百座数采中心，咋就集体露馅了？

一条朋友圈，把106座数采中心推到了聚光灯下。

梅卡曼德创始人邵天兰公开质疑具身智能行业的"攒局"现象，具身数采中心首当其冲。而就在一年前，各地还在密集签约开工，几十台、上百台机器人被搬进新建训练场。虎嗅统计，截至2026年8月，全国公开披露的集中式数采中心已达106家，其中84家投入运营。

建设潮结束了，运营大考才刚开始。数据生意是真需求还是自循环？这个问题的答案，不只关乎具身智能，也值得每一个盯着新兴产业"政府订单"的人细品。

🏗️ 两年百座，数采中心是怎么火起来的

速度，是这个行业最先被记住的词。

把时间拨回2024年。彼时的数采中心还是个相当边缘的概念，2024年3月至2025年3月，全国平均每个月只有约2.7个项目启动。开一个，业内还要议论半天值不值。

转折发生在2025年春天。节奏突然加快——从2025年4月到2026年1月，月均启动数量上升至约7.3个。训练场、数据采集基地、具身智能创新中心在各地密集落地，几十台、上百台机器人被搬进一个个新建的训练场。

建设高峰出现在2026年一季度。此后，新启动项目开始减少，前一轮开工的项目陆续投入使用。把启动和投用两条曲线摆在一起看，中间大约隔着2到5个月——这正是一座数采中心从签约、装修、设备进场到正式运行的大致周期。

为什么这么快？这其实是一次典型的"政策+资本"共振。具身智能是当下的资本宠儿，而数采中心恰好同时满足了地方招商的几个核心诉求：有固定资产投入、有产业标签、有可参观可展示的场景。签约剪彩一次完成，各方都有交代。

但建设潮过去之后，问题就变了——从"建没建"变成"用没用"。前者的KPI是开工数量，后者的KPI是数据质量。这两件事的难度，完全不在一个量级上。

🔥 一条朋友圈，捅破行业窗户纸

窗户纸，终究要有人来捅。

前不久，邵天兰在朋友圈言辞犀利地直指行业乱象：部分高估值具身智能企业，依托关联交易、数据采集中心及地方资源包装营收数据，以此冲刺IPO、谋求资本上市。他还在评论区直接点名银河通用。

银河通用官方迅速回应，表态不愿参与行业口水纷争，将持续深耕技术研发、场景落地与商业化推进，专注自身核心业务发展。

一石激起千层浪。针对"攒局型"具身智能企业左手倒右手、表演式数采的质疑声四起——采集量级究竟能否支撑真实场景落地，众说纷纭。

其实早在今年8月，类似问题已被海外媒体关注。金融时报在《谁在买中国机器人？》一文中描述了一套交易链条：机器人企业与地方政府共建数采中心，由中心采购其机器人，随后再把采集的数据卖回机器人企业——这一过程被称为"循环融资"。

据多位接近数采运营方的业内人士的说法，这个链条并不算天方夜谭——不少中心目前最大的客户，恰恰就是参与共建的机器人企业自己。订单、数据、营收，在同一个闭环里转。

要说清的是，争议的核心并不是数采中心该不该建——数据对具身智能的重要性无人否认——而是营收的质量。判断设备订单和数据交易的真实价值，绕不开三个问题：机器人企业究竟需要什么数据？数采中心生产的数据是否真正进入模型？采集量级能否支撑真实场景落地？

如果数据的终点是模型、模型的终点是能力，那这是技术积累；如果数据的终点只是报表，那这就是财务意义上的循环。一线之隔，天壤之别。

📉 数据产能上来了，买家没跟上

产能不是问题，需求才是。

物理AI数据创业者黄大荣提供了一个冷静的视角：如果只看机器人出货量，中国具身智能似乎走得很快。但出货量只能反映产业化进度，机器人能否在真实场景中完成任务，最终要回到模型能力。而模型能走多远，很大程度上取决于它究竟见过多少真实世界。

