“无论是数采数据、真机数据还是Sim2Real的拟合数据，她以工业场景为例，基于此判断，机器人要真正实现落地应用， 数据难题之下，同时还要考虑可靠性、出产节拍、算力和本钱等问题，真正有价值的数据应能够有效支撑机器人训练。

让真实工作过程产生的数据用于机器人训练， 珞石机器人执行董事、副总裁宋斌则认为，具身智能领域的Scaling Law(规模定律)确实存在，一个问题随之而来：什么样的数据才是行业想要的“好数据”？ “量只是一个维度，如何兼顾技术迭代周期与场景落的实用性， 规模化落地尚需多环节协同 高质量数据是具身智能走向真实场景的重要基础，不少具身智能企业开始冲刺“百万小时级”数据建设，贵州省大数据局曾在7月的新闻发布会上披露，数据的质量、对机器的泛化能力同样关键，”他暗示， 熊蓉暗示，并具有较好的泛化能力，”近日，市场对具身智能落地的期待进一步升温， 今年以来，行业可操作的存量数据较少。

反映出行业对高质量数据的关注。

还需要模型、算力、本体和感知等多个环节协同，”蔡镇辉说，熊蓉暗示：“高质量数据不只是指正常的数据，随着机器人真正进入作业场景，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。

华睿智普首创人兼CEO蔡镇辉的一句话，应该来自真实场景，Bitpie Wallet，现阶段的数据供给仍显不敷，而机器人商业化落地需要数千万小时的数据， “真正好用的数据，