21世纪经济报道记者 邓浩

随着具身智能的抢填缺口竞争焦点从“硬件制造”转向“场景落地”，数据正演变为该领域最稀缺的具身均普加码具身基建战略资源。

近日，智能智均普智能正式发布工业具身智能数据平台 Primus Forge及头戴式第一视角采集设备 Primus Ego。数据结合此前开源的工业真机强化学习数据集，均普智能旨在打通“采集硬件—数据平台—数据集—真机验证”的抢填缺口全链路闭环，填补工业场景下的具身均普加码具身基建数据缺口。

一、智能智 结构性缺口：从“海量文本”到“高价值交互”

当前具身智能产业面临严峻的数据数据结构性失衡：大模型可轻易获取互联网上的海量文本与图像，但机器人亟需的工业是与物理世界交互的视觉、动作、抢填缺口状态及纠错数据。具身均普加码具身基建

• 数据量级差距巨大：觅蜂科技董事长兼CEO姚卯青指出，智能智要使具身智能模型达到类似 GPT-3.5 的数据“开箱即用”初步能力，需约 1亿小时量级的工业数据。然而，目前全球有效具身智能数据仅约 几十万小时，存在2~3个数量级的巨大鸿沟。
• 市场规模爆发：据多家机构测算，2026年中国具身智能市场规模预计突破 1万亿元，其中数据服务占比将超过 15%。

二、 核心壁垒：工业数据的稀缺性与复用价值

均普智能相关负责人向21世纪经济报道记者强调，相较于家庭或服务场景，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。其核心优势在于：

1. 高维度复杂性：工业操作涉及复杂工具使用、力控调节及多步骤任务链，数据维度远超简单的抓取放置。
2. 高精度要求：精密装配需亚毫米级精度，此类“失败恢复轨迹”数据几乎仅存在于真实产线。
3. 高复用性与低边际成本：工业环境具有高壁垒特征，数据一旦采集完成，即可在相似产线间复用，边际成本显著递减。

此外，行业竞争重点正从单纯的“数据小时数/轨迹数量”转向质量指标，包括有效轨迹率、任务覆盖度、多模态同步精度、失败与纠错样本比例及跨场景泛化能力。数据闭环能力已成为新的核心壁垒。

三、 技术突破：Primus Ego 与跨本体迁移

为抓住这一关键窗口期，均普智能推出了软硬件组合方案，提供可规模化的工业数据采集与治理基础设施。

1. Primus Ego：同构视觉采集

• 硬件规格：搭载5路摄像头，实现超过 270°视场角的同步采集。
• 技术优势：摄像头布局经过专门设计，使采集的视觉信息在空间布局上与机器人视觉系统同构。这意味着基于 Ego 数据训练的视觉模型部署至机器人本体时，无需大规模视角适配迁移，有效降低了 Sim-to-Real 过程中的视觉错配。

2. 跨本体迁移：开放挑战与解决路径

Ego 数据最具价值也最具争议的特性是其跨本体迁移能力（即利用工人第一视角数据训练模型，在人形机器人、轮式机器人 G1、协作机械臂等不同形态设备上部署并执行任务）。

• 现状：跨本体迁移仍是开放研究问题，跨场景泛化是核心挑战。
• 策略：均普智能通过“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，逼近跨本体泛化目标。

四、 生态布局：开源驱动与战略协同

1. 开源 RW-RL-Dataset

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。
* 创新点：首次记录机器人执行中的成功、失败与恢复全过程，解决机器人“只会模仿、不会自救”的行业痛点。
* 未来规划：开源仅为起点，计划于 2026年底前将数据集规模扩充至 3000小时以上，重点增加工业精密装配等高价值场景数据。

2. 战略投资觅蜂科技

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。

结语

当机器人本体逐渐趋于同质化，竞争的本质将回归到数据闭环的效率。谁能率先在工业场景跑通“采集—训练—部署—反馈”的闭环，谁就能掌控模型迭代的飞轮。均普智能此次加码，旨在争夺工业具身智能时代的数据入口与规则定义权。

(责任编辑：焦点)