具身智能同样遵循人工智能“规模定律（Scaling Law）”，模型能力提升高度依赖大规模物理交互多模态数据，但和大语言模型可以直接获取互联网文本数据不同，机器人视觉、力触觉、动作轨迹等物理交互数据没有现成互联网数据源，必须通过物理环境交互生产。当前全球高质量真机交互数据规模距离支撑具身智能涌现还存在巨大缺口，仿真合成数据可以实现规模化产出，但无法替代真实世界物理约束、扰动与失败样本，真实数据供给不足已经成为制约具身智能产业发展的首要瓶颈，在此背景下具身智能训练场作为新型基础设施应运而生。

（一）训练场核心定义与核心功能

具身智能训练场是面向具身智能研发与应用的物理基础设施，核心是在真实物理环境中完成数据生产、模型训练、系统验证、迭代优化完整链路，行业也将其称作数据采集工厂、实训场。训练场不只是简单的数据采集场地，核心承载四大价值：规模化产出高质量真实交互数据；搭建 “评测‑失败分析‑补采‑再训练‑再验证” 闭环加速模型迭代；在客户落地之前完成机器人任务能力、安全性、鲁棒性前置验证；同时汇聚产学研用资源，降低中小研发团队的硬件与场景门槛，推动产业生态集聚。

（二）真实数据采集多元技术路线

行业形成无本体采集、真机采集两大互补的数据采集路线。无本体采集包含第一视角视频采集、末端操作UMI采集、动作捕捉采集，整体采集成本偏低、规模化能力强，但普遍存在向机器人本体映射失真的问题；真机采集包含遥操作采集、真机自主作业回流，数据与本体运动逻辑高度匹配，不存在域偏移，但设备、人力、场景投入成本高。不同技术路线各有优劣，产业实践中多采用多方案协同，共同补齐数据供给短板。

（三）训练场价值闭环逻辑

训练场构建起从数据生产到产业落地的完整闭环。通过标准化流程产出多模态真实数据，用于预训练、后训练优化具身基础模型；再将模型部署到物理本体开展真机测试，暴露任务失败、环境适配缺陷，反向定向补充采集缺失样本；经过反复迭代验证之后，再输出适配行业场景的机器人产品，降低企业直接在业务现场试错的风险与成本，打通技术研发到产业落地的中间环节。

二、建设情况：政策驱动建设落地，产业生态初步探索

（一）政策牵引：形成三大产业集群的区域布局

国家层面多份政策文件明确提出推动人形机器人训练场、中试基地建设，地方已出台超40份配套政策文件扶持训练场落地。截至2026年6月底，全国已建成启用超70家训练场，在建、规划46家，形成长三角、京津冀、珠三角三大核心产业集群。训练场选址不再局限于一线创新城市，逐步向三四五线城市扩散，依托地方低廉场地成本、丰富真实工业与服务业场景开展建设，形成多层级协同布局格局。

（二）建设主体：政府引导 + 企业主导，综合平台与垂类场景双轮驱动

建设主体分为政府引导联合运营、企业自主建设两大模式。政府引导模式多由地方提供场地资金，联合科研院所、产业链企业运营，偏向公共产业服务；企业自建分为本体模型企业自建服务自身研发、场景需求方联合技术方共建垂类训练场两类。

从建设方向看，综合类训练场占比更高，面向多行业提供通用数据与泛化能力验证；行业垂类训练场聚焦单一行业深耕关键作业环节，当前占比相对偏低，二者形成互补发展格局，同时出现 “1+N” 区域协同建设模式，实现跨地域数据归集与资源共享。

（三）场景建设：训练场行业场景呈梯次分布特征

国内训练场场景建设以工业制造占比最高，其次是家庭服务、商业零售，医疗康养、特种应急占比较低。工业制造场景环境可控、商业价值明确，优先落地物料搬运、分拣装配、质检等任务；家庭、商业零售属于非结构化环境，用于训练长程任务、通用操作能力；医疗康养、特种应急对安全、环境还原度要求高，建设成本高，现阶段以小规模试点探索为主。整体呈现由可控简单任务向复杂开放任务逐步拓展的梯次建设格局。

（四）数据产出：工程流水线支撑训练场产能升级

训练场要实现大规模高质量数据产出，必须搭建完整工程化流水线，完整覆盖任务下达、原始数据采集、清洗标注、合规质检、存储管理、训练验证、反馈迭代全流程。和传统文本数据处理不同，具身智能数据需要处理时间序列、空间坐标、力触觉等多模态信息，同时要兼顾隐私脱敏、失败样本留存，完成训练验证之后再把问题反馈给任务定义环节，实现数据生产闭环，把原始采集素材转化为可用于模型训练的合格数据资产。

（五）产业生态：产业链初步成型，重资产下商业模式仍在探索

训练场完整产业链分为上游软硬件供给、中游建设运营与场景合作方、下游能力需求方三层。行业整体呈现上游供给活跃、下游应用需求有待进一步释放的格局。训练场属于典型重资产项目，数千平方米级别训练场建设成本达数千万至上亿元，本体采购是最大单项支出，同时每年还要承担高额运维、人力、算力存储成本。当前主要收入来源包含数据产品售卖、模型代训、测试验证、联合研发等，单纯依靠卖数据回本周期较长，行业仍在持续探索可持续的多元商业路径。

