2026年8月，中国信息通信研究院、人形机器人（上海）有限公司和具身智能测试实验室联合发布《具身智能训练场研究报告（2026年）》。
报告系统梳理我国具身智能数据发展背景以及训练场建设现状，并结合行业实践，分析训练场共性挑战、发展阶段、实施落地路径和标准化需求，旨在为政策制定方、具身智能技术提供方、数据需求方、应用需求方、训练场建设方和运营方等提供全面的行业洞察、路径参考与决策依据，助力相关方准确把握具身智能训练场的发展方向，协同推动我国具身智能基础设施体系完善，加速具身智能技术成果转化与产业落地。
【目 录】
一、具身智能数据需求催生训练场模式
（一）规模定律驱动，数据是具身智能发展重要支撑
（二）数据瓶颈凸显，探索真实数据供给和利用能力
（三）场景应用牵引，训练场成为当前闭环关键路径
二、我国具身智能训练场建设情况
（一）政策牵引地方支持，各地训练场加速建设进程
（二）政企建设多方发力，综合行业双模式协同发展
（三）应用需求建设导向，训练场行业场景呈梯次分布
（四）数据方案多元应用，工程化支撑训练场产能升级
（五）产业生态初步构建，训练场探索可持续商业模式
三、我国具身智能训练场实践分析
（一）训练场核心建设要素与挑战
（二）训练场发展阶段及典型路径
（三）训练场标准化实践
四、具身智能训练场未来展望
本报告由中国信息通信研究院人工智能研究所联合人形机器人（上海）有限公司、具身智
能测试实验室牵头撰写。
参编单位：具身智能测试实验室长三角中心、具身智能测试实验室（北京朝阳）、中国人工智能产业发展联盟、北京人形机器人创新中心有限公司、北京中关村石景山园发展有限公司、北京银河通用机器人股份有限公司、安徽聆动通用机器人科技有限公司、智元创新（上海）科技股份有限公司、上海觅蜂具身智能科技有限公司。
报告总结
一、报告背景
二、第一部分：数据需求催生训练场模式
（一）规模定律驱动
- Generalist AI的GEN-13模型使用超50万小时真实数据预训练，在折叠T恤等任务上平均成功率达99%，数据量与成功率呈幂律关系
- 英伟达EgoScale论文表明数据规模与模型验证损失存在对数线性关系
- 若实现机器人”ChatGPT时刻”（模型参数量级55B），训练需约1.1万亿token，按当前采集能力需约21200台机器人连续工作一年，而当前全球高质量真实数据仅数十万至百万小时级
（二）数据瓶颈与采集技术探索
| 路线 | 方法 | 成本 | 规模化 | 真机映射难度 |
|---|---|---|---|---|
| 无本体采集 | 人类第一视角视频 | 低 | 高 | 高 |
| 无本体采集 | 末端操作(UMI)采集 | 低 | 高 | 高 |
| 无本体采集 | 动作捕捉 | 中 | 等 | 中等 |
| 真机采集 | 遥操作 | 高 | 低 | 低 |
| 真机采集 | 自主作业回流 | 最高 | 低 | 低 |
- 无本体采集：人类第一视角（如京东EgoLive数据集）、末端操作（UMI夹爪、帕西尼数据手套）、动作捕捉（光学/惯性）
- 真机采集：遥操作（VR套装+机械臂，单小时有效数据成本约275元）、自主作业回流（高价值但规模有限）
- 无本体数据主要用于模型预训练阶段学习大规模行为先验，关键是对齐（物理动作空间显式对齐、硬件层面物理对齐）
- 真机数据主要用于模型后训练阶段，让模型学会具体任务并持续优化
（三）训练场成为闭环关键路径
- 高质量真实数据规模化供给——形成完整数据生产流水线
- 高频次模型验证与迭代——形成”评测—失败分析—定向补采—再训练—再验证”闭环
- 部署前能力验证——在安全环境中测试鲁棒性和安全性
