中国具身 AI 标准回应行业诉求，但数据共享仍是难题
在科技企业呼吁北京建立统一的数据基础设施和规则后不久，中国数据监管机构加强了其推动中国具身 AI 标准的力度。
这一时机让该公告看起来像是一次直接回应。在 8 月与七家 AI、计算和数据公司举行的一次会议上，与会者要求为具身 AI 数据制定统一标准。他们还寻求公共基础设施、更好的算力协调机制，以及更清晰的模型使用量衡量方式。
不过，政策机制在那场会议之前就已启动。中国于 8 月 27 日批准了涵盖现实世界机器人数据的指导文件。其他涉及数据来源、合成数据、训练设施和模型评估的项目也已在推进中。
因此，真正的故事远不止一次十天内完成的监管转向。中国正在搭建一个数据层，意在连接机器人制造商、训练中心、地方政府、研究机构和工业用户。
这一做法瞄准了整个机器人行业共同的薄弱环节。制造商可以打造能力日益增强的机器，但当光照、物体、布局或指令不同于训练环境时，这些机器仍然会遇到困难。
统一标准可以减少数据格式和质量方面的碎片化。但它们无法保证企业会共享有价值的数据集、保护敏感的工厂信息，或造出能够超越预演式演示、在陌生场景中泛化的机器人。
中国正在检验，协调一致的标准能否将碎片化的机器人经验转化为可复用的工业基础设施。这一结果将影响远在中国之外的开发者、制造商，以及评估物理 AI 系统的企业。
中国实际改变了什么
最新承诺为一个已有获批文件和在研项目的标准体系增加了监管协调。
中国国家数据局在国家中央经济规划体系下负责监督全国数据政策。该机构已将具身智能列为需要专门数据标准的领域之一。
具身 AI 是指能够感知环境并通过物理机器采取行动的软件。仓储机器人、自主移动系统或人形机器人都可归入这一范畴。
国家数据局表示，将制定具身智能标准，并为地方主管部门提供更有力的指导。该机构还希望鼓励企业加大对数据资源的投入。
这些目标涉及机器人训练数据周围的完整生命周期。相关规则可涵盖采集、标注、溯源、质量测试、存储、交换和复用。
这并非首次正式行动。8 月 27 日，中国市场监管机构和国家标准主管部门批准了 60 份标准化指导文件。
该文件包包括 GB/Z 218.1-2026，即具身 AI 系统使用的真实数据质量规范；还包括 GB/Z 220-2026，涉及具身 AI 数据生成平台的技术要求。
官方的真实数据规范之所以重要，是因为机器人数据对采集条件异常敏感。摄像头位置、力传感读数、硬件配置、任务指令和操作员行为，都可能改变一个数据集的实用价值。
中国还有多个相关项目正在推进。其中一个规定具身智能数据集的来源和构成要素，另一个涵盖模拟合成数据的生成与处理。
合成数据项目于 4 月 24 日立项，项目周期为 12 个月。其起草单位包括 Galbot、中国电子技术标准化研究院和中国科学院软件研究所。
这些日期使“简单回应”的叙事变得更复杂。行业诉求可能强化了监管机构的优先事项，但并非凭空催生了这项标准工作。
中国国家数据标准化委员会此前已制定了广泛的 2026 年议程。该议程提出，至少制定 80 项国家标准和技术文件，其中 30 多项重点标准计划发布。
该标准议程明确将具身智能和智能体互操作性列为前沿领域。它还描述了一种结合国家统筹、地方试点、行业验证和企业参与的模式。
因此，最新公告应被视为一个加速信号。国家数据局正在将既有技术工作与地方规划、投资和共享基础设施连接起来。
这一区别对作出战略决策的企业至关重要。一份政策声明可能淹没在行政表述中，而获批规范则可能进入采购、测试和公共试点的要求之中。
首要问题已不再是中国是否希望制定具身 AI 标准，而是这些标准将以多快速度影响用于训练和评估真实机器的数据管线。
中国具身 AI 标准为何聚焦数据
机器人智能依赖于开放互联网无法以同等规模提供的物理经验。
大型语言模型可以吸收从庞大数字资料库中收集的文本、图像和代码。具身系统则需要记录物理空间中展开的动作。
