Crunchbase 数据显示，截至 2026 年 6 月下旬，全球机器人融资额已达 188 亿美元，超越 2025 年全年的 150 亿美元。高盛等机构预测，人形机器人将在 2030 年前进入规模化商业探索阶段，资本正在从传统机器人硬件转向具身智能模型、传感器和机器人基础设施。资本正密集投向具身基础模型及边缘基础设施领域。
头部项目吸金能力惊人。特拉维斯 · 卡兰尼克创办的聚焦物理世界自动化的 AI 与机器人公司 Atoms，旨在自动化食品生产、采矿和运输等领域，于 7 月完成由安德森 · 霍洛维茨基金领投的 17 亿美元融资。Skild AI 则在 1 月筹集 14 亿美元，用于打造跨所有物理 AI 硬件的 " 全能型 " 基础模型，其估值在随后七个月内翻了三倍。
数据：物理 AI 的决定性约束
尽管资本汹涌，但几乎没有任何资金用于解决严肃玩家面临的数据缺口问题。与可从互联网抓取的文本或图像不同，物理交互数据无法在线获取，每一个样本都必须经人工执行、记录并标注。数据已成为物理 AI 发展的决定性瓶颈。
Deccan AI 依托印度专家网络，为 AI 实验室提供训练数据、评估和强化学习环境，正是试图突破这一约束的公司之一。该公司于 3 月完成由 A91 Partners 领投的 2500 万美元 A 轮融资，旨在扩大训练后数据运营规模并拓展至机器人数据领域。Deccan AI 为 AI 实验室和企业构建训练后数据、评估及强化学习环境，依托逾百万人的贡献者网络，客户包括 Google DeepMind 和 Snowflake。
扩展定律的陷阱与 " 逆缩放 "
Mordor Intelligence 数据显示，2026 年全球数据标注工具市场规模约 30.7 亿美元，计算机视觉占据主导。Deccan AI 人工智能负责人 Navaneeth Bodla 指出，物理 AI 正处于类似 GPT-2 的时刻，早期证据表明，" 更大模型 + 更多数据 " 的扩展方式在具身智能中同样有效。
但这存在陷阱。Bodla 表示，行业面临 " 具身智能扩展瓶颈 "：模型能力提升并不意味着机器人性能同步提升，因为真实部署还受到算力、传感器、执行机构和安全约束限制，即硬件和算力必须同步跟进。大型模型需在实体机器人上实际运行，必须缩小算力和硬件规模，避免因捕捉细微噪音导致运动过于复杂。过去两年行业严重依赖人形形态，部分原因正是为解决这一双重需求：将大模型与更小、可部署的硬件相结合。
多模态数据与触觉难题
为确保机器人具备现实世界理解能力，Deccan AI 制作涵盖第一人称视频、多摄像头阵列深度信息及毫米级动作捕捉的多模态训练数据。其服务对象分为两类：试图将模型扩展至机器人领域的前沿 AI 实验室，以及训练专用小模型的原生机器人公司。" 两者都需要难以扩展的训练数据集，"Deccan AI 机器人业务负责人 Nikhil Parlapalli 称，" 物理数据必须亲自收集，过程艰难。"
Bodla 强调，最难收集的并非视觉数据，而是触觉。摄像头只能记录手部动作，却无法感知压力、温度或物体质地。虽然传感器可捕捉力反馈，但目前难以规模化集成到自然手部运动中。Deccan AI 的变通方案是通过遥操作，在简化为双手和关键摄像头的装置上收集数据，而非对完整机器人进行仪器化改造。
Parlapalli 警告，机器人领域的真正风险在于模型在与人类互动时 " 在错误的时间失败 "。更好的触觉和力数据不仅是能力问题，更是安全问题，需像自动驾驶汽车一样优先考虑防止系统造成伤害。
早期阶段的昂贵博弈
尽管融资曲线远超数据基础设施的发展速度，但该领域仍处于极早期阶段。曾在 AWS 工作多年的 Deccan AI 高管 Gopi Pepakayala 表示：" 我们不知道最终会形成什么样的架构、模型类型或数据集。"
目前，Scale AI 和 Appen 主导托管端，Shaip 和 Encord 等构建标注工具，Pronto 等初创公司则探索可穿戴摄像头数据采集。Deccan AI 正从印度基地争夺产业链一席之地。在 Pepakayala 看来，此时无人知晓哪种架构或数据组合将胜出，Deccan 的目标是确保自身处于正确位置。
【星途科讯 图文丨略略 首发于 ZAKER 科技，转载请注明出处】
