核心观点：数据与灵巧手，正在重塑产业地图

野村证券在最新报告中指出，数据（Data）正在取代单纯硬件堆料，成为人形机器人产业走向大规模部署的关键变量；而灵巧手（Dexterous Hands）由于卡在“真实操作”与“数据闭环”的核心节点，正成为具身智能（Embodied AI）赛道的必争之地。

报告认为，2026年人形机器人行业已跨过“原型机展示”阶段，进入“数据驱动落地”阶段。行业数据的采集、训练与部署反馈正呈现“量价分化”特征，不同数据类型的稀缺度和价值正在重新划分供应商护城河。灵巧手面临的“尺寸 vs. 传感器密度”两难，也直接决定了机器人在精密装配、柔性操作等场景的数据获取成本，成为商业化节奏的关键瓶颈。

核心判断包括：

- 2026年行业数据需求预计达到约1000万小时/年（对应约10万台出货量假设）。

- 四类数据呈现“量价分化”：非具身数据（Ego/UMI）量大但单价低；真机遥操作数据规模最大、价值最高；失败恢复数据稀缺但重要性高；仿真/合成数据最便宜但无法替代真实数据。

- 软硬一体化闭环（数据采集—传输—评估—训练—部署—调试）将成为纯数据供应商最可防御的商业模式。

- 2027-2028年可能是人形机器人规模化应用的质变节点；家庭场景大规模落地预计要等到2030年后。

- 灵巧手在尺寸、触觉、传动方案上的权衡，是制约“精密装配”和“接触丰富操作”的瓶颈；高性价比的末端执行器比过度依赖高精密手臂更具现实意义。

一、四种数据类型：谁量大、谁值钱、谁稀缺？

报告将人形机器人行业数据归纳为四类，并给出了各自的单价、占比和市场规模测算（基于约10万台出货量场景）。

1. 非具身数据（Ego-centric / Ego video + UMI）

这是目前占比最大的数据类型，约占总数据量的40%-50%。典型形式包括以自我为中心（Ego-centric）的视频，以及通用操作接口（UMI）等无身体或弱身体关联的数据。

特点：采集门槛低、来源广，但单价也最低，约为100-300元人民币/小时。由此推算，2026年可触达市场规模约为10-15亿元。

这类数据是行业的“基础盘”，但Figure AI（Unlisted）CEO也曾指出，当前从原型阶段走向大规模部署的最大障碍就是数据。Ego/UMI 虽然量大，却无法直接替代真机操作数据。

2. 真机遥操作数据（Real-machine tele-op）

这是报告眼中规模最大、价值最高的单一块数据市场，约占总数据量的30%，单价高达500-1000元/小时，对应市场规模约22-25亿元。

真机遥操作数据直接映射“人的操作”到“机器人末端动作”，是训练端到端操作策略的核心燃料。谁能掌握稳定、低成本的真机遥操作数据采集能力，谁就掌握了当前产业链中最具壁垒的价值池。

3. 失败恢复数据（Failure-recovery data）

单价约400-500元/小时，但市场份额仍处于低个位数。其稀缺性在于：大多数厂商尚未建立完整的“失败—分析—再训练”闭环。

报告强调，失败样本是提升模型鲁棒性的关键，但只有将遥操作数据、失败场景、评估结果和运行遥测回流到训练流程中，才能真正产生价值。

4. 仿真/合成数据（Simulation / synthetic data）

这是最便宜的数据类型，根据达摩院（DAMO）的披露，成本可低至50元人民币/10000帧，对应市场规模约5-6亿元。

仿真数据的价值在于快速迭代、低成本验证和极端场景覆盖。但野村特别指出：仿真只是“放大器”，而非真实数据的替代品。公开信息显示：π0.5在跨多步家务子任务中成功率约94%；NVIDIA合成动作管线将GROOT N1真机性能提升约40%；Lightwheel指出合成与真实数据约10:1的最优训练比例，可带来约30%的模型性能提升。这说明仿真+真实数据的联合训练是更现实的路径，但离开真实数据，单纯仿真难以支撑高精度操作。

