2026年的具身智能行业，已经很难再只用“谁又发布了一台机器人”来理解。
9月中旬出现的两条消息，单独看都不算传统意义上的“超级新品”，但放在一起却很值得写进时间线。
一条来自机器人计算平台：9月17日，D-Robotics（地瓜机器人）宣布完成4亿美元C轮融资，并再次明确自己的方向——不只卖芯片，而是建设覆盖数据采集、模型训练、仿真验证、推理部署的机器人开发基础设施。
另一条来自机器人数据层：同样在9月17日，Boden AI对外公开一批聚焦真实机器人运行中人类接管与纠正的数据。公开披露显示，这批数据包含82.23小时、3347个回合和约444万帧，记录的不是只有“机器人正确完成任务”的轨迹，而是机器人偏离、失败、被人接管、纠正，再把控制权交还给策略的过程。
这两件事放在同一天，很像一个阶段信号：
具身智能开始从“本体+大模型”的单层竞争，进入算力、数据、工具链和真实闭环学习共同构成的基础设施竞争。
一、为什么“失败数据”可能比更多成功示范更重要
过去几年，机器人学习最常见的数据来源是遥操作示范。
人类把一项任务做对，机器人记录视觉、关节状态与动作，然后模型学习如何复现这条正确轨迹。
这种方法很适合让机器人“学会第一遍”。
但真实世界的问题恰恰在于：机器人不会永远待在示范轨迹上。
袋子会皱，箱子会歪，工具会滑，桌面上会多一个没见过的物体，机械臂会因为微小误差逐渐偏离。
一旦进入训练数据没有覆盖的状态，模型最需要知道的不是“标准答案长什么样”，而是：
- 什么时候已经偏离；
- 人类为什么选择接管；
- 接管之后怎样把机器人救回来；
- 哪个状态可以重新交还给策略；
- 下一次模型更新后，是否能减少同类接管。
MINT-SJTU公开的RW-RL Dataset正是围绕这个问题设计。其公开数据卡明确把数据划成三类：human teleoperation、human intervention、autonomous rollout，并把reward、done、intervention事件和recovery信息纳入数据结构。
这意味着数据的目标发生了变化。
过去的数据回答：
“人类是怎么把任务做对的？”
现在开始增加另一类问题：
“机器人什么时候做错了，人类又是怎么把它拉回来的？”
这是从模仿学习走向真机强化学习、持续策略迭代必须补上的一层数据。
二、9月17日这批数据，真正值得看的不是82小时
82.23小时在今天的机器人数据行业里，并不是一个特别惊人的绝对规模。
真正重要的是数据结构。
盖世汽车援引Boden AI披露称，这批聚焦人类干预的真机数据中，3068个回合至少包含一次人工接管，约50.68万帧处于人类控制下，占总帧数11.41%，共记录6408个连续干预片段。
这类数据天然包含一种传统“成功示范数据”较少记录的信息：失败附近的状态分布。
对于机器人来说，这些状态往往比成功轨迹更珍贵。
因为真实部署的稳定性，并不只取决于“正常情况下成功率多高”，更取决于：
出了正常分布以后，机器人还能不能回来。
这和今年产业界越来越重视的人工介入率、远程接管率、异常恢复时间，本质上其实是同一个问题。
需要说明的是，RW-RL公开仓库是持续更新的。9月17日披露的82.23小时、3347个回合等数字对应当时对外发布的人类干预聚焦批次；当前Hugging Face仓库已经继续扩展了机器人、任务和数据，因此不能把今天仓库里的总量与9月17日那批数字直接画等号。
三、机器人数据开始从“采集”变成“运行时基础设施”
这条变化其实比一份数据集更大。
MINT-SJTU当前公开的数据卡已经把RW-RL描述为一个持续扩展的真机强化学习数据基础，并列出了几类支撑组件：机器人统一接入与传感器对齐、自动数据处理、数据生命周期管理，以及真实机器人 rollout → 数据回流 → 下一轮策略更新的循环。
这意味着未来的数据公司如果只负责“派人遥操作、交多少小时数据”，可能还不够。
新的数据基础设施需要进入机器人实际运行周期：
- 机器人先自主执行；
- 系统识别失败或边界状态；
- 人类只在必要时接管；
- 接管和恢复过程自动变成训练数据；
- 新模型重新部署；
- 下一轮观察人工介入是否下降。
如果这个循环真的跑通，数据生产就不再是模型训练之前的一次性工程。
它会变成机器人部署后的持续运营系统。
这也是为什么未来“数据采集设备”本身会发生变化：它不只是采集人的动作，而要同时采集机器人的自主动作、失败状态、控制权切换、环境变化和恢复结果。
四、另一边，D-Robotics正在把算力也做成开发基础设施