一条有用的训练样本可包括视频、深度信息、关节位置、触觉读数、力测量、口头指令，以及机器随后执行的动作。这些信号必须保持同步。
同一项任务在不同机器上也可能产生截然不同的数据。一台机械臂记录的动作，可能无法直接迁移到另一台拥有不同关节、传感器或控制软件的机械臂上。
环境变化带来了另一项问题。一个在固定光照下学会抓取某个箱子的机器人，可能会在箱子旋转、表面发生变化或其他物体遮挡视线时失败。
国家数据局将高质量数据集描述为感知、决策和行动闭环的基础。这一闭环将机器人所感知的信息、其作出的选择和执行的动作联系起来。
5 月，国家数据局局长刘烈宏表示，具身智能需要包括视觉、触觉和音频信息在内的高质量多模态数据。他呼吁围绕这些系统深化数据工程工作。
中国还为工业数据集建设了更广泛的基础设施。截至 5 月 31 日，其国家数据集服务平台已认证 516 家机构，并发布了 1,350 个数据集。
官方数据显示，截至第一季度，中国已建设超过 11.6 万个高质量数据集，总规模超过 960 PB，不过这一总量覆盖多个行业，并非仅限于具身 AI。
政府的数据集计划将持续至 2028 年，涵盖制造业、交通运输、医疗健康、自动驾驶、低空系统和具身智能。
规模本身并不能解决机器人问题。一个校准一致、任务标签清晰的小型数据集，可能比一个规模更大但文档记录不佳的数据集更有价值。
这正是数据溯源的重要性所在。开发者需要知道数据源自何处、由何种硬件产生、操作员如何获得指令，以及之后经历了哪些转换。
质量标准也能使评估更具可信度。若没有统一定义，两家供应商都可能宣传任务完成成功，却采用不同的环境、人工干预率和失败条件进行衡量。
例如，一项标准可能要求记录人工协助情况。这些信息将帮助买家区分自主运行与依赖遥操作或反复布置支持的演示。
合成数据又增加了一层复杂性。仿真使开发者可以生成多样化环境，而无需为每个训练样本运营实体机器人集群。
然而，模拟环境永远无法复现每一个物理细节。摩擦力、材料柔韧性、传感器噪声、不可预期的人类行为和设备磨损，都可能暴露出仿真与部署之间的差距。
标准可以界定合成样本如何生成和记录，也可以要求开发者说明如何依据现实世界表现验证模拟数据。
目标并不只是满足监管合规。中国希望建立兼容的数据管线，支持跨企业、跨地区和跨应用场景的模型训练。
这一雄心赋予中国具身 AI 标准一种产业政策功能。它们可以塑造哪些字段成为必填项、买家信任哪些基准，以及哪些平台能够连接公共训练设施。
若能得到一致实施，统一模式将降低基础集成成本。开发者在测试一个数据集前，将花更少时间转换标签或重建缺失的元数据。
中小企业可能从中受益，因为它们缺乏在内部设计每一项采集和质量控制流程的资源。明确要求可帮助它们产出合作伙伴和客户能够理解的数据。
但标准只能创造一种共同语言。它们不会自动产生机器在陌生环境中可靠运行所需的广泛、多样化经验。
行业要求的是数据公地，而不只是更多规则
核心矛盾在于共享基础设施与专有机器人经验的商业价值之间。
在 8 月的行业会议上，参与企业要求建设具身 AI 公共数据基础设施。它们还呼吁制定统一数据标准，并加强跨地区算力资源协调。
这一诉求反映了一个现实问题：没有任何一家机器人公司能以低成本收集通用行为所需的每一种动作、环境、物体类型和失败案例。
企业可以在工厂、仓库、零售空间、办公室和家庭中收集任务数据。然而，每个地点都带来不同的隐私、安全、劳动和知识产权限制。
一家工厂运营商可能允许机器人在其生产线上训练，但这并不意味着其愿意将设备布局、工人动线或制造方法传播给竞争对手。
机器人制造商面临类似冲突。它们最有价值的资产可能是将感知与成功行动关联起来的数据，尤其是在经历大量人工修正之后。
共享这些数据可以提升兼容性和整体进步，但也可能削弱企业的技术优势。
