知识卡片：冲刺全球首个100万小时具身数据，国产三家公司联手共建数据闭环

一句话结论

黎曼动力联合光轮智能、诺亦腾机器人，宣布共建具身智能数据底座，计划到2026年底完成100万小时机器人训练数据采集，力争成为全球首个突破该规模的企业；这一数字约为当前全球高质量具身交互数据存量估算（约50万小时）的两倍。

事件概述

2026年8月，黎曼动力（Riemann Dynamics）与光轮智能、诺亦腾机器人宣布合作，目标是把具身智能领域长期分散的“采集、仿真、训练、评测”环节连接成一条闭环链路。黎曼动力为此设立明确目标：到2026年底完成100万小时机器人训练数据采集。三家公司分工为：黎曼动力负责模型训练，光轮智能负责仿真与评测基础设施，诺亦腾机器人负责动作捕捉与人类动作数据采集。

方法/产品要点

• 黎曼动力：前身为昆仑万维内部的Matrix世界模型团队，于2026年7月正式亮相。已用23.2万小时数据训练出模型Riemann-1.0，官方称其在仿真和真机测试中取得双SOTA。该模型延续了Matrix对世界状态与未来变化的建模能力，并将机器人动作纳入统一框架，支持从“生成看起来合理的未来”迈向“规划可执行的未来”。
• 光轮智能：被称为“全球首个具身数据独角兽”，主打物理AI数据与评测基础设施，自研“求解—测量—生成”三位一体仿真平台，覆盖仿真合成数据、人类行为数据、工业级评测和真实部署反馈。
• 诺亦腾机器人：脱胎于动作捕捉公司诺亦腾，定位为把人类动作经验转化为机器人训练数据，据称在全球动作捕捉市场占有约70%份额。

主要结果或产业意义

• 合作目标是共建开放、标准化的具身数据生态，计划共建数据规范、标注标准和评测基准，并向行业提供标准化数据集、采集方案与评测工具；部分具身训练数据将面向社区开源。
• 对照行业现状：英伟达GR00T 1.7公开披露的真实示教、人类第一视角和仿真数据合计约4万小时；Physical Intelligence训练π0时使用超过1万小时机器人数据；谷歌DeepMind联合全球20多家机构才凑出覆盖22种机器人本体的100多万条轨迹。
• 文章将此次合作类比英伟达联合Google DeepMind、迪士尼及云厂商、机器人公司、数据服务商共建“Physical AI Data Factory”的做法，认为联合建设闭环是机器人行业更现实的选择。

为什么重要

• 具身智能一直难以真正实现Scaling，核心卡点被认为是训练数据的“量”不足和“质”要求提高。机器人训练数据普遍停留在数千到数万小时，达到数十万小时的模型屈指可数。
• 100万小时被视为一次行业实验：验证当数据规模足够大时，机器人能力能否像大模型一样随数据Scaling。文中引用昆仑万维董事长方汉观点：真正的能力分化在于谁能率先把训练数据采集到百万小时、千万小时甚至亿小时级别。
• 与既有相关卡片相比，本条属于AI产业合作动态，增量信息在于：具身智能数据赛道从单点技术比拼转向产业链协同，且首次明确提出100万小时量级目标并配套开源计划。

局限与不确定性

• 100万小时目标目前是公司宣布的计划，实际能否在2026年底完成，待核实。
• 关于“23.2万小时训练出Riemann-1.0并获双SOTA”的具体评测基准、对比对象和第三方验证情况，文中未详细披露，待核实。
• “全球高质量具身交互数据仅约50万小时”引自亿欧智库报告，具体统计口径和发布时间待核实。
• 三家公司合作后的数据规范、标注标准、评测基准以及开源数据的具体范围和时间表，文中未给出细节，待核实。

可用于图书/PPT/简报的角度

• 具身智能的“数据工厂”长什么样：采集—仿真—训练—评测闭环拆解。
• 从自动驾驶到机器人：Waymo“车队出题—仿真练习—路测验证”闭环，为什么机器人不能照搬。
• 百万小时数据意味着什么：对比大模型万亿Token语料，具身数据仍处于早期。
• 国产公司联手挑战“具身Scaling”的行业样本。

原始材料

• 标题：冲刺全球首个100万小时具身数据！国产公司联手了
• 来源：量子位（QbitAI）
• URL：https://www.qbitai.com/2026/08/467486.html
• 发布时间：2026-08-07
• 英文关键词：Embodied AI, Data Scaling, Riemann Dynamics, Noitom Robotics, Lightwheel AI, Robot Training Data, Physical AI