两年106家数采中心，开始露馅了？

一条朋友圈，把整个具身智能行业的窗户纸捅破了。

梅卡曼德创始人邵天兰公开质疑行业内'攒局'现象，部分高估值企业靠关联交易、数采中心和地方资源包装营收，剑指IPO。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崭新的训练场。

截至2026年8月，全国已公开披露的集中式数采中心达到106家，其中84家投入运营。建设潮结束了，运营考验才刚开始。这篇文章想回答一个简单的问题：遍地开花的数采中心，到底是一门真生意，还是一场自循环？

📈 两年106家，怎么就遍地开花了？

数采中心热起来，其实也就一年多的事。

时间往回拨到2024年，这还是个边缘概念。彼时具身智能的叙事焦点在机器人本体——谁发布了新人形，谁的融资轮次更高。数据采集，只是实验室里的配套环节。

转折发生在2025年春天。训练场、数据采集基地、具身智能创新中心开始在各地密集落地，签约仪式一场接一场。有接近地方产业招商的人士私下形容，那段时间'一个周末能赶三场开工'。

节奏变化，数据说话最直观：

启动和投用两条曲线之间，大约隔着2到5个月——这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。换句话说，2026年上半年集中投用的这一批，正是2025年那一波签约潮的'期货交付'。

截至今年8月的运营状态分布是这样的：

pie title 106家数采中心运营状态

已投入运营 : 84

尚未投运 : 22

79.25%的投运率，意味着建设潮已经过去，行业正从密集开工切换到集中运营阶段。

产业逻辑也不难理解。对机器人企业来说，具身智能模型的进步高度依赖真实世界交互数据，自建或共建数采中心是最直接的供给方式。对地方政府来说，数采中心是典型的'看得见摸得着'的新基建——有场地、有设备、有就业，还是具身智能产业招商的天然抓手。两股力量一拍即合，就有了这两年百余家中心的爆发。

但爆发速度太快，往往意味着价值验证被跳过了。

⚠️ 邵天兰开炮，到底戳中了什么？

争议的引爆点，是一则朋友圈。

邵天兰言辞犀利地指出：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。

值得注意的是，这个问题并非国内圈子的内部八卦。今年8月，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采购其机器人，随后再把采集的数据卖回机器人企业，并将这一过程称为'循环融资'。

把被质疑的链条画出来，大致是这样的：

这张图的关键，在最后一条虚线上：数据是否真的进入了模型、模型能力是否真的在真实场景中兑现。

客观地说，被质疑的商业模式本身未必是原罪。地方政府出资支持新兴产业基础设施建设，在全球都是通行做法；机器人企业向数采中心供货、回收数据，在产业早期也是常见的协作形态。真正的问题在于闭环的'形状'——如果采购方、供数方、收款方高度重合，营收数字的增长就难以区分是市场需求还是资本运作，这也正是监管和投资人都必须追问的环节。

一位数采行业从业者的说法很直白：这门生意现在最缺的不是产能，是'敢对外报价的外部买家'。

🔋 数据的瓶颈，不在采集端在需求端

抛开争议，回到一个更本质的技术问题：机器人企业究竟需要什么数据？

物理AI数据创业者黄大荣的观点颇具代表性。他指出，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，取决于它见过多少真实世界。

这里有一个常被忽视的参照系：

差距的形状很耐人寻味。

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在真实环境里观察、抓取、完成任务。

看清楚了吗？在供给侧，国内头部数据企业并不落后——单月百万小时的采集能力，和海外机构是同一量级。真正悬殊的是需求侧：海外有机构在为百万小时的月采集量持续买单，国内愿意大规模采购Ego数据的买家却寥寥无几。

这说明中国具身智能的数据卡点，不在'采不出来'，而在'没人真买'。模型团队还没有走到必须海量采购第一视角真机数据的阶段，或者说，还没有形成为数据付费的成熟定价体系。于是数采中心的产能只能依靠'共建订单'消化——而这恰恰是'自循环'质疑得以成立的需求土壤。

从这个角度看，邵天兰的炮轰，与其说是针对某家公司，不如说是把行业的隐忧摆上了台面：当采集能力过剩而真实需求不足，数采中心就容易从'数据工厂'滑向'营收道具'。

💡 从攒局到真生意，分水岭在哪里？

那么，怎么判断一座数采中心是真资产还是空转？

行业里其实已有共识性的检验标准，核心就三条：

第一，数据进没进模型。这是最硬的一条。如果一家中心采集的数据量很大，但模型团队从不采购、从不回流训练，那这些数据就只是硬盘上的沉没成本。据多位接近数采运营方的人士透露，目前不同中心的实际命运已经分化——有的中心排产排到几个月后，有的则机器落灰、靠续命订单维持运转。

第二，订单有没有外部买家。健康的数采生意，收入结构里应该有本体企业之外的真实客户——做行业应用的集成商、需要垂直场景数据的模型公司，甚至海外的数据采购方。如果收入几乎全部来自共建方和关联方，估值故事的成色就要打问号。

第三，数据类型有没有升级。业内对话中，触觉数采被反复提及。相比第一视角视觉数据，触觉与力控数据的采集门槛更高、更难伪造规模，也更容易对应到抓取、装配等真实任务——它可能是数采中心从'表演式'走向'专业化'的一个分水岭。

把理想中的价值链画出来，和前文的'循环'版本对照，差异一目了然：

这条链里，钱从终端价值流回来，而不是在共建体系内部打转。数采中心赚的是专业化的服务费，而不是关联交易的通道费。

回头看那106家中心的分布，会发现一个产业规律在重演：几乎每一轮新兴硬件浪潮，都会经历'基建先行—产能过剩—价值洗牌'三段式。数采中心正在从第一段跨入第二段，而决定谁能活到第三段的，不是签约时的掌声，而是运营期里数据到底流向了哪里。

小结

两年106家，84家投运——数采中心的建设故事已经讲完，价值故事才刚刚开讲。

邵天兰的质疑、金融时报的'循环融资'之说，与其视为行业撕破脸，不如视为一次必要出清：当供给能力不再是瓶颈，需求真实性就成了唯一的试金石。接下来一年，观察数采中心的正确姿势只有一个——别看签约和投运数字，去看数据有没有进模型、订单有没有外部买家。谁先跑通这条价值回流链，谁就能把'攒局'的质疑，变成真正的数据生意。

（本文数据来自公开披露项目统计及行业访谈，部分项目公开信息有限，统计以可确认样本为准。）