数据层级总结：

数据来源：野村证券测算、行业调研、公司公开披露

报告给出的分层判断是：底部靠合成数据铺量，顶部靠遥操作和失败恢复数据建立护城河。这种“价—量”结构决定了哪些供应商能构建可持续的商业模式。

二、商业模式：为什么“软硬一体闭环”更可靠？

在数据分化的背景下，野村认为，“软件—硬件”闭环的数据解决方案是更具防御性的商业模型。闭环包括：

数据采集→ 传输 → 评估 → 训练 → 部署 → 调试 

这个闭环的优势在于：

1. 第一方场景数据：来自真实部署环境和实际任务，数据分布最贴近落地场景。

2. 失败样本：只有在真实部署中才能系统性地捕获失败样本，而这些样本对模型泛化至关重要。

3. 评估输出：评估能力决定了数据质量，缺乏评估能力的“纯数据售卖”将面临下游人形主机厂（OEM）的垂直整合风险。

4. 部署遥测：机器人在现场运行产生的数据能够回流，形成持续迭代。

报告警告：单纯的 Data-as-a-Service（DaaS）虽然能按小时或项目快速变现，但随着客户数据量增长，缺乏评估能力或“大脑级”能力的供应商，将面临被下游主机厂整合的风险。也就是说，只卖数据没有护城河，卖“数据+评估+训练能力”的闭环才有护城河。

因此，野村更看好具备数据采集硬件、工具链、评估平台和训练部署能力的综合型供应商。

三、灵巧手：尺寸与传感器密度的“生死平衡”

如果数据是产业的“血液”，那么灵巧手就是采集“高价值操作数据”的“末梢神经”。报告指出，灵巧手竞争的胜负手在于尚未解决的“尺寸—功能”权衡：手越接近人类手掌尺寸，训练数据与下游操作的映射就越顺畅；但尺寸缩小会压缩传感器空间，导致触觉密度下降。

当前市场的现实是：国内厂商中，仅有一家被描述为“真正达到人手尺寸”；而主打触觉感知的高端灵巧手以及其它高自由度（high-DoF）设计仍明显偏大，影响了“数据—执行”一致性。

触觉技术的天花板

灵巧手触觉技术存在明显限制：

- 点压力传感器无法识别横向力或滑移；

- 电子皮肤（e-skin）在横向力曲线上的保真度仍较差；

- 即便是行业领先的整手方案，压力点也仅有约80个。

这意味着，目前灵巧手仍难以胜任需要“精细力控”的操作任务，也解释了为什么“精密装配”和“接触丰富/柔性物体操作”仍需真机微调，家庭场景的大规模仿真三年内仍不足够。

手臂方案：不必追求全身高精度，末端能力更重要

在手臂方案上，野村观察到市场正在分化：

- 谐波减速+扭矩传感器手臂（如Luna/Skye家族）正逐渐偏向“工业机械臂”路线，仿生特性不足，人形应用场景较难寻找。

- 报告更偏好省略扭矩传感器和谐波减速器、把能力集中在末端执行器的架构：高精度手臂只能解决中间段运动，而一个足够灵巧的手可以补偿手臂精度不足；把成本和能力集中在“手”上，更符合泛化操作的经济学逻辑。

传动方案对比

报告认为，在手的灵巧度和触觉保真度尚未追平人类之前，真机遥操作数据的价值池仍然结构性受保护，掌握这一数据闭环的供应商将拥有长期优势。

四、产业化节奏：2027-2028年或是质变节点

野村对产业化节奏给出了清晰的时间线：

- 2027-2028年：人形机器人有望在工业场景（搬运、分拣、机器看护、装配）实现质的突破，出货量显著增长。

- 家庭场景：大规模家用部署预计要等到2030年以后，酒店/服务式公寓清洁等场景可能更早落地。

这一判断与数据闭环能力紧密相关：工业场景任务相对结构化，数据闭环容易建立；家庭场景涉及大量长尾物体和不确定环境，对数据多样性、失败恢复和末端执行器精度要求更高。

五、结论：机器人投资的下一站，看“数据闭环”与“灵巧手”

野村这份报告的核心结论是：

**人形机器人产业正从“硬件竞赛”进入“数据竞赛”阶段；数据类型之间的量价分化正在重新划分供应商地图；而灵巧手作为数据采集和执行的末端入口，决定了真实操作数据的可获取成本，是具身智能不可或缺的卡位环节。** 

对于投资者和产业观察者而言，值得重点跟踪：

1. 哪些厂商能建立“数据—评估—训练—部署”的闭环能力，而非只做数据交易。

2. 真机遥操作数据的成本下降路径，这决定了机器人规模化的速度。

3. 灵巧手在“人手尺寸”与“触觉密度”之间的突破，以及高性价比末端执行器的进展。

4. 仿真与真实数据的结合比例，是否形成可持续的训练飞轮。

短期需关注人形机器人出货量、头部厂商数据采集规模、遥操作服务商订单；中期关注灵巧手传感器密度、触觉算法和传动方案迭代。

获取更多最新一手调研报告纪要