同一天的D-Robotics融资，表面上是一条资本新闻。
但如果只记“融资4亿美元”，历史价值其实有限。
更值得记录的是钱准备投向哪里。
D-Robotics官方表示，本轮资金将继续强化旭日芯片产品，并建设覆盖机器人整个开发链的软件平台：从数据采集、模型训练，到仿真验证和端侧推理部署。
公司还披露，旭日系列芯片累计出货已经超过800万片；面向具身智能的Sunrise S600在发布后约半年时间内，被20多家相关客户采用，涉及优必选、傅利叶智能、星尘智能、加速进化、自变量等不同机器人路线。
这些数据都属于企业披露口径，不能把800万片芯片直接理解成800万台具身机器人，也不能把“采用”全部等同于规模出货。
但方向已经很清楚：
机器人公司不再都需要从最底层重新造计算平台、工具链和部署环境。
具身智能开始出现自己的“卖铲人”。
五、为什么这两条线应该放在一起看
一个做芯片和开发平台，一个做真机数据，看起来完全不同。
但它们解决的是机器人规模化时代同一个问题：
如何让更多团队不必重复建设底层能力。
未来一家机器人公司真正需要自行构建的东西，可能会越来越集中在最有差异化价值的部分：
- 机器人本体与执行器；
- 核心模型与策略；
- 场景知识；
- 客户交付能力。
而很多过去不得不自己搭建的模块会逐渐基础设施化：
- 端侧计算；
- 模型部署工具链；
- 多机型数据采集；
- 标注与质量控制；
- 仿真和评测；
- 人类接管数据；
- 运行日志与模型回流。
这和PC产业最终出现CPU、操作系统、开发工具、整机厂分层的逻辑有些相似，但机器人更复杂，因为它的“运行时”发生在真实物理世界里。
所以机器人的基础设施不会只是软件SDK。
它最终还要管理物理世界中的数据、故障、安全、人工介入和设备生命周期。
六、这条时间线和“机器人数据产权”是不同的一层
前一阶段，我们记录过数据产权登记和具身智能数据资产化开始形成。
那一层解决的是：
数据是谁的、怎么登记、怎么授权和流通。
今天这条线更靠近技术与生产过程：
机器人在真实世界运行时，什么数据最有训练价值，以及这些数据怎样自动进入下一轮模型。
两者叠加起来，才会逐渐形成完整的数据生产关系：
采集 → 质量评价 → 训练 → 部署 → 接管/失败 → 回流 → 再训练 → 权利登记与授权流通。
这比单纯追求“数据小时数”更接近一个真正的机器人数据基础设施。
七、接下来最值得追踪的五个指标
这条时间线未来是否重要，不能只看融资额和数据集规模。
聚身之家接下来会重点看五件事：
-
人工介入率是否下降
模型迭代以后，同类任务需要人接管的比例有没有真实下降。 -
失败恢复能力是否可量化
不只统计成功率，还要统计偏离后自主恢复率、恢复时间和接管原因。 -
跨本体数据是否真的可复用
同一种恢复知识能否从一台轮式双臂机器人迁移到另一种机器人。 -
基础设施是否进入量产客户
芯片、数据平台和训练工具不只是实验室使用，而是能否进入持续出货和真实运营机器人。 -
部署后数据飞轮是否出现
客户现场产生的数据能否安全、合规、低成本地回到模型更新系统，并进一步改善下一批机器人。
八、时间线里的位置
如果把过去几年简化成一条线：
2024—2025：证明机器人能学会任务。
2026上半年：开始证明机器人能进入真实场景并持续工作。
到了2026年下半年，另一个问题正在变得越来越重要：
当机器人数量真正上来以后，谁来提供所有机器人都会需要的计算、数据和持续学习基础设施？
D-Robotics和RW-RL并不能单独证明这场基础设施分层已经完成。
但它们说明，同一个产业需求正在从两个方向同时出现：
一边，资本开始大规模投入机器人通用计算和开发平台；
另一边，开源社区和数据公司开始把“失败、接管、恢复”变成标准化训练资产。
真正值得记住的，不是又多了一个数据集或一轮融资。
而是机器人产业开始拥有独立于单一本体公司的基础设施层。
当这一层成熟以后，造机器人的门槛可能下降，但真正跑赢的门槛反而会提高——因为所有人都能拿到相似的基础设施之后，决定差距的将是模型迭代速度、真实运营数据、场景深度和持续部署能力。
主要资料
- D-Robotics，2026年9月17日：4亿美元C轮融资及机器人全链路平台规划
- 每日经济新闻，2026年9月17日：地瓜机器人融资与旭日芯片出货披露
- Boden AI / 盖世汽车，2026年9月17—19日：RW-RL-HIL真机人类干预数据公开
- MINT-SJTU / Hugging Face：RW-RL Dataset公开数据卡
- MINT-SJTU / GitHub：Evo-RL真机强化学习开源项目