WAIC觀察 | 機器人訓練缺高質量數據 激光雷達等硬件廠商搶“數據訓練接口”

“2026世界人工智能大會（WAIC）”是最近人形機器人和人工智能的產業盛宴。

人形機器人和人工智能結合程度越來越深，意味著行業要跨入“實干期”。但真實場景的自主作業，一上來就撞上兩堵墻：大模型讀不懂物理交互的因果關系，傳統攝像頭又給不出可信的深度數據。按照業內人士的說法，讓機器人拿一杯水，它可能會一把抓翻前面的杯子，“平面視頻訓練不出前后距離感”。

為此，一些硬件廠商不再只是賣機器人的硬件，而是向機器人廠商銷售“數據訓練的接口”，也就是開始介入數據采集與模型訓練環節。一些做數據采集的公司開始找激光雷達企業探索新型傳感器，更加強調機器人數據訓練的“立體感”。

機器人高質量數據的瓶頸在哪里？

7月17日，“2026世界人工智能大會（WAIC）”在上海世博中心啟幕。與往年不同的是，今年的展會現場，人工智能的變革形態變得清晰可見：AI（人工智能）不再局限于屏幕里的文字與圖像生成，大批國產人形機器人、具身智能硬件集中亮相展廳。在場館的各個角落，各種人形機器人分散開來，專門給觀眾指路。

如果說前兩年是人形機器人的“展示期”，那么2026年，整個賽道已經正式跨入“實干期”。當資本市場的狂熱逐漸褪去，市場對于機器人的審視標準正在發生根本性的遷移：從“能不能跳舞”，變成了“能不能在真實場景里干活”。如今，只會跳舞的人形機器人已經很難得到投資人的青睞，脫離應用場景閉門造車的公司遲早會被淘汰。“無論多厲害的技術、多好的設計，到最后都需要形成一個可交易的產品，才能產生最終的經濟價值。”雅可比機器人創始人邱迪聰向《每日經濟新聞》記者表示。

當機器人從固定場景的預設表演走向開放環境的自主作業，行業的關注重點已經全面轉向了“物理AI的大規模商用落地”。然而，制約這一進程的核心瓶頸正逐漸浮出水面。

邱迪聰指出，制約物理AI商用最核心的問題其實并不在感知端，而在計算端。“核心是大模型對物理世界的理解能力還存在明顯不足。”邱迪聰指出，很多人類能直觀感知的物理現象、物理交互過程，目前物理AI還沒有充足的對應數據來完成學習。

如果說缺乏“交互數據”是計算端的軟肋，那么在感知端，物理AI同樣面臨著硬壁壘。快思慢想研究院院長田豐剖析了這一底層邏輯：“制約物理AI走向開放環境的感知硬壁壘，是‘Z軸信息的實時置信度’。”

田豐解釋道，Z軸指的是深度，即機器人能不能在每一幀里，準確知道眼前每個物體離自己多遠，而且判斷這個距離數據是否可以被信任。工業機器人之所以高度精準，是因為它工作在已知坐標系里，光照恒定、障礙物靜止；而物理AI面對的是持續變化的三維世界，必須在每一幀內以毫秒級速度重建一個足夠精確且可信的三維置信場，再喂給決策模型。傳統攝像頭丟失了Z軸深度信息，而傳統的機械式激光雷達幀率太低，面對高速動態場景，感知延遲累積會直接導致機器人的決策失效。

在業內人士看來，2026年機器人的關注重點，已經徹底聚焦于如何通過底層硬件的革新，獲取高質量的物理交互數據，以打破物理AI的感知與計算瓶頸。

激光雷達廠商嘗試做“數據入口”

要獲取高質量的物理世界交互數據，感知硬件需從“線數”向“像素級”面陣芯片迭代。

7月17日，在WAIC現場，也有激光雷達廠商基于SPAD-SoC（單光子雪崩二極管系統級芯片）自研芯片發布了新的感知平臺。田豐表示：“線數指標是掃描時代的遺產，像素是面陣時代的貨幣。”他指出，過去“線數”描述的只是發射通道數量，而數字SPAD-SoC芯片將直方圖生成、噪聲過濾等集成在芯片內部，直接壓縮了感知的尾部誤差，這才是物理AI可以依賴的工程基礎。

