具身智能圈这一年最大的焦虑，不是机器人能不能站起来，而是训练它的数据从哪来、要花多少钱。8 月下半月的两条消息，把一种此前偏小众的思路推到了台前——用「人戴摄像头干活」的第一人称视频，去喂机器人学操作。
8 月 15 日，原力无限（Infiforce）宣布完成近 1.5 亿美元 A 轮及 A+ 轮融资，由敦鸿资产领投、几乎全为国资与高校背景资本。它的核心打法很直接：不先造一台爆款机器人，而是把「第一人称人类视频（Ego 数据）」当成训练燃料，再配一套叫 DataGrid 的数据基础设施。
什么叫 Ego 数据？说白了就是人头上戴个摄像头、第一视角记录自己怎么抓、怎么拧、怎么放。随手即采、几乎零边际成本，规模天然是互联网量级。这和主流的「遥操作采集」形成鲜明对照——后者要真人穿戴外骨骼或摇杆去操控本体，硬件贵、工时贵、专家贵，千到万小时基本就封顶。
原力无限把自己定位成「具身智能的 Hugging Face」：DataGrid 不只服务一种机体，而是跨轮式、双足、通用臂等多形态共享的数据公共层。它自报的基准里，AtomVLA 在 Libero 上 97%、HiMem-WAM 97.7%、第三代 AIM 世界模型在 RoboTwin 2.0 上 93.1%——这些是公司自报数字，需独立复现验证，但方向已经很清楚：用便宜到近乎免费的人类视频，去逼近昂贵遥操作才能换来的操作能力。
无独有偶，就在同一周，元流（Current Robotics）披露累计数亿元融资、并发布新的机器人世界模型 CurrentWorld-0。创始人祝毅晨出自 美的集团 具身智能部，是较早把 VLA 与世界模型推进到「CoT 链式思维」的研究者。元流把世界模型摆进「评测场」，强调用仿真去评估策略而非只训练策略。
更早几天，美国 Dyna Robotics 也放出结果：人类视频可以显著缩放（scale）机器人学习。再往前，物理智能（Physical Intelligence）的 π0 用 VLA+扩散范式把「视觉-语言-动作」打通，影响了大半开源社区。多家公司、两个半球，撞上了同一条直觉。
不是只有一条路：触觉也在抢「数据稀缺」这道题
把视角拉宽，会发现「数据稀缺」正在被从不同侧面围攻。 戴盟机器人 走的是触觉锚定路线：发布触觉锚定世界模型 Daimon-TWM，并建成含触觉的全模态物理世界数据集，试图从「指尖感知」侧补齐操作稳定性。它和 Ego 路线并不互斥，一个补「怎么摸得准」，一个补「数据从哪来」。
资本的态度也在变。上半年国内具身智能融资 935 亿元、同比增长 5 倍，但钱不再只追整机，而是往数据基建、基础模型、核心零部件扩散。8 月里， 智元机器人 、 星海图 跟投了元流； 星动纪元 背景的团队孵出了潜界科技； 傅利叶智能 出现在奇点智控的天使轮里——产业资本在用钞票投票「谁能卡住数据入口」。
西方镜像是另一条飞轮： 特斯拉 的 Optimus、 Figure AI 都靠已部署机器人的回采数据迭代，逻辑和 DataGrid 同源——机器人越多，数据越厚，模型越强。区别在于，原力无限是从纯数据基建起手，而不是先卖硬件。
为什么「便宜的数据」突然值钱
答案在落地端。 小鹏汽车 要把 IRON 人形机器人月产能拉到千台级； 比亚迪 首款人形本月亮相； 宇树科技 挂牌后成了赛道定价锚。当本体从「 demo 台」走向「产线/商场」，对训练数据的需求从「够发论文」变成「够填真实工况」，廉价、海量、可规模化的信号源就成了胜负手。
当然，坑也明摆着。把人类视频「翻译」成机器人可执行的动作，需要跨本体的泛化能力，目前仍存疑；各家自报的 benchmark 缺乏独立评测；谁来定数据采集合规的「国标」，也会变成话语权之争（原力无限就参与了相关国家规范的起草讨论）。
回看 8 月这条暗线：从 美的集团 出身的祝毅晨做世界模型评测，到原力无限把 Ego 数据做成共享层，再到 Dyna 用人类视频缩放学习——几家路径不同，却都盯上了同一个瓶颈：训练数据太贵、太慢、太难规模化。
具身智能的数据路线，正从「买硬件、雇人遥操」走向「廉价信号源 + 飞轮」。这束火苗能不能烧成主炉，取决于「翻译」这一步——把人类视频转成机器人可执行的动作——能否被工程化解决。
本文基于公开报道整理。