问题就出在这里。据了解，OpenAI积累的原始数据已达到千万小时级别，这还仅是保守估算；为其供给数据的海外机构，单月采集量便可达到百万小时。

反观国内，简智、光轮两家企业同样具备单月百万小时的采集能力——产能并不落后。但市场上愿意大规模采购Ego数据的买家，寥寥无几。

所谓Ego数据，指采集者头戴相机或AR眼镜，以人眼第一视角记录人与物体交互的多模态数据，用来训练人形机器人，让机器人学习在真实环境里观察、抓取、完成任务。

这组对比说明问题不在供给端，而在需求端。中国不缺采集产能，缺的是愿意为数据付大钱的模型团队。

逻辑也不难理解：模型公司融资本就紧张，又难以在短期内确证某批数据带来的能力增益，砍数据预算是最容易的动作。于是大量采集产能无处可去，只能流向"关系户"订单——这恰恰是自循环的温床。供给端越卷，自循环的引力越大，这才是数采这门生意最拧巴的地方。

💡 机器人到底需要什么数据

回到那个最本质的问题。

虎嗅对话了三位身处数采行业的从业者，分别从真实数据、订单需求和触觉数采出发，呈现出这门生意正在经历的变化。三方视角不同，但最终都指向同一个拷问：数采中心生产的数据，是否真正进入了模型？

Ego数据的故事已经给出了半个答案。这种第一视角的多模态数据，理论上最能教会机器人"像人一样"在真实环境里完成任务，是模型侧公认的高价值数据。但即便是这样的数据，国内也缺乏大规模、可持续的付费买家。

这就引出了判断数采中心成色的三条硬标准：

第一，数据进没进模型。 训练场里机器人转得再欢，如果数据没有被模型团队消费，就只是设备折旧。

第二，能力有没有增量。 数据投喂之后，模型在真实任务上的成功率是否可量化提升，这是数据定价的锚。

第三，买家会不会复购。 一次性关联采购撑得起开业剪彩，撑不起一门生意。真实的数据生意，买家会持续回来加单。

用这三条标准去检验，目前能全部达标的数采中心，恐怕不多。数据生意要真正成立，这三个环节必须跑通闭环。而106家中心从"密集开工"转入"集中运营"之后，接下来半年到一年，将是数据复购率和模型能力提升的正面对账期——账本藏不了太久。

🚁 同一套剧本，新兴产业都不陌生

看完具身数采，不妨换个视角。

作为长期观察低空经济的人，这套"地方共建+关联订单"的组合拳，实在不眼熟。低空经济这两年的某些场景与之高度同构：地方与整机企业合资共建产业公司、首批订单来自关联体、产值统计口径宽泛、以政企场景填充早期营收。连叙事框架都一样——基础设施先行，以订单养产业链。

客观地说，这不必然是坏事。新兴产业早期缺乏真实付费需求时，用过渡性需求把产业链"养"起来，是很多行业走过的路。没有当年的地方补贴电站，就没有今天的中国光伏。关键不在起点，而在退出机制：过渡性需求必须逐步让位于真实市场订单，否则就是击鼓传花。

邵天兰这次发声的真正价值，在于他划了一条线——营收可以来自生态，但不能只剩生态。

对投资人和监管而言，识别方法其实并不复杂：看客户集中度，看设备和数据的最终使用方，看复购率。低空经济里有个可以借鉴的审计思路——eVTOL行业的飞行小时数可以注水，但真实场景的付费飞行骗不了人；同样，数采中心的采集时长可以刷，但数据有没有进模型、模型有没有变强、客户有没有复购，迟早会在对外融资和商业化对账中现出原形。

新兴产业的"攒局"与"实干"之间，隔的不是态度，而是这几张对得上的账。

106座数采中心，84座已经开转。建设潮的答卷交完了，运营潮的考卷刚刚发下。

数据生意的终局只有一种：数据真的进了模型，模型真的强了，买家真的复购了。在那之前，每一座数采中心都要回答同一个问题——你的数据，到底卖给了谁？

这个问题，低空经济同样要答。订单可以攒，能力攒不出来。