- 产业资源协同与生态集聚——如上海麒麟训练场带动200+企业集聚
三、第二部分：我国训练场建设情况
（一）政策牵引，加速建设
- 国家层面：工信部等八部门《”人工智能+制造”专项行动实施意见》、国家数据局《高质量数据集建设行动方案》等政策推动
- 地方层面：2024-2026年6月多地出台政策支持
- 截至2026年6月底：全国建成启用超70家训练场，在建或规划中46家，覆盖18个省级行政区
- 形成长三角、京津冀、珠三角三大集群，总占地面积超7万平方米
- 建设城市从一线向三线、四线甚至五线城市扩散（如广东东莞）
（二）政企双线推进，双模式协同
- 建设主体：政府引导（提供场地/资金/政策）+ 企业自建（服务自身研发+对外开放）
- 建设内容：综合类训练场（跨场景泛化）+ 行业垂类训练场（深耕特定行业）
- 组织模式：区域协同（如”1+N”模式）、行业方协同
（三）行业场景呈梯次分布
五大类场景：工业制造（86%）、家庭服务、商业零售、医疗康养、特种应急（25%）- 工业制造最集中：物流仓储/物料搬运占工业场景近40%，环境可控、商业价值明确
- 家庭服务/商业零售为重点拓展方向：非结构化环境挑战大但市场价值高
- 医疗康养/特种应急代表更高难度前沿探索
（四）数据工程化流水线初步形成
（五）产业生态与商业模式
产业链：上游（软件/硬件/基础支撑）→ 中游（建设运营方/场景合作方）→ 下游（模型企业/本体企业/行业应用方）；- 重资产特征：千平方米以上训练场建设成本数千万至上亿元，本体采购占比最高；
- 商业模式探索：数据产品出售（最成熟）、模型/本体训练、联合研发、测试验证、”训练即服务”。
四、第三部分：实践分析与挑战
核心五大挑战：
- 场景任务同质化：同一行业内部任务趋同，数据分布多样性不足
- 数据工程化水平参差不齐：各环节工具链不统一，标准不一，短链条开环难以保障质量
- 数据流通共享难：跨场景、跨机构、跨主体数据难以互通
- 数据交易机制不成熟：平台少、定价不透明、确权不明晰
- 可持续商业模式待验证：重资产投入与长回报周期矛盾突出
发展阶段判断：
第一阶段（建设热潮期）：大规模建设，但存在场景宽泛、硬件堆砌、数据作坊式生产等问题- 第二阶段（能力沉淀期，当前阶段）：场景分化、数据工程体系成形、探索合规交易
- 第三阶段（成熟运营期，未来）：标准化、规模化、可持续运营
建设完善路径：
- 锚定特色场景需求，差异化设计（如智元200+细分场景、3000+类操作物品）
- 打通工程化流水线，自动化标注、智能质检
- 延长能力链条，向”训练即服务”升级
- 多路径探索运营，分阶段变现
- 探索平台化交易方案（数据交易所、数据超市、跨境流通）
标准化进展：
六大标准化需求：场景建设、数据生产、模型训练服务、中试服务、建设运营、安全合规。已发布行业标准YD/T 6771-2026，正在制定《具身智能训练场综合评估技术规范》，对训练场进行五星级评级。
五、第四部分：未来五大趋势
- 场景方面：实景实训成为关键特征，从集约式向分布式实景发展，形成”中心训练场+分布式实景点位”协同布局
- 数据方面：数据工程化成为必然趋势，全链路工具化、自动化、平台化
- 运营方面：合规化交易保障稳定运营，推动数据要素价值有序释放
- 服务方面：一体化是长期目标，从数据供给向”训练即服务”转型，拓展中试、测试认证、人才实训
- 标准方面：全周期标准化引领规范高效发展，提升我国基础设施建设话语权
核心结论
【全文下载】
信通院官网下载，或通过公众号”智慧城市行业分析“，回复关键词“具身智能训练场”，获取报告下载地址
www.smartcity.team
