具身智能技术加速演进的当下，数据资源正成为限制人形机器人性能提升的关键瓶颈。全国政协委员、中国科学院自动化研究所研究员赵晓光在调研中发现，由于缺少统一的数据共享机制，不同企业在相同应用场景中反复采集数据，带来明显的资源浪费。问题层面，各地数据采集中心建设呈现“多点铺开”的态势。据不完全统计，北京、四川、广西等十余个省市已建立具身智能数据采集中心，但采集内容高度相似。以养老服务机器人为例，喂饭、搀扶等基础动作数据被多家企业重复采集，单家企业的数据利用率不足30%。深层原因在于数据产权与商业机密之间的矛盾。一上，真实场景数据采集成本高，企业往往将数据视为竞争优势；另一方面，工业场景数据牵涉合作方核心工艺，共享容易引发合规与法律风险。赵晓光委员指出：“汽车产线数据共享等于交出生命线”，直指数据孤岛背后的商业逻辑。这种重复建设已带来多重影响：研发成本长期高企，中小企业压力尤为突出；技术迭代被拖慢，目前人形机器人仍以文娱表演为主，工业制造应用占比不足10%；同时加剧人才竞争，2025年算法岗位需求快速增长，行业百万级人才缺口成为长期发展掣肘。针对该困局，赵晓光提出以数据交易体系破题。建议在国家层面建设标准化数据交易平台，对涉及商业秘密的数据进行脱敏处理，通过市场化机制促进数据流通，并同步加快完善数据产权认定、价值评估等配套制度。该提议与工信部《“十四五”机器人产业发展规划》中“建设行业级数据资源库”的部署方向基本一致。展望未来，尽管当前产品同质化较为明显，委员认为万亿级市场仍能容纳多元竞争。随着5G、边缘计算等配套技术逐步成熟，2026年有望成为具身智能商业化的关键节点。教育部已新增设有关专业，预计3—5年内人才供给将有所改善。
具身智能要从“看得见的热度”走向“用得上的能力”，关键在于让数据此基础要素更好地组织、流通与应用。通过交易机制提高配置效率——以脱敏加密守住安全底线——以标准体系提升复用水平，并以人才培养与协同创新增强长期竞争力，才能在减少重复建设的同时尽快缓解“数据荒”，推动人形机器人更快走向工业与民生的更广阔场景。