| 信息分类 | 科技资讯 / 具身智能 |
| 信息来源 | 微信公众号「中国信通院CAICT」 |
| 原文发布时间 | 2026-08-18 |
| 发布机构 | 中国信通院人工智能研究所、人形机器人（上海）有限公司、具身智能测试实验室 |
| 发布会议 | 中国人工智能产业发展联盟第十八次全体会议 |
| 本站采集时间 | 2026-08-19 |
| 原文链接 | 点击阅读原文 |
“具身智能训练场建起来只是第一步，更重要的是用起来、转起来，真正成为数据资源基地和实景实训平台，支撑具身智能产业规模化发展。”
2026年8月18日，中国信息通信研究院人工智能研究所联合人形机器人（上海）有限公司、具身智能测试实验室，在中国人工智能产业发展联盟第十八次全体会议上正式发布《具身智能训练场研究报告（2026年）》。报告系统梳理了我国具身智能训练场的建设现状、共性挑战、发展阶段与标准化需求。
一、核心数据总览
| 指标 | 数据 |
|---|---|
| 全国建成启用训练场（截至2026年6月底） | 超过70家 |
| 在建或规划中训练场 | 46家 |
| 区域覆盖 | 覆盖全国过半省级行政区 |
| 三大核心集群 | 长三角、京津冀、珠三角 |
| 城市层级延伸 | 从一线城市逐步向三线、四线乃至五线城市延伸 |
| 含工业制造场景的训练场占比 | 86%（最多） |
| 特种应急场景占比 | 约25%（最少） |
| 具身基础模型所需真实数据 | 至少千万小时级 |
| 当前全球可用高质量真实数据 | 仅数十万至百万小时级 |
二、为什么需要训练场？
具身智能的演进建立在规模定律（Scaling Law）成立的假设之上，足够多的数据是享受规模定律红利的前提。然而当前数据供需存在量级差距：具身基础模型要迎来”ChatGPT时刻”至少需要千万小时级真实数据，而全球可用高质量真实数据仅为数十万至百万小时级。
训练场作为一类面向具身智能研发和应用搭建的关键基础设施，在真实物理环境中支撑：
- 数据生产——采集真实物理交互数据
- 模型训练——支撑具身基础模型迭代
- 能力验证——系统应用能力测试与迭代优化
关键转变：训练场正从单纯的数据生产走向场景化的实景实训，建设逻辑从人才、资本驱动，转向以真实场景、数据供给和运营效率为核心的资源配置模式。
三、建设模式：政企双线、综合与垂类协同
| 维度 | 格局 |
|---|---|
| 建设主体 | 政府引导 + 企业自建两类主体双线发力 |
| 平台方向 | 综合平台（面向多行业场景，支持跨场景泛化，当前建设主流）+ 行业垂直（扎根单一行业关键作业环节，产业深入渗透载体） |
| 组织模式 | 区域协同 + 行业合作 |
| 场景梯次 | 由可控场景向开放场景、由高频任务向复杂任务、由通用操作向行业作业逐步拓展 |
五大行业场景分布
| 行业场景 | 训练场覆盖率 | 说明 |
|---|---|---|
| 工业制造 | 86% | 覆盖率最高，具身智能落地最核心场景 |
| 家庭服务 | 次之 | 服务机器人核心场景 |
| 商业零售 | 次之 | 分拣、导购、盘点等 |
| 医疗康养 | 较少 | 康复、护理、手术辅助等 |
| 特种应急 | 约25% | 覆盖率最低，技术门槛高、场景特殊 |
此外，农业、文旅等行业也有零星场景分布。
四、数据工程：全流程流水线闭环
报告强调，“可采集数据规模”并不等同于”可训练数据规模”。原始数据需经过多道工程环节才能转化为可训练、可复用、可流通的数据产品。
| 数据工程环节 | 说明 |
|---|---|
| 任务下达 | 根据模型训练和场景验证需求定义数据采集任务 |
| 真实数据采集 | 在可控/开放物理环境中采集多模态交互数据 |
| 清洗标注 | 原始数据去噪、对齐、标注等处理 |
| 合规质检 | 数据质量评估与合规审查 |
| 存储管理 | 数据资产化存储与版本管理 |
| 训练验证与反馈迭代 | 数据用于模型训练，效果反馈驱动新一轮采集 |
| 趋势：数据全链路的工具化、自动化改造正在取代人工密集型数据生产方式，成为训练场稳定产出高质量数据的必然选择 | |
五、商业模式：产业链初步成形，可持续盈利仍待探索
当前训练场产业链呈现“上游技术供给活跃、下游应用仍待拓展”的倒三角特征。
| 维度 | 现状 |
|---|---|
| 资产属性 | 重资产投入——场景建设、数采及本体设备、算力、网络、存储与管理系统；日常运营费用不菲 |
| 当前主要收入 | 数据产品出售（最快形成收入） |
| 探索中的业务 | 模型与本体训练验证、联合研发、测试验证 |
| 核心挑战 | 仅靠数据出售难以覆盖重资产投入，回本周期较长 |
| 未来方向 | 平台化交易、增值服务拓展、”训练即服务”（Training-as-a-Service）等多元收入结构 |
六、发展三阶段与标准化进展
| 阶段 | 特征 |
|---|---|
| 建设热潮期 | 各地密集立项建设，规模快速扩张 |
| 能力沉淀期 （当前阶段） |
从”建起来”转向”用起来”，数据产能、场景质量、运营能力成为核心竞争力；部分定位不清、能力不足的训练场将向产业链细分环节分化 |
| 生态繁荣期 | 数据交易流通、跨场协同、服务一体化成熟 |
标准化工作
- YD/T 6771-2026《人工智能 关键基础技术 具身智能数据集质量要求及评价方法》——已发布的行业标准
- 2026-0074T-YD《人工智能 关键基础技术 具身智能训练场综合评估技术规范》——编制中，围绕场景建设、设备与基础设施、数据全链路、运营管理、风险控制五大核心要素，对综合类和行业垂类训练场开展分级评估，以评促建
七、五大未来趋势
| 序号 | 趋势 | 方向 |
|---|---|---|
| 1 | 实景实训化 | 从数据采集走向真实场景中的模型训练与能力验证一体化 |
| 2 | 数据工程化 | 全链路工具化、自动化，提升数据产能与质量 |
| 3 | 交易流通合规化 | 建立数据产品交易规则与合规流通机制 |
| 4 | 服务一体化 | 从单一数据服务向”训练即服务”等综合服务延伸 |
| 5 | 全周期标准化 | 场景、数据、运营、服务、安全合规多维度标准体系完善 |
报告撰写团队
| 专家 | 职务/方向 |
|---|---|
| 魏凯 | 中国信通院人工智能研究所所长，正高级工程师；ITU-T SG21国内对口组组长、工信部人工智能标准化技术委员会秘书长 |
| 石霖 | 中国信通院人工智能研究所具身智能与机器人部主任，高级工程师 |
| 白入文 | 中国信通院人工智能研究所工程师，博士；牵头10余份具身智能领域标准技术规范 |
| 李碧莹 | 中国信通院人工智能研究所工程师，博士；参与多份具身智能行业标准与联盟技术规范编制 |
来源：中国信息通信研究院、人形机器人（上海）有限公司、具身智能测试实验室《具身智能训练场研究报告（2026年）》。