、工厂、平台、仿真、标注和数据集等各个环节都在迅速涌现。然而，在热闹的背后，一个核心问题摆在所有从业者面前：卖具身数据真的能赚钱吗？
超维动力 KAI（Kinetix AI）作为一家同时布局具身大脑、机器人本体与数据平台基础设施的创业团队，给出了自己的答案。其联合创始人兼数据创新官张展鹏在近期发布的文章中指出："具身数据确实可以成为一门生意，但低价值的数据生意会迅速走向人力密集、价格竞争和项目制交付；高价值的数据生意，则必须进入模型研发链路。"
一、 为什么具身数据突然变得至关重要？
过去几年，数据采集已从实验室能力转变为产业能力。同构遥操、VR 遥操等技术使得大规模真机示范成为可能。但真机数据存在明显的上限：每条数据都需要机器人本体、操作员、场地和设备维护，且采集员的实际有效产出时间有限。
为了突破这一瓶颈，无本体采集（如头戴设备、动捕手套等）迅速兴起，成本更低且场景覆盖更广。与此同时，仿真数据在生成边界情况和危险情况样本方面依然不可或缺。
超维动力 KAI 的路径是先从真实机器人和具体任务出发。成立初期，团队依靠真机数据进行后训练，结合基于世界模型的强化学习方法，将机械臂在柔性物体操作、精细操作等任务上的成功率提升到了新的水平。但随着业务从单一场景走向通用物理 AI，挑战随之而来：模型需要面对更多的物体、环境、任务，以及不可避免的失败、扰动和变化。
为此，KAI 发布了相关数据和能力，并开放了 Kai EgoData 页面（https://www.kinetixai.tech/zh/KaiEgo）。这套原本只服务于内部算法团队的数据基建，逐渐成为了公司的"副业"。以半个乙方的身份，KAI 与超过 30 家需求方进行了深入交流，并在过去的一个季度里交付了数万小时的高质量结构化数据。
二、 辨析：具身数据的"三层价值链"
在具身数据行业中，最容易陷入的误区是将"采集规模"直接等同于"模型价值"。根据 KAI 的实践与行业观察，具身数据的商业价值可以分为三个层级：
-
第一层：卖采集时长（基础劳务）
这是最直接的模式：提供采集员、设备、场地和项目管理，按小时、按任务或按条数收费。虽然它有真实需求并能产生收入，但本质上是重运营生意。随着设备标准化和竞争者增多，价格战几乎不可避免。 -
第二层：卖处理后的数据资产（技术加工）
比起原始视频，经过清洗、时序对齐、三维重建、姿态估计、语义标注和质量筛选的数据具有更高的价值。这一层需要数据算法、平台工程和质量标准，具备了一定的技术壁垒。 -
第三层：卖模型能力提升（核心壁垒）
这是价值最高、也最难建立的一层。在这一层，客户买的不是十万小时的视频或一百万条标注，而是某种具体的能力提升，例如更稳定的抓取、更强的失败恢复能力或更好的跨场景泛化性。要做到这一点，数据方必须深入模型研发流程：理解训练目标、根据模型短板定义采集任务、设计数据配比、跟踪训练结果、参与评测，并将部署失败重新转化为数据需求。
三、 避坑指南：什么样的具身数据没有价值？
同样是"人在厨房拿杯子"的视频，不同团队的需求可能完全不同。有的只需要原始视频来训练视觉表征，有的则需要双手、全身姿态和相机运动用于动作学习。数据交易中最危险的事情，是用一个宽泛的名词掩盖真正的技术差异。
KAI 指出，判断数据价值必须回答四个问题：模型要学习什么能力？数据包含哪些对这项能力必要的模态？数据的"质"和"量"是否足够支持训练？数据能否与真实机器人部署结果建立反馈？
此外，大量数据可能没有价值，主要源于以下三大误区：
* 过度 SOP 化： 在固定任务中 SOP 很重要，但模型如果只学会标准路径，就无法应对真实世界中物体的滑动、目标的遮挡和抓取失败。高价值数据不应只包含成功示范，还应包含执行失败后的补救、路径被打断后的重新规划，以及多种合理策略之间的选择。
* 采得多不等于场景覆盖广： 工厂通常是高度标准化的环境，家庭场景如果只是为了完成时长而反复在同一个茶几前搬动物体，数据同样会失去意义。真正应该优化的不是"采集了多少小时"，而是"每增加一小时数据，模型获得了多少新能力"。
* 缺少语义： 拿起一双筷子，可能是为了吃饭、清洗、收纳或递给他人。如果数据只记录"手抓住了筷子"，模型只能学到局部视觉-动作关联。因此，目标和意图、操作对象、接触状态、动作时序和阶段、左右手分工等信息，必须作为数据结构的一部分被记录下来。
四、 真正的机会：构建"数据—大模型"闭环
具身智能与语言模型最大的不同在于，它无法只靠互联网现成语料完成训练。机器人需要与现实世界的物体、空间、人、身体和环境进行"亲密"互动，数据、大脑、本体和场景之间高度耦合。
超维动力 KAI 认为，具身数据最大的价值不在于"拥有数据"，而在于"拥有反馈"。一个真正有效的闭环应该是这样的：
1. 机器人在真实任务中失败；
2. 团队判断失败来自感知、动作、规划还是本体限制；
3. 根据问题定义需要补充的数据；
4. 通过真机、无本体、仿真或生成式方法获取数据；
5. 数据进入训练和评测；
6. 新模型重新部署；
7. 用新一轮失败继续驱动下一轮数据生产。
在这个过程中，数据不仅是模型进化的燃料，也是诊断模型问题的工具。谁能持续运行这个闭环，谁就掌握了真正的行业 Know-how：不是"怎样采更多数据"，而是"怎样用最少的新增数据，换取最大的模型能力提升"。
结语
正如张展鹏在文末所言："数据本身能赚钱，但只卖数据，很难成为长期高价值生意。" 真正有价值的公司，不是数据最多的公司，而是最懂模型、最懂数据需求的系统型公司。
对于 AI 从业者、开发者和创业者而言，未来的壁垒将建立在这样一个公式之上：
具身数据飞轮 = 真场景 + 多模态 + 数模训评一体 + 真机反馈 + 定向数据再生产
超维动力 KAI 推出的 Embodied AI Infra 平台，正是致力于打通从数据采集、任务训练、部署评测乃至数据检索的全闭环流程。在这场具身智能的数据竞赛中，谁能深刻理解机器人究竟需要什么数据，并让数据、模型和真实世界的反馈形成闭环，谁就能掌握通往物理 AI 的关键钥匙。
本文基于机器之心发布、超维动力 KAI 数据创新官张展鹏的文章《卖具身数据能赚钱吗？》进行事实梳理与辨析。文中提及的 Kai EgoData 页面：https://www.kinetixai.tech/zh/KaiEgo