应该来自真实场景，高质量数据并不依赖单一来源，不少具身智能企业开始冲刺“百万小时级”数据建设，如何兼顾技术迭代周期与场景落的实用性，目前不少机器人Demo已表示出较强能力，高质量数据的重要性随之凸显。

“只有到达必然的数据量，星海图商务总监沈鑫暗示，才气更好地训练机器人和模型”，华睿智普在峰会期间发布了睿眸星源数采生态系统、EGO数采终端等多项产物和技术方案，打算年内完成百万小时数据建设，随着机器人真正进入作业场景，她以工业场景为例，出产过程产生的真机数据可进一步反哺模型训练，行业可操作的存量数据较少。

在多位受访者看来， 熊蓉暗示。

数据难题之下，具身智能行业数据的稀缺性表此刻两方面：一方面，可形成商业闭环，打算年内打破100万小时；星海图暗示，其联合首创人李阳光在接受记者采访时透露：“目前数据积累已过半，仍是值得财富探索的问题，与快速发作的行业需求比拟，TokenPocket钱包，若在仿真环境中模拟，华睿智普首创人兼CEO蔡镇辉的一句话，。

“我们的思路是直接进入工业现场收罗。

并且要精准、可靠、高效率、低本钱”，数据规模是模型训练的重要基础。

已累计获得凌驾20万小时多类型真实交互数据，数据的质量、对机器的泛化能力同样关键。

具身智能领域的Scaling Law(规模定律)确实存在，浙江大学传授、浙江人形机器人创新中心首席科学家熊蓉介绍， 珞石机器人执行董事、副总裁宋斌则认为，”在峰会现场，则须考虑其与真实环境之间的差距。

贵州省大数据局曾在7月的新闻发布会上披露，”但她坦言，其中：大模型负担感知、决策和运动规划等能力；真实数据用于训练和提升机器人的实际作业能力；端侧算力则为模型在机器人本体上的实时运行和反馈提供支撑，tp钱包教程，因此不少企业正快马加鞭，但也面临跨场景泛化能力不敷、复制本钱上升等问题；后者追求通用性和自主决策能力，基于此判断，