為何研究重心轉向資料採集？

  • 材料將物理 AI 的核心瓶頸從機器人本體轉向資料：大型模型落地可能需要百億小時級的高品質資料，而現有開源資料集僅為百萬筆及百萬小時量級。資料供應的規模與品質，因而成為訓練能力擴張的限制。
  • 機構估算，全球機器人資料採集需求將從 2027 年的約 1080萬 小時增至 2031 年的 29.25億 小時，對應市場空間從 78億 元擴大至 8240億 元。此推演依賴訓練需求持續擴張，以及採集、標註加工能力同步跟上；材料指出，目前標註產能與高精度採集硬體仍然稀缺。

低成本資料與真機資料分別解決甚麼問題？

  • 四條採集路徑包括真機遙操作、UMI 及 Ego 無本體採集、模擬合成和世界模型生成。無本體路線成本較低、便於提前部署，真機資料則承擔訓練驗證的「金標」作用，兩者服務於不同環節。
  • 成本差異決定了資料組合：Ego 視覺資料報價約為每小時 120—500 元，真機及遙操作資料約為每小時 500—2000 元；模擬與合成資料提供低成本補充。機構預計 Ego 視覺將成為最大類別，觸覺與真機資料隨後放量。
  • 技術架構也有分工。材料認為，通用大型模型負責規劃與語義理解，VLA 把視覺和語言資訊轉成動作控制，世界模型預測動作後果。精細操作和接觸協調仍需要針對性的控制訓練，因此資料需求涵蓋視覺、姿態與觸覺等多個維度。

哪些環節可能較早形成採購？

  • 產業調研給出的時序是：若資料採集設備廠商在 2027 年訂單放量，就需要提前批量採購 IMU。IMU 負責感知運動姿態與空間軌跡，因此感測器採購可能早於終端設備交付，關鍵條件是設備訂單按期擴張。
  • 奧比中光已於 2026年7月 發布無本體資料採集硬體平台，涵蓋第一視角、手持操作、腕部互動和設備同步，客戶包括資料採集服務商、大型模型廠商與機器人企業。其業務連結點是這些客戶建設採集系統時的硬體採購。
  • 更接近銷售端的案例是創維數字：材料援引公司互動資訊稱，其 EGO 系列資料採集產品已在海內外形成銷售。產品推出、客戶接入和實際銷售分別處於不同階段，判斷企業進展時應對應到具體環節。

已有資料累積，距離收入還有多遠？

  • 天奇股份營運的工業資料採集與實訓中心已累計沉澱近 2萬 小時多模態資料，投入超過百台機器人，涵蓋汽車、電池和 3C 製造場景。其連結點在於結合真實工業場景、採集設備與標註管理系統，能夠輸出訓練資料集。
  • 模擬方向的商業化處於更早階段。風語築已透過控股合資公司布局物理模擬、Sim2Real 訓練與空間合成資料，但物理 AI 業務尚無披露收入；材料將其業務彈性直接繫於風應科技訂單落地。行業空間擴張與單一公司收入增長之間，還隔著訂單轉化這一環。