WRC上，我们发现具身智能可能正在走进一个反直觉的阶段：具身智能下一阶段真正稀缺的，不是数据量，而是数据里有没有足够多的物理世界。

过去一年，中国各地快速出现具身智能训练中心，机器人被送进场馆、实验室和数据工厂，通过遥操作不断采集动作数据。到2026年年中，中国已有超过90个相关训练中心在建设或运营。问题也随之出现：这些中心一年可以产生数百万甚至更多数据点，但真正能够迁移到现实任务的数据，只占其中一部分。

数据正在变多，数据的有效性却没有同步增长。这可能是具身智能进入商业化前夜后，第一个真正值得产业警惕的信号。

相比单纯追求数量，数据质量正变得更加重要。今天行业习惯谈数据规模：多少小时、多少轨迹、多少帧、多少条示范。但数据规模并不能直接等价于模型能力。

因为一段重复的成功轨迹，与一次包含复杂接触、失败和修正的操作，其训练价值完全不同。

一百万次相同的抓取，不一定比一万次覆盖不同材质、不同姿态、不同遮挡和不同失败原因的抓取更有价值。

所以，物理AI需要建立的不是简单的数据流水线，而是一套经验生产系统。它要能够持续捕捉人与物体之间的交互，把视觉、运动、触觉、声音等信息放进统一的时间和空间坐标中，再将这些数据转换为模型可以使用的训练样本。

奥比中光此次给出的几个工程指标，恰好说明了这件事为什么难。

其数据采集设备在1600×1200@30fps、H.264条件下连续录制超过37小时，RGB与IMU零丢帧，累计超过1亿帧；相机与IMU帧间隔波动控制在30μs以内；多相机硬件同步误差小于1ms，出厂标定误差小于0.3px。

这些指标真正重要的地方，并不是把参数表做得更漂亮，而是它们决定了现实经验能不能被完整地留下来。

如果视觉和IMU之间存在时间偏差，机器人看到的动作和身体运动就不是同一个瞬间；如果多相机之间没有统一基准，机器人不同部位看到的世界就可能无法拼成一个连续空间。

数据采集因此开始从"记录设备"变成"物理经验的编码器"。而这恰恰是一个此前机器人产业没有真正形成的大市场。而传感器企业开始进入这条链路的最底层。

因为机器人数据有一个非常现实的特点：数据不是越多越有价值，而是越能还原动作发生时的真实物理状态，价值越高。

比如机器人抓一个物体，RGB记录了它看到了什么，IMU记录了设备运动状态，触觉记录接触变化，音视频记录环境信息。如果这些数据没有统一时间基准，那么训练系统看到的就不是一次完整的交互，而是一堆时间错位的碎片。

这也是Hub及整套标定、同步体系的价值：Hub负责多设备连接与同步，而高精度标定和时间对齐共同保证不同模态的数据能够在统一的时空基准下使用。

奥比中光将这套能力概括为Real、Reliable、Rich、Ready四个维度，本质上是在回答一个产业化问题：真实数据如何从一次性实验，变成可持续的数据生产。

这一步背后有一个更深层的产业逻辑。黄源浩指出，数据飞轮的转动是最重要的。大量的数据来自真人素材和强化训练真机素材，但核心问题在于：不同机器人、不同数采员拿到的数据能不能复用？这就需要有标准。因为数据采到的是一帧画面，手套数据差15毫秒就不对了，力的精度更是关键。只有把视觉、运动、触觉、操作物体状态等信息完整地记录下来，数据才可跨本体复用、跨模型复用，数据成本才能真正降下来。

这一步非常关键。因为未来机器人公司真正需要的，不是几千条优秀示范，而是一条能够持续产生数据的管线。机器人每多执行一次任务，就应该多留下一个可学习的经验；每解决一个长尾问题，就应该让下一台机器人少走一次弯路。

当数据能够稳定流动，模型才有机会形成迭代。这也是物理AI与传统自动化最大的产业区别之一：过去机器人部署完成，项目基本结束；未来机器人部署完成，数据闭环才刚刚开始。

同样的变化正在发生在机器人视觉上。如果说数据采集解决的是机器人怎么获得经验，那么视觉解决的是机器人如何进入现实。但区别在于，传统机器人视觉的基本问题是识别，具身智能进一步提高了要求——机器人需要在运动与交互过程中，持续理解自身、物体与环境之间的空间关系。