公共基础设施试图弥合这一分歧。政府支持的训练设施可以提供受控环境，让多种机器在有文档记录的条件下执行可比任务。
统一采集协议可以使输出更易于比较。共享评估流程可以揭示一个模型是否比另一个模型更善于应对变化。
中国地方政府已支持建设机器人训练中心和应用试点。这些设施通常复现工厂、物流、商业和家庭场景。
人类训练员使用控制器、动作捕捉设备或遥操作系统，引导机器完成任务。成功和失败的尝试都可以成为训练材料。
这一过程仍然高度依赖人力。近期一项训练中心调查描述了100多台机器人练习分拣货箱、包装商品和制作咖啡等任务。
该报道发现，一名缺乏经验的训练员可能要在300次尝试中才能获得一个可用动作。一名经验丰富的训练员可以将这一比例提高到50次尝试中获得一个。
这些数字说明了企业为何希望建立共享基础。实体训练消耗机器、场地、操作人员、维护能力以及大量时间。
它还会产生许多难以标准化的失败案例。一名操作员可能将未完全完成的抓取判定为有用，另一名则会将其丢弃。
统一规范可以确立最低限度的元数据、校准和质量规则。它可以提升数据集的可移植性，同时无需企业披露每一份专有样本。
可以采用多种共享模式。企业或许会交换标准化基准数据集，同时将规模更大的训练数据集保密。
公共平台也可以提供受限访问，而非可下载文件。获批准的开发者或可在不获取原始工业数据的情况下训练或评估模型。
另一种选择是联邦学习，参与方在不集中汇总每条底层记录的情况下更新共享模型。然而，模型更新仍可能泄露信息，因此需要严格的安全控制。
合成数据可以通过以模拟变体替代敏感场景来降低暴露风险。这种方法仍依赖真实案例，以验证模拟是否反映实际物理条件。
因此，监管机构需要定义的不只是文件格式。还需要围绕访问权限、同意机制、网络安全、许可、责任和下游再利用建立治理规则。
这些决定将决定该倡议会成为真正的数据共享资源，还是仅仅成为围绕彼此孤立的企业数据集建立的一层合规框架。
行业要求建设基础设施，是因为碎片化会带来真实成本。企业必须在不同数据模式之间转换、重新构建任务定义，并在数据集缺乏充分文档时重复采集数据。
政府希望协调，是因为地方政府正在资助彼此重叠的项目。若没有共享规范，区域训练中心可能会产出大量无法协同使用的数据集。
双方原则上都支持标准化。但当规则影响所有权、竞争优势或基于共享数据训练的机器人责任归属时，利益便会出现分歧。
这一冲突将决定新框架能够创造多少实际价值。
标准可以统一格式，但无法创造智能
中国推动标准化可以改善衡量方式，但无法替代机器在不断变化环境中的可靠表现。
具身AI最棘手的问题是泛化能力。当物体、布局、人员和运行条件发生变化时，机器必须能够应用已经学到的行为。
机器人往往能在严格受控的演示中表现良好。但当任务转移到不同工位，或需要略有不同的动作时，性能可能会下降。
研究人员有时将其称为“现实鸿沟”。它描述了训练条件与机器必须运行的复杂现实物理环境之间的差异。
标准可以通过要求数据多样性和更清晰的评估来缩小这一鸿沟。它们能够暴露对固定照明、特定物体或人工干预的隐藏依赖。
但仅靠文档无法消除这一鸿沟。开发者仍需要模型、传感器、控制系统和安全机制，能够在陌生情境中做出正确反应。
这一限制对人形机器人尤为重要。其灵活的身体设计承诺可适用于为人类打造的各种环境，但每增加一个运动自由度，控制复杂性也会提高。
搬运箱子的人形机器人必须保持平衡、避让人员、理解指令，并保护附近设备。在空旷测试场地中取得成功，并不能证明其能够在工厂中可靠运行。
商业部署还会带来演示中很少体现的要求。买方关心正常运行时间、维护、能源消耗、任务速度、错误恢复以及与现有设备的集成。
即使机器人在大多数时候能够完成任务，如果员工仍需频繁出手解救，它也可能不具备经济性。因此，标准应区分任务成功与不中断的生产性运行。
安全性带来了另一个尚未解决的问题。当感知或控制失效时，具身系统可能造成物理伤害。
