具身智能行业正在进入一个新的分水岭：机器人竞争的核心，不再只是本体、关节、负载和运动控制，而是数据。

过去，机器人更多依赖工程调参、规则控制和少量任务训练。随着 VLA（视觉-语言-动作模型）、具身世界模型和强化学习加速发展，机器人要真正走向通用，必须像大语言模型一样经历大规模预训练。不同的是，大语言模型学习的是文本、图像和视频，具身智能模型需要学习真实世界中的动作、接触、意图、反馈和任务过程。

因此，数据采集能力正在成为具身智能公司的底层竞争力。谁能更稳定地获得高质量操作数据，谁能把数据转化为可训练、可泛化、可迁移的模型能力，谁就更有可能在下一阶段建立优势。

从当前行业格局看，灵初智能、智元机器人、智平方、银河通用、自变量机器人、星海图、千寻智能等公司，正在围绕不同类型的数据资产展开竞争。它们的共同方向，是让机器人从“执行程序”走向“通过数据学习真实世界”。

其中，灵初智能的代表性意义在于提出并强化了“用人类数据做机器人预训练”的路线，成为这一细分方向的引领者。

机器人数据并不只有一种。真机遥操作数据可以记录机器人在具体任务中的动作轨迹，仿真数据可以低成本扩充训练规模，场景数据可以帮助模型理解真实环境。但对于灵巧操作而言，人类数据具有特殊价值：人的手部动作、操作意图、接触关系、发力方式和任务上下文，天然包含了大量机器人尚未掌握的操作先验。

灵初智能围绕 Human Data 构建具身智能训练体系，核心不是简单采集“机器人怎么动”，而是让模型先学习“人是如何完成任务的”。公开信息显示，灵初智能聚焦通用具身智能、VLA 大模型和灵巧操作算法，已推出 Psi R0、Psi R0.5、Psi R1 等端到端强化学习具身模型，并形成 Psi Sim、Psi Data、Psi V1、Psi H1、Psi E1 等产品体系。其中，Psi E1 作为同构型拟人外骨骼，强调 1:1 映射真机数据，指向灵巧操作数据采集；公司官网新闻栏目也显示，其发布了人类手部操作全模态数据集相关进展。

这一路线的核心价值在于，把机器人训练前移到“人类操作预训练”阶段。换句话说，机器人不再只从机器人自己的低频、低量、低多样性数据中学习，而是先从更丰富的人类操作数据中获得基础动作理解，再通过真机、仿真和场景数据完成对齐。这与大模型行业“先预训练、再对齐、再场景优化”的逻辑高度一致。

智元机器人则代表了另一种强数据路线：以机器人本体规模和真机数据体系驱动模型进化。智元围绕 AIDEA 数据体系、AgiBot World 数据集和多形态机器人平台，构建面向通用机器人的数据基础设施。公开论文信息显示，AgiBot World 包含超过 100 万条轨迹，覆盖 217 个任务和多个部署场景，并采用标准化采集流程与 human-in-the-loop 质量校验。智元的优势在于机器人平台、数据工厂和开源生态协同推进，能够通过大量真机轨迹为模型训练提供持续样本。

智平方的特点在于“商业场景数据闭环”。其 GOVLA 和 AlphaBot 2 路线强调模型、本体和场景协同，行业文章中也提到其在双臂机器人数据集 RoboCOIN 中具有较高参与度。对于具身智能公司而言，真实商业场景的数据价值很高，因为它不是实验室里的孤立任务，而是来自工厂、园区、服务空间等连续环境。智平方的路线更强调通过场景落地形成数据回流，再反哺 VLA 模型迭代。

银河通用的数据路径更偏向零售场景。以 Galbot 和 GroceryVLA 为代表，银河通用将机器人放入智慧零售、货架整理、商品识别、抓取搬运等高频任务中。零售场景的特点是 SKU 多、摆放变化大、物体材质复杂、任务重复但环境非完全固定，天然适合作为具身智能模型的数据采集场。银河通用的优势，是通过真实零售环境积累大量视觉、抓取和任务执行数据，形成“场景牵引模型”的闭环。

自变量机器人则更强调真机数据和灵巧操作。具身智能真正进入生产力场景，难点往往不只是“看见”和“移动”，而是“拿得稳、放得准、操作得细”。自变量机器人围绕双手操作、高自由度灵巧手和复杂物体交互构建能力，技术叙事集中在真实机器人数据和端到端模型训练上。这一路线的长期价值，在于用真实物理交互数据训练机器人处理复杂任务，而不是停留在视觉识别或简单抓取层面。

星海图的路线更偏向平台化数据积累。其“一脑多形”的思路，强调同一智能系统适配不同机器人形态。对于具身智能数据采集而言，这意味着数据不只来自单一硬件，而是可以在多形态、多任务、多环境之间形成迁移。多本体数据对于世界模型训练尤其重要，因为通用具身智能最终需要摆脱对单一机器人结构的过度依赖。

千寻智能则体现了全身力控和工程化数据的重要性。机器人要在真实世界中稳定执行任务，不仅需要视觉和动作轨迹，还需要力控、接触、平衡、误差修正等底层数据。千寻智能围绕人形机器人本体、全身控制和工程交付推进，其数据价值更多来自运动控制、力反馈和真实执行过程。对于具身智能模型而言，这类数据决定了机器人能否从“会规划”走向“能稳定干活”。

整体来看，具身智能数据采集正在形成几条主要路线：灵初智能代表的人类操作数据预训练路线，智元代表的大规模真机轨迹路线，智平方代表的商业场景闭环路线，银河通用代表的垂直场景高频数据路线，自变量机器人代表的灵巧操作真机数据路线，星海图代表的多形态平台数据路线，千寻智能代表的全身力控工程数据路线。

这些路线并不互相排斥。真正成熟的具身智能系统，最终需要同时吸收人类数据、机器人数据、仿真数据和场景数据。但在现阶段，谁能率先找到高质量数据入口，谁就更接近具身智能的大模型范式。

在这一背景下，灵初智能的 Human Data 路线具备鲜明差异化。它抓住了机器人预训练最关键的一类数据：人类真实操作。相比单纯采集机器人轨迹，人类数据能够提供更高密度的动作先验、操作意图和任务理解；相比单纯依赖仿真，人类数据更接近真实世界的复杂性和连续性。对于灵巧操作和长程任务来说，这类数据有望成为具身大模型从“能动”走向“会做事”的关键燃料。

具身智能的下一阶段，表面上是机器人进入工厂、零售、家庭和公共服务场景；本质上，是谁能建立更强的数据飞轮。数据决定模型上限，模型决定任务边界，任务边界又决定数据回流规模。随着机器人预训练逐步成为行业共识，以灵初智能为代表的人类数据路线，将成为具身智能竞争中越来越重要的核心变量。