世界模型走向具身：数据成为第一道门槛
2026年6月，北京智源大会上“世界模型”成为热门词汇。AI的范式正在从“预测下一个Token”走向“预测下一个物理状态”。世界模型的运用呈现多样化，在自动驾驶、游戏AI、气象预测等场景中，世界模型分别承担着轨迹推演、环境模拟与动态建模等关键角色。场景不同，但底层逻辑高度一致：让AI在真实行动之前，先于内部完成对下一步环境状态的预判。
具身智能场景下的世界模型遵循同样的预判逻辑，但场景复杂度更高、物理约束更严、交互反馈更为直接。具身智能则要求机器人在真实物理空间中具备“预演未来”的认知能力，犹如为机器人装上前额叶皮层，使其在执行抓取、移动或装配等物理动作之前，先行在内部完成对动作结果的模拟与推演，从而降低试错成本，提升跨场景的通用操作能力。
大语言模型可以从互联网抓取海量文本，但在具身智能场景下，世界模型需要的是真实物理世界的交互数据。LLM处理的是静态的、已存在的文本；世界模型要处理的是动态的、时序的、因果的物理演化过程。
数据如何决定具身世界模型的“世界观”？
模态维度：为“前额叶”打通全感官通道
具身智能场景下的世界模型，其训练数据必须覆盖真实物理交互所需的全部感知通道。需要多模态融合的训练数据：视觉数据，如RGB视频、深度图、点云，3D甚至4D的空间数据；触觉与力觉数据，用于推理复杂接触动力学；关节角度、力矩、速度等本体感知数据；碰撞、摩擦、破碎等音频数据。多种模态共同支撑模型构建对物理世界完整的感知-行动闭环。
内容维度：数据的内涵，决定“前额叶”的上限
具身智能世界模型的泛化能力，直接取决于训练数据在四个关键维度上的覆盖程度：动作类型（抓取、推、拉、拧、插等操作）、对象属性（材质、形态、重量等物理特征）、场景环境（家庭、工厂、办公室等真实空间）和本体形态（不同构型的机器人）。四者交叉构成的组合空间越大，模型面对真实世界多样性的适应能力就越强。
此外，数据里还需要包含足够的"反面教材"。"成功"并不是世界的默认状态。面对抓取滑脱、碰撞偏移等非理想情况时，模型只会把失败"脑补"成成功。而这些非标准情境恰恰是模型理解接触、摩擦、重心等物理因果关系的关键。没见过失败，模型就不可能预判失败，也不可能真正学会规避和应对。
具身世界模型的“数据荒”如何破局？
Ego-Centric数据正在成为“主食”
Ego-Centric数据由采集者佩戴头戴设备，在日常环境中以第一视角自然完成各种任务所记录。之所以成为世界模型预训练的"主食"，核心在于解决了规模化难题。单人日均产出可达数小时，采集成本远低于真机遥操。
除成本优势，Ego数据的内容价值同样不可替代。世界模型的核心任务是构建对物理世界的因果预测，即给定某一动作，推演其对环境状态的影响。这一目标要求以行动者为中心的观察坐标系。在第一人称视频中，任务目标本身定义了数据采集的结构，手-物交互与空间关系始终处于画面核心；同时忠实记录真实人类行为的完整时序轨迹，包含失败、停顿、修正等非平稳过程。这些“不完美”恰恰是模型理解物理因果、学习纠错与自适应策略的关键。
真机遥操：从"主食"到"精调食材"
真机遥操作数据由操作员通过遥操作设备控制真实机器人采集，包含视觉、力觉、关节角度等全部传感器信息。优势在于数据分布与部署时的推理分布完全对齐。模型训练时看到的是什么本体和动作空间，部署时面对的就是同样条件，不存在分布偏移。这是Ego数据无法替代的。
高对齐性的代价是贵和慢。单小时采集涉及操作员培训、场景搭建、任务复现等多个环节，综合成本是Ego数据的数倍。当预训练数据需求达数万小时量级时，全部依赖真机数据在商业上已不可持续。因此其角色正从"预训练主食"转为"后训练精调食材"。先用Ego数据让模型认识世界，再用少量真机数据教会模型迁移到自己的本体。
数据堂如何为具身世界模型构建数据底座
具身智能的数据需求正在经历范式升级，数据堂作为专业的数据服务商可为客户提供面向物理AI时代的数据基础设施。主要包含两层能力：提供高质量的成品数据集，支撑模型快速启动；具备规模化、可定制的数据生产能力，满足研究持续演进中的供给需求。
10万小时多场景Ego-Centric第一人称数据
以第一人称视角采集人类在多种真实场景中的操作行为，每条数据包含时间对齐的双目视频、双目相机参数、3D场景重建点云文件、人体关节数据及分步骤语义标注。任务类型覆盖烹饪、手工、运动等，包含短周期、中周期与长周期任务，并完整保留错误恢复等特殊场景记录。
2.7亿组3D模型及1800万组3D场景数据
3D模型覆盖人物、动物、建筑、日常物品等类别，包含静态模型、交互模型与物理增强模型；3D场景覆盖家居与商业空间。可满足世界模型对3D空间数据的刚性需求。点击获取数据样例
15万段灵巧手操作数据集
包含指令、人类遥操作原始轨迹、RGB与深度传感器数据、关节、手部、底盘的位置、姿态、力等四类数据。该数据集定位真机后训练阶段。当模型通过Ego数据建立物理常识后，需以此完成从"人类经验"到"自身上手"的迁移。
成品数据集解决"快速启动"，而世界模型研究的纵深发展往往需要更精准、更定制化的数据供给。数据堂在此维度的核心能力体现为：规模化采集标注基础设施
部署EGO、UMI等轻量化采集方案，由操作人员在自然场景中完成数据采集，周产能有效数据约5000小时。且建有具身智能数据采集工厂，配备灵巧手、遥操作机械臂、力反馈设备、惯性动捕系统、多视角RGB-D视觉设备等，可模拟零售、家居服务、仓储、医疗、工业等多类真实环境。
数据堂面向具身智能与世界模型场景已形成体系化的标注模板能力。平台提供位姿标注工具，支持导入点云与3D模型，通过智能特征匹配实现初始毫米级自动对齐，输出标准化六自由度位姿矩阵，可直接用于机器人抓取轨迹规划。
同时支持3D点云标注（物体识别、追踪、语义分割）、视频标注（Ego视角行为时序标注、动作识别）、2D-3D融合标注等。支持私有化部署，满足高安全等级场景的数据合规要求。
数据的定义正在被改写
给机器人装上“前额叶”，意味着让它在真实的物理世界中行动之前，先在脑中完成一次次模拟运行。而这一能力的实现，归根结底取决于数据的规模、结构与质量。但行业变化的速度远比预期更快，对数据的精度、规模、模态和覆盖广度提出的要求也在持续攀升，当范式迁移成为常态，选择一家值得信赖的数据合作伙伴，比任何时候都更重要。
数据堂提供覆盖数据全生命周期的闭环能力。无论是快速启动所需的成品数据，还是精准匹配研究方向的定制数据，均可在一个体系内完成交付。选择数据堂，就是选择一套稳定、高效、即需即用的数据基础设施。
日升策略提示：文章来自网络，不代表本站观点。