训练数据应涵盖危险的边缘案例，但在现实世界中收集此类样本可能存在风险。模拟可以提供帮助，但模拟的故障仍需通过实体验证。
评估规则也需要考虑与人类近距离共处的情况。在隔离栏后运行的系统，与在员工或患者身旁工作的移动机器人面临不同风险。
中国的框架包括可信评估和系统要求等项目。这些文件的价值将取决于可量化的阈值和透明的测试条件。
技术指导文件并不总是具有与强制性标准相同的法律效力。但它们仍可通过采购、认证、补贴和试点资格产生重大影响。
这会带来为基准优化的风险。供应商可能专门针对标准化任务训练系统，却未能建立更广泛的适应能力。
狭窄的基准可能奖励经过精心打磨的演示。广泛的基准更具代表性，但也更难以稳定实施，成本更高。
监管机构还必须保持标准的时效性。传感器、模型架构、模拟方法和控制系统的变化速度快于传统标准周期。
过于具体地规定某一种技术路径，可能会固化过时的做法。基于结果的规则更具灵活性，但也可能导致解释不一致。
最佳平衡是将稳定的文档要求与持续演进的基准相结合。溯源、校准和安全的核心字段应保持一致，而测试场景则应不断扩展。
独立验证将很重要。除非评估方采用等效的任务和人工干预规则，否则一家供应商的内部成功率无法与另一家公司的结果进行公平比较。
中国庞大的制造业基础使其能够接触真实运行环境。如果工厂参与其中，这一优势可以产生有价值的训练和评估数据。
参与并非理所当然。工业用户会要求看到证据，证明共享数据不会泄露商业秘密、扰乱生产或转移责任。
更广泛的市场已经显示出机器人供给与已被验证的需求之间存在差距。一项行业就绪度评估发现，制造商正在寻找商业用途，而数据和成本仍是障碍。
标准可以让产品声明更容易评估。但对于无法提供可靠生产率的机器，它们无法凭空创造付费客户。
这才是关键的审慎检验。只有当标准化数据带来更好的迁移能力、更安全的行为，以及在训练中心之外可重复的部署时，该计划才算成功。
机器人制造商、数据平台和买方面临不同压力
一套共享规则将重新分配优势，而非让每个参与者同等受益。
大型机器人制造商拥有最明确的机会。它们运营更多机器、维系客户关系，并能够产生更多实体交互数据。
标准可以通过使其数据集兼容公共平台和获批准的测试项目，提高这些数据集的价值。大型企业也能够投入专门团队参与标准制定。
参与文件起草的公司能够提前了解可能的要求。这并不保证市场成功，但可以降低调整成本。
小型开发者面临的结果则好坏参半。标准化数据模式可以让它们无需独自建设基础数据系统。
合规也可能变得昂贵。细致的数据采集、文档、审计和安全要求，可能需要早期公司缺乏的人员和基础设施。
训练中心运营方可能成为重要的中介机构。它们的设施能够在多种机器人本体和任务环境中生成标准化记录。
其可信度将取决于独立性和质量控制。与某一供应商关系过于密切的中心，可能难以提供中立比较。
云服务商和数据平台公司同样有望受益。具身AI会生成庞大的多模态数据集，需要存储、处理、标注、访问控制和数据血缘追踪。
但传统云端流程并不足够。机器人记录必须保留摄像头、力传感器、关节状态和操作员指令之间的时间关系。
能够管理这些关系的工具供应商，可能成为必要基础设施的一部分。其系统还需支持删除、受限访问和可追溯的转换。
工业买方面临不同压力。标准可以为采购团队提供更清晰的语言来比较供应商。
买方可以要求提供关于训练来源、评估环境、人工干预和安全测试的文档。这将减少对预先安排的演示的依赖。
不过，买方也可能被要求贡献运行数据。工厂和物流公司需要制定政策，明确机器人可以记录什么，以及这些记录可以流向何处。
员工也是这一体系的一部分。训练数据可能捕捉面部、声音、动作、生产率模式以及与设备的互动。
因此，技术上有用的数据集可能包含个人或工作场所信息。采集规则必须涵盖告知、授权、最小化、保留和访问。
国际企业将关注中国的要求是否仍与其他地区的标准兼容。不同的数据模式将增加全球机器人和零部件供应商的集成成本。