三、实践分析：核心建设要素、发展阶段与标准化实践

（一）训练场核心要素与现存共性挑战

场景、数据、训练验证、商业运营、安全合规构成训练场五大核心要素。当前行业处于建设爬坡阶段，突出存在四大现实挑战：一是场景任务同质化严重，大量训练场集中建设少数易展示任务，复杂长程任务挖掘不足，数据多样性不足制约模型泛化能力；二是原始采集数据不等于可用训练数据，数据全链路工程化能力不足，不同机构采集标注标准不统一；三是数据跨本体、跨场景、跨机构互通共享困难，重复建设现象明显；四是数据交易流通机制不完善，数据确权、定价、质量核验缺少统一规则，制约数据要素商业化流转。

（二）训练场三阶段演进路径

报告将训练场划分为建设热潮期、能力沉淀期、生态繁荣期三个发展阶段。当前国内训练场整体处于由建设热潮期向能力沉淀期过渡阶段。建设热潮期以大规模硬件场地建设为主要特征，容易出现堆砌硬件、场景广而不深、数据质量参差不齐的问题；进入能力沉淀期，训练场开始走向场景差异化定位，完善数据工程体系，探索合规交易与多元运营模式；远期生态繁荣期将实现标准体系成熟，数据高效流通，深度赋能千行百业。

（三）面向产业现状的落地实施路径

面向从热潮期向能力沉淀期过渡的行业现状，报告提出五条落地优化路径。一是锚定地方产业优势实现场景差异化建设，避免同质化重复建设，搭建从简单到复杂的多级任务库；二是打通数据工程化流水线，统一采集、标注、质检规范，引入自动化工具降低人力依赖；三是拉长业务链条，从单纯的数据采集升级为 “数据‑训练‑验证‑反馈” 完整闭环；四是构建多元化运营模式，分阶段实现变现，探索 “训练即服务” 新模式；五是依托数据交易所、数据超市等载体，探索合规的数据交易流通方案，解决数据确权交易难题。

（四）标准化体系建设现状与需求

产业快速发展催生标准化的迫切需求，训练场标准化覆盖场景建设、数据生产、模型训练服务、中试服务、建设运营、安全合规六大方向。国内已经启动多项行业标准研制，包括具身智能数据集质量评价标准、《人工智能关键基础技术具身智能训练场综合评估技术规范》，该规范将对综合类、垂类训练场开展分级五星评估，实现 “以评促建”；国际标准化组织ITU‑TG21也同步推进具身智能数据相关标准工作，以标准引导行业规范化发展。

四、未来展望：建设热潮迈向能力与生态成熟

（一）场景布局：从集中场地走向 “中心训练场 + 分布式实景点位”

未来训练场会突破封闭集中场地的局限，向真实产业一线下沉，将数据采集、模型验证能力部署到工厂、商超、家庭等真实业务现场。中心训练场负责通用基础能力训练，分布式点位补充真实环境下的长尾扰动、真实工况数据，既提升数据真实性，也能够分摊重资产建设压力，拉近训练场和真实产业需求之间的距离。

（二）数据生产：全链路工程化、工具化、自动化成为必然方向

依靠大量人工开展采集标注的模式难以支撑未来行业大规模数据需求。任务规划、采集、清洗标注、质检、存储全链路将持续平台化工具化改造，通过自动化工具降低人工依赖，形成稳定、可控、可复制的数据流水线，平衡数据规模、质量与生产成本，持续输出高质量多模态具身智能数据资产。

（三）交易流通：合规化是数据要素释放价值的必经之路

数据交易流通将建立更加完善的合规体系，围绕数据确权、隐私保护、质量评估、定价评估建立完整规则。更多数据集上架数据交易所、数据超市，完善样例查看、质量核验、权限管控机制，在守住安全合规底线前提下，推动脱敏后的数据有序流通，打通数据供需对接通道。

（四）服务模式：向一体化全链条 “训练即服务” 演进

训练场将摆脱单纯的数据供给定位，延伸服务链条，打造一体化服务能力。对外输出包含数据生产、模型调优、真机验证、中试评测在内的完整服务，同时拓展测试认证、人才实训等增值业务，构建多元收入结构，改善重资产模式下的盈利难题，为不具备自建训练场条件的中小企业提供完整基础设施服务。

（五）行业生态：全生命周期标准化引领产业高质量发展

覆盖训练场全生命周期的标准体系将持续完善，覆盖场景建设、数据全链路、模型服务、中试验证、安全运营、综合评估各个环节。通过统一技术指标、评估口径，沉淀可复制推广的建设运营经验，提升我国在全球具身智能基础设施领域的话语权，持续托举具身智能技术从实验室走向大规模产业落地，加速人工智能与实体经济深度融合。

我国具身智能训练场建设已经跨过大规模破土动工的建设热潮阶段，正处在向能力沉淀期过渡的关键窗口。训练场的价值不在于场地规模与硬件堆砌，而在于能否真正跑通 “数据生产‑模型训练‑场景验证‑迭代优化” 的完整产业闭环。当前行业仍面临场景同质化、数据工程卡点、商业模式待验证等多重挑战，随着标准化体系逐步落地、分布式实景实训模式不断探索，训练场将从单纯的数据采集载体，演进为支撑具身智能技术落地的核心基础设施，持续推动人形机器人、具身智能技术从实验室走向真实产业场景，为人工智能与实体经济深度融合提供坚实底座。