本文仅梳理产业动态，不涉及任何个股推荐，亦不构成买卖依据。

机器人这两年进步肉眼可见。会后空翻、会跑、会跳。

但演示和干活是两回事。演示只需要成功一次，干活需要次次成功。而次次成功靠训练，训练靠数据。

问题就在这：喂给大模型的互联网文本，跟机器人需要的物理交互数据，完全是两种东西。

文本可以爬。物理交互数据不行，它得在真实环境里一次一次试出来。

一台机器人在工位上反复拧螺丝，能采到的有效操作有限，摔一次可能损坏价值不低的硬件。而真实场景的变量几乎是无穷的，光线、材质、摆放角度、抓取力度，每个都在变。

于是行业想了个折中：先在虚拟环境里练。

这就带出一条链路，把真实空间扫描成数字环境，让机器人在里面训练、调试、测试，再回到真实场景执行。

要还原一个空间，得同时拿到几何、色彩、纹理，以及设备自己在空间里的位姿。少了位姿，采回来的数据对不上位置，就是废数据。所以这类采集设备往往把激光雷达、影像系统和惯导集成在一起，同步采集。

但这里有个容易被忽略的点。

视觉和几何，只是机器人理解世界的一个维度。

据公开报道，有具身智能企业在公开场合提醒：真正完成任务，还要考虑力、触觉、摩擦、形变，以及高频、低延时的运动控制。机器人不但要知道这个活怎么干，也要知道自己能不能干。

这句话点破了数据这层的真实难点：画面好采，力不好采。

视觉数据靠摄像头就行，摄像头到处都是。但用了多大力、摸到什么材质、物体形变到什么程度，这些得贴到机器人身上，在真实接触里一遍遍测。而且触觉和力还牵扯标定一致性，同一个动作，今天测和明天测得一样，才算数。

还有一层更难：据公开报道，行业内有技术专家提到，空间智能和具身智能的数据行业尚未形成统一标准。不同机器人、不同场景对精度、视场、物理属性和数据格式的要求并不一致。标准没立起来，数据就难像文本那样大规模流通复用。

再看国内六家的落点。

先看空间这一头。凡拓数创做的是AI 3D数字孪生与数据基座。据公开披露，业务涉及具身智能数据训练场解决方案、工业领域的具身智造方案，以及融合数字孪生软件与机器人的展馆方案。

奥比中光做的是3D视觉感知。据公开披露，已推出无本体数据采集硬件平台，覆盖第一视角、手持操作、腕部近场等形态。所谓无本体，就是机器人本体还没定型时，先让人穿戴设备把动作做一遍，把画面、手部动作和空间轨迹采下来喂给模型。这家按数据采集主线纳入，仅作产业信息说明。

再看力和触觉这一头。福莱新材做的是柔性触觉传感器及多模态感知系统。据公开披露，公司正从功能性涂布材料向智能传感延展，产品可在指尖完成边缘计算，感知垂直压力与多向剪切力。

安培龙做的是智能传感器，产品涉及压力传感器、力与力矩传感器等方向。据公开披露，其机器人用力传感器已向多家企业完成送样，部分客户已取得批量订单并实现批量生产交付；公开材料同时提到，该业务目前销售收入占比较低。

长盈精密做的是精密零组件制造，机器人方向涉及传动件、力矩传感器与柔性触觉传感器。据公开披露，公司已向多个人形机器人客户供应精密零组件。

还有一类负责记录设备自己怎么动。华依科技做的是惯性测量单元与测试服务。据公开披露，业务覆盖智能驾驶、机器人用惯导器件，相关产品已进入部分客户供应链。

看完这些，我有一个挺深的观察：机器人这轮的门槛正在从能不能动起来，移到有没有足够多、足够准的真实交互数据。

演示一个动作不难，难的是在没见过的场景里也做对。而做对的前提，是先把真实世界的力、触觉、空间关系采下来、存起来、能复用。这件事没有捷径，得一遍遍采。

风险提示

具身智能仍处在早期阶段，相关数据采集与训练目前以探索和学为主，商业化进度存在不确定性。空间数据与具身数据的行业标准尚未形成统一口径，不同场景对精度与格式的要求不一致，会影响数据的流通与复用。力觉、触觉类数据的采集成本与标定一致性仍是难点。传感器与数据采集设备从送样到批量交付的周期存在不确定性。各家披露口径不同，业务进展以公司定期报告为准。市场有风险，投资需谨慎。