近日，中国信息通信研究院人工智能研究所联合人形机器人（上海）有限公司、具身智能测试实验室共同发布《具身智能训练场研究报告（2026年）》（下称报告）。报告认为，具身智能训练场正从单纯的数据生产走向场景化的实景实训，成为真实物理环境中集数据生产、模型训练与能力验证于一体的关键基础设施。

数据缺口催生训练场需求

　　具身智能遵循“数据规模越大、模型能力越强”的规律，但与大语言模型不同，后者有数千年文字沉淀和几十亿网民持续贡献数据，而具身智能所需的视觉、动作、力触觉等多模态交互数据此前从未被系统性记录，只能从零生产。按测算，具身基础模型要迎来“ChatGPT”时刻，至少需要千万小时级的真实数据。这些数据如果全部通过机器人实际运行采集，按单台每天有效工作2小时、每年300天来计算，需要超过两万台机器人连续工作一整年才能完成。当前全球可用高质量真实数据仅数十万至百万小时级，远未达到支撑能力涌现的临界点。在此背景下，具身智能训练场应运而生，推动真实数据供给从零散采集走向标准化、工程化、流水线式生产。

　　近两年，政策引导与产业需求共振，我国加速布局训练场。据不完全统计，截至2026年6月底，全国建成启用超70家训练场，在建或规划中的为46家，覆盖过半省级行政区，形成以长三角、京津冀和珠三角为核心的三大集群。同时，训练场正突破AI产业高度集聚于省会城市、直辖市和一线城市的模式，向三、四线城市及更下沉区域延伸，呈现多层级协同布局态势。

　　从场景看，工业制造类训练场数量占比超八成，为最大建设方向；家庭服务、商业零售次之；特种应急行业场景占比较低。综合类训练场占60%以上，行业垂类不足20%，其余为产教融合型等多元形态。

从建设热潮期向能力沉淀期过渡

　　报告认为，训练场面临场景任务同质化、数据实际产能有限、数据多样性和流通性不足等共性挑战。大量场景集中在少数易采集任务，数据泛化价值有待提升。“可采集数据规模”并不等同于“可训练数据规模”，原始数据需经清洗、对齐、标注、质检等多道环节，任一环节效率不足都可能造成数据流转卡点。此外，不同本体、场景、机构间的数据难以互通共享，进一步制约模型训练效果。

　　展望未来，报告认为，我国训练场正从建设热潮期向能力沉淀期过渡。一是场景走向实景实训，从封闭场地走向工厂、家庭、门店等真实场景，形成“中心训练场+分布式实景点位”协同布局。二是数据走向工程化，全链路向工具化、自动化方向发展，以标准化流水线替代分散人工作业。三是交易走向合规化，依托数据交易所等规范渠道开展数据流通，明确数据权责边界。四是服务走向一体化，从单一数据供给向覆盖数据生产、模型训练、应用验证的“训练即服务”转型。五是标准走向全周期，围绕场景建设、数据生产、安全合规等环节建立覆盖训练场全生命周期的标准体系，行业标准 YD/T 6771-2026 已发布，2026-0074T-YD《具身智能训练场综合评估技术规范》正在编制中。

　　报告判断，短期训练场建设可能在路径探索中经历波折，但长期看，这套依托物理场景沉淀高质量数据、支撑技术迭代验证的基础设施模式，将持续为具身智能从技术验证走向大规模产业应用提供支撑。