中国有动力在国际上推广其标准。国内规模让中国企业在硬件制造和机器人部署方面拥有显著影响力。
全球接受并非自动发生。其他市场可能采用不同的隐私、安全、劳动和网络安全要求。
美国的具身AI生态更由企业主导。主要开发商通常自行构建专有的模型、硬件、模拟和数据系统。
这种结构可以在单一组织内部快速推进。但它也可能形成互不兼容的平台，并限制企业之间的数据交换。
中国的协调式路径直接应对碎片化问题。它利用标准、公共设施、工业试点和地方政府支持来连接参与方。
代价是行政复杂性。相互重叠的国家委员会、部委、地方项目和技术文件，可能造成重复或不一致的要求。
8月27日发布的一揽子文件说明了这一协调挑战。真实数据质量规范由全国信息技术标准化技术委员会负责。
其他具身数据集项目由国家数据局下属的全国数据标准化技术委员会监管。其他机器人标准还涉及行业主管部门和专业委员会。
这些机构从不同角度覆盖相关议题。有效协调必须避免对数据质量、系统能力和安全性作出相互矛盾的定义。
采购将揭示哪些规则真正具有实际影响力。当某项规范成为参与公共招标、进入培训中心或获得认证的必要条件时，企业会迅速作出响应。
如果标准能改善比较，私人买家也可能跟进。对于只会增加文书工作、却无法预测实际运营表现的文件，他们不会理会。
压力最大的是那些孤立销售硬件、模型或数据集的公司。标准会让集成能力变得可见，并暴露出无法在受控技术栈之外运行的产品。
纵向整合仍具优势，尤其是在一家公司同时控制机器人、模型和数据管线时。市场将检验共享接口的价值是否能超过这种控制力。
三个信号将显示该计划是否奏效
下一阶段必须将政策协调转化为可互操作的数据集、可信的测试和富有成效的部署。
第一个信号是发布细节。观察人士应追踪目前正在制定项目的最终范围、生效日期和实施指南。
合成数据规范设定了为期12个月的项目周期。相关工作涵盖数据溯源、培训设施、系统要求和可信评估。
详细要求将显示这些文件是否采用一致的定义和标识符。各委员会之间的一致性将强化建设国家级数据层的理由。
相互冲突的术语则会削弱这一基础。即使每个平台都声称合规，企业仍需要在不同平台之间进行定制化映射。
第二个信号是对共享基础设施的参与度。监管机构和地方政府必须披露哪些数据集、设施和公司能够实现互操作。
原始数据集数量并不足够。更有意义的指标包括跨平台复用、外部评估、有记录的访问条件，以及支持的机器人配置数量。
应关注主要供应商是否贡献具有代表性的数据，还是仅提供有限的基准样本。广泛参与将表明企业看到了该框架的商业价值。
参与受限则意味着，专有优势依然比共享激励更具影响力。
第三个信号是在付费环境中的表现。机器人必须能够在工厂、物流中心、医疗场所或服务环境中可靠运行，而无需持续依赖人工救援。
买家应关注不同地点的重复部署。一套系统能够迁移至第二个场地，比在其训练设施中进行又一次演示更能说明问题。
干预率和恢复行为尤其值得关注。一台能安全停机并高效恢复运行的机器人，可能比在理想条件下取得更高分数的机器人更具实用价值。
这些信号也为中国以外的开发者提供了一份实用清单。团队现在就应记录数据溯源、校准、任务定义、人工干预、故障以及环境变化。
即便从不进入中国市场的公司，也会面临类似要求。买家和监管机构越来越希望看到能够将训练数据与安全、可重复行为联系起来的证据。
因此，中国具身 AI 标准计划值得作为一项基础设施实验加以关注。它提出的问题是：协调一致的数据规则能否在不削弱竞争、不弱化保障措施的前提下，加速物理 AI 的发展。
答案不会出现在又一则政策公告中。当一家公司能够复用另一家机构的数据、通过独立测试，并在新环境中成功部署时，答案才会显现。
对于技术采购方而言，眼下的行动很简单：询问供应商，其性能数据包含哪些内容、需要多少人工协助，以及结果能否跨场地迁移。
对于开发者而言，问题则更具挑战性：当你的数据离开创建它的系统后，它是否仍然可理解且有用？