从传统机器视觉到具身视觉，并不是从“看物体”简单跨越到“理解世界”，而是从相对确定的任务与环境，走向更动态、更连续、更强调行动反馈的感知过程。因此，单颗相机的参数不再是全部。视场角、深度精度、帧率、动态范围、同步能力、接口、可靠性，都开始变成系统级指标。

黄源浩对此有一个更底层的判断：高质量的真实世界数据，是物理AI与具身智能演进的基石。世界模型要真正为人类干脏活、苦活、累活，手的执行能力、传感器各方面都得跟上。从模型到数据到本体的执行都需要不断进步，机器人可以率先进入人类最不愿意干的活，后面泛化性好了、智能高了再往更多场景渗透。

真正决定系统能力的，不是谁的单颗相机参数最高，更多是谁能让这些相机在同一个时间和空间坐标系里工作。这与汽车智能驾驶过去经历的变化很相似，摄像头数量增加并不会自动带来能力增长，真正困难的是传感器融合、时间同步、空间标定以及实时计算。而且智能驾驶不是某一次测得多准，而是长期运行时还能不能稳定地准。

机器人正在进入同样的阶段，只是它面对的世界更加动态。

物理AI的真正入口，是让物理世界开始产生"可计算经验"，这也是为什么，2026年的机器人产业开始出现一个非常有意思的变化。

机器人大讲堂发现，本届WRC，其实行业讨论的重点正在从机器人本身，逐渐向机器人周围的基础设施移动。过去大家关注机械臂、灵巧手、关节和本体。现在，越来越多企业开始进入数据采集、触觉、视觉、仿真、训练平台和端侧计算。

原因很简单。机器人最终拼的不是一具身体，而是一套能够持续吸收现实经验的系统。 如果一次抓取成功只是一次成功，那么机器人仍然是一台机器；如果这次抓取能够被记录、理解、训练，并迁移到下一台机器人，它才开始拥有机器学习意义上的成长。

这也是物理AI最核心的产业逻辑。数据采集把现实中的动作留下来，视觉把现实空间转换成机器能够处理的信息，模型从这些信息中学习，机器人再进入现实执行，执行产生新的数据，新的数据继续训练模型。

于是，机器人产业开始形成一个过去自动化时代没有真正形成过的循环。机器人越多，数据越多；数据越多，模型越强；模型越强，机器人能进入的场景越多。

这也是奥比中光此次动作真正值得行业关注的地方。如果只看产品，它推出的是数据采集设备和机器人视觉。如果从产业链看，它实际上同时切入了物理AI两个非常关键的环节：一端负责把经验生产出来，另一端负责让机器人获得现实世界的空间信息。

这让奥比中光原本积累的光学、芯片、算法、标定和制造能力，有了新的组合方式。数据采集平台面向数采服务商、大模型厂商、机器人本体企业，以及触觉、手套等生态伙伴，并提供标准化产品、品牌定制、CM和JDM等服务。

在论坛上，黄源浩将奥比中光这种产业定位概括得更加直接：致力于打造具身数据采集的硬件基座。他特别强调，模型跟数据的飞轮是王者通吃的市场。数据质量参差不齐、数据标准不统一是目前最大的问题。

因此，他最希望推动的是数据标准化，让不同来源的数据可以流通，让数据可以服务更多的模型公司。

这其实是一种更聪明的产业位置。当前，人形机器人的本体架构和具身模型路线仍在快速演进，尚未形成统一范式。但只要机器人继续进入现实世界，它就必须看见世界，也必须从现实世界获得经验。 

这就是基础设施公司的机会。机器人本体可能一代代变化，模型架构可能快速迭代，但视觉、同步、标定和数据采集这些底层能力，会随着机器人数量增长而被反复调用。

这也使得业界过去大家争的是谁能造出更好的机器人，现在，产业链正在竞争谁能够更低成本地把现实世界转换成机器人可以学习的东西？这可能比"谁先做出通用机器人"更接近商业化真正的拐点。因为通用机器人最终不是靠一场发布会诞生的，它要经过无数次看见、尝试、失败、修正和重新执行。

每一次交互，都是一次经验生产。而谁掌握了经验生产的基础设施，谁就有可能掌握物理AI从实验室走向规模化的那条隐形管线。奥比中光此次WRC真正押注的，或许正是这条管线。

机器人时代最稀缺的资源，可能不是算力，也不是机器人数量，而是把现实世界变成可计算经验的能力。

这也是物理AI真正开始进入产业深水区之后，最值得重新估值的一层基础设施。