邱迪聰也從機器人感知的實用性角度肯定了這一趨勢。他認為，激光雷達從線數轉向像素級、圖像級感知，是行業確定的大趨勢。傳統的激光雷達依靠線束采集信息，數據本身是殘缺的，需要靠推理還原；而常用的深度相機有效感知距離短、定位精度不足。“SPAD面陣芯片可以像普通圖像一樣輸出1∶1對應的稠密、精準深度信息，能提供更準確、更全面的深度數據。”

更深層次的驅動力來自對供應鏈核心技術的掌控與成本突破。速騰聚創市場部總監謝闐地向《每日經濟新聞》記者透露，如果是做數字化的雷達，市面上基本只有國外芯片可以買，但國外芯片不僅價格貴，主力供應的還是192線和520線的芯片。“我們做的是2000線的產品，想做640×480這么大分辨率的面陣，市面上沒有現成的芯片可以提供，就只能自己做芯片。”

展會現場 速騰聚創供圖

通過自研SPAD-SoC芯片，國內廠商重構了激光雷達的成本結構。田豐分析稱，摩爾定律進入激光雷達的方式是3D堆疊，當芯片流片工藝從28nm向16nm/12nm推進，像素密度可以翻倍，而每顆芯片的制造成本因制程成熟下降30%~40%。隨著成本的大幅下探，高精度三維感知設備正廣泛下放至割草機器人、四足機器人、人形機器人等各類產品中。

隨著硬件形態和成本結構的改變，傳統激光雷達廠商的產業定位也在改變。基于SPAD-SoC的新型融合傳感器成為“物理AI數據入口”，正替代單純的硬件售賣，成為更大的產業圖景。

具身智能的“大腦”要比智駕復雜一些

“我們之前是給機器人做‘眼睛’，現在一方面也在做‘眼睛’，另外一方面我們幫忙一起來給機器人做‘腦子’。”謝闐地說。

這一轉變的背后，是自動駕駛與具身智能在真實感知需求上的根本差異。謝闐地對比稱，車載場景相對結構化，汽車主要識別前方行人和車輛，只要算出來并避讓或剎車即可。但在機器人應用中，情況截然不同：“你在桌面上整理小球，或者桌上有兩杯水，你要拿后面那杯。機器人的腦子需要經歷復雜的判斷，理解水杯的前后關系、大小關系。”

這就解釋了為何純視覺路線在當前的機器人精細操作中面臨巨大瓶頸。謝闐地直言，如果只依靠平面視頻去訓練，機器人不知道桌上小球的前后結構關系。“沒有深度信息，機器人學不明白的，比如今天用大球訓練，明天遇到小球，機器人就不知道怎么處理了。”

更關鍵的是，上層AI大模型的演進，正在對底層感知硬件提出強制約束。田豐指出，當前具身智能的訓練范式，正向端到端模型直接消費傳感器原始數據演進。“圖像級激光雷達輸出的結構化2.5D/3D數據，在格式上與RGB圖像高度對齊，可以直接進入視覺—語言—動作（VLA）模型的輸入層，無需額外的點云預處理。”

為此，感知廠商開始深度介入數據采集與模型訓練環節。據業內人士介紹，現在大量做數據采集的公司找激光雷達企業買傳感器。“帶著雷達去采集，最后出去的數據既有小球的位置信息，又有畫面信息，很精準。先用人的動作訓練它怎么抓，機器人學習這套東西的效率就更高，數據質量就更高。”

這也能反映機器人訓練的多模態方向。多模態輸入的廣度與深度將直接決定物理AI的智力上限。行業已從文字、圖像擴展到視頻，未來還將融入聲音、深度和觸覺等信息，VLA模型正加速吸納更豐富的感知維度。

不過，多模態融合并非簡單堆砌傳感器，而要在底層芯片實現“前融合”——讓每個像素同時采樣顏色與距離，信息密度翻倍且不增加時間代價。這種高度集成也解決了“疊床架屋”的系統沖突問題，用一顆芯片輸出干凈統一的多模態數據結構。

上述業內人士表示，未來，機器人觸覺感知也是方向，不過，現實中觸覺數據幾乎要從零開始構建。