中国发展改革报社记者 张守营

8月20日，北京亦创国际会展中心，2026世界机器人大会（WRC）第二天。光轮智能——这家2023年成立、仅31个人、估值却已突破150亿元的公司，在这里宣布开源10万小时全模态人类行为数据集。

同日，宇树科技创始人王兴兴在WRC论坛上表示：“纯语言大模型的输入输出完全在数字向量空间内运行，几乎不存在损失与偏差；而机器人的每一次物理输入输出都会产生偏差与信息损失——这是物理智能和数字智能的本质区别。”

普通人类视频数据，充其量是“看别人做事”——只有画面。机器人看了一百遍人拿杯子，知道杯子长什么样、手怎么伸过去，但不知道抓握时手指用多大力、手腕旋转多少度、碰到杯壁时阻力怎么变化。

光轮智能这次开源的10万小时数据集，在第一视角视频之外，还塞进了腕部近场视角、三维手部姿态、三维全身姿态、深度信息、帧级动作语义标注（V7级）、视觉惯性里程计等一系列“课本”。用联合创始人兼总裁杨海波的话说，普通视频只能告诉机器人“发生了什么”，全模态数据能告诉它“下一步应该怎么行动”。

10万小时是什么概念？截至今年初，全球高质量真实物理交互数据总量大约50万小时。光轮智能这一开源，等于把全球存量的1/5直接摆上了台面。

但这不是终点。行业共识是，训练通用具身模型至少需要千万小时级数据。10万小时，是一声发令枪，不是终点线。

一家估值150亿元的数据公司，把最核心的资产免费放出来，图什么？

杨海波在世界人工智能大会期间说过一句很直白的话：“目前数据领域缺乏统一标准，所以什么标准最有价值，可能就是事实标准。当大家都去买同一份数据，认同它，它就逐渐成为事实标准。”

热闹归热闹，有几件事需要想清楚。

10万小时不等于千万小时。VLABench最新评测显示，当前所有主流VLA模型在标准测试集上的进展得分均低于15%——核心原因不是架构问题，而是训练数据覆盖范围太窄。

开源数据和商业级数据之间有“质量鸿沟”。学术界用的开源数据集和企业训练量产模型用的商业级数据，在标注精度、场景覆盖、失败案例多样性上差距明显。

仿真不是万能药。物理建模有极限，视觉与力觉的一致性、长期任务中的误差累积、柔性物体的精确模拟，都是“硬骨头”。光轮智能自己也承认，更底层的仿真器和求解器仍是国内亟待攻关的领域。

“数据驱动”不是唯一路线。具身智能的技术路线远没有收敛：端到端VLA、世界模型、传统规划+学习混合路线各有支持者。把所有赌注压在“数据规模决定一切”上，可能为时尚早。

2027年能否算平经济账，仍有不确定性。杨海波判断今年是“跑通”阶段，明年或有望在部分场景算平经济账。但机器人硬件成本下降速度、场景泛化能力、部署运维成本，这些变量都还在快速变化中。

2009年，李飞飞团队发布Im-ageNet，1400万张标注图片，直接引爆了深度学习革命。那个时刻之所以被称为“ImageNet时刻”——不是因为数据集本身有多了不起，而是因为它第一次让全世界的研究者在同一个基准上竞争，数据、算法、评估标准全部公开透明。

具身智能还没有等到自己的ImageNet时刻。

光轮智能的10万小时全模态开源数据集，可能是朝那个方向迈出的一步。但它能不能成为机器人领域的ImageNet，不取决于任何一家公司，而取决于有多少人用它、多少模型基于它训练、多少论文引用它、多少企业在它之上建立商业生态。

杨海波说，2026年是具身智能数据规模化的元年。王兴兴说，未来10年在AI大爆发下，整个产业的进化速度将大幅提升，“可能比我们预想的更快”。

机器人的聪明程度，最终不取决于它在展台上能翻几个跟头，而取决于它“读过多少书”。而这本书，正在被一页一页地写出来。