具身智慧真正缺的不是模型，而是能反覆學習的真實世界資料

語言資料很多，物理互動資料很少

網路上有海量文字、圖片與影片，能訓練模型回答『怎麼把杯子放進洗碗機』；但影片不會提供每一瞬間的夾爪力量、關節角度、物件滑動與失敗原因。機器人要真正學會工作，需要把感知、動作、力回饋與任務結果對齊。這類資料昂貴、難標註、容易受設備差異影響，也常包含人臉、聲音、工廠機密與空間資訊。

成本只是第一個瓶頸

白皮書指出，傳統遙操作蒐集的高品質實景資料，單筆成本曾超過人民幣 8 元，產業創新正把平均壓到 3 至 5 元。但即使每筆更便宜，模型可能需要千萬小時級資料，而成熟公開資料集只有數十萬小時，供需仍差一個數量級。更重要的是，資料量大不代表有效；重複、簡單或缺乏失敗標記的資料，可能只讓模型更會表演已知動作。

真正的飛輪從部署開始

頭部服務機器人廠商因為已有大量設備在餐廳、飯店、商場與工廠長時間運作，能累積導航、避障、交付與異常紀錄。每一次卡住、繞路、人工接管，都是模型下一輪改善的素材。這形成『部署更多—取得更多真實資料—模型更穩—更容易部署』的飛輪。新創若只有實驗室資料，就算模型論文亮眼，也很難追上數年的營運累積。

不要先蓋資料湖，先定義值得學的失敗

企業導入時應先找高頻、可量測、可安全介入的場景，明確定義成功、失敗與人工接管。每筆資料都要保留設備版本、場域、任務、結果與權限來源，才能重現問題。資料治理也必須從第一天設計，包括個資遮罩、工廠機密分級、保存期限與跨境限制，否則收得越多，法律負債也越大。

模型像學生，場景像學校；沒有每天真實作業、批改與重考，再聰明的學生也只會考古題。

資料護城河的三個檢查點

第一，資料是否來自真實任務而不是大量重複模擬；第二，是否包含長尾失敗與人工修正；第三，改善後能否快速送回現場驗證。具身智慧不是一次訓練完成的產品，而是一套持續營運的學習系統。能把閉環轉快、轉便宜、又合法的公司，才可能建立長期差異。

模擬資料很重要，但不能獨自結案

模擬能快速產生罕見狀況、降低真人操作成本，也能在不傷害設備與人的情況下訓練策略；網路影片則提供物件與動作先驗。但材質摩擦、鏡面反射、機構鬆動與人類不可預測行為，仍需要真實世界校正。好的資料策略不是選擇模擬或實景，而是先用便宜資料建立能力，再用高價真實資料針對落差修正。

長尾失敗比平均成功更有價值

若一萬次任務有九千九百次相同成功，新增資料的邊際價值很低；真正影響商業化的，是剩下一百次：透明物件、突發人流、感測器髒污、網路中斷、夾持滑落。企業應建立失敗分類與優先級，讓每次人工接管都能回答『為何失敗、如何重現、哪一層要改』。沒有失敗資料，模型只會變得更有自信，不一定更可靠。

資料權利會決定飛輪歸誰

設備部署在客戶現場，產生的影像、動作與工藝資料究竟屬於客戶、整機廠還是模型商，合約必須先定義。供應商若不能合法用資料改進產品，飛輪轉不起來；客戶若無法限制敏感資訊外流，也不會開放。可採分級授權、去識別、只回傳特徵或在地訓練，讓商業價值與機密保護取得平衡。

這是「2026 智慧機器人產業拆解」第 4 篇。整套策展只追一個問題：機器人何時從展示走向能長期、可靠、值得付費的工作？