梅卡曼德创始人邵天兰一条朋友圈，把具身智能行业最敏感的伤口撕开了。他公开点名银河通用，指其借关联交易、数采中心和地方资源包装营收，冲刺IPO。银河通用回应称“不参与口水战”。争议焦点只有一个：数采中心采集的数据，究竟进了模型，还是只进了报表。
希鸥网观察到，这场冲突背后是一个更扎眼的数字。简智、光轮两家企业单月Ego数据采集能力已达百万小时，但市场上愿意真金白银采购的买家寥寥无几。OpenAI积累的原始数据已到千万小时级别，为其供数据的海外机构单月采集量同样百万小时起步。同样的产能，两种命运。
问题出在商业模式的第一环。地方国资出钱建数采中心，采购机器人形成销售收入，再把采集的数据卖回给机器人企业。设备订单在关联主体间转了一圈，营收数字好看了，模型能力却未必长进。这种“循环融资”在自动驾驶早期也出现过，但当时买家是车企自己，掏的是研发预算，不是地方债。
供应链成本结构决定了这门生意做不大。一套采集设备两三千元，采集人员人工成本接近每小时15美元。一千万小时乘上去，光人力就烧掉上亿美元。国内具身公司融到的钱，分散在几十家创业公司手里，单家能用于数据训练的现金，远撑不起千万小时级别的消耗战。估值高不代表到账多。
用户心理的迁移同样关键。数采员一天工作12小时，有效数据可能只有2到5小时。印度手工作业现场，工人赤脚围坐、边聊天边干活，双手双脚同时入镜，模型得先分辨手脚。设备空转、动作遮挡、多人交叠，都在制造无效片段。采集时长是最好看的KPI，也是最容易注水的指标。
希鸥网认为，这场争议的本质不是谁对谁错，而是行业评价体系出了偏差。设备数量、工位规模、采集时长都能量化展示，模型能力是否提升却需要半年以上验证周期。当长期指标无法快速证明，短期指标就会变成融资和IPO的替代证据。投资人看数采中心，创业者晒工位照片，地方政府数机器人台数，三方默契地绕开了那个最难回答的问题：这些数据，机器人到底学会了几件事。
创业者该从这个案例里拿走一个清醒的判断。客户发展方法首先要求走出办公室，摸清真实场景里谁在为什么问题付费。机器人企业现在最缺的不是数据量，是明确的目标场景。家庭养老、做饭洗衣、取送物品，这些需求比工业质检更早成熟。先定场景，再定采什么动作、采多少小时。顺序反了，采回来的就是服务器里的电子垃圾。
小规模验证销售模型，比大规模铺设备重要得多。数采企业应该先找三到五个天使客户，签下能落地的数据订单，跑通“需求拆解、采集执行、标注清洗、模型反馈”的完整闭环。中瞳数融承接的散单中六到七成是定制需求，说明标准化产品还没成型。这个阶段提前招几百个数采员、建几千个工位，本质是用固定资产赌一个没验证过的需求。
客户培养不能靠广告轰炸，要靠天使客户的口碑和长期教育。具身智能公司现在最该做的，是带着机器人进入一个具体场景，比如一家养老院或一个连锁咖啡厅，反复训练到能稳定完成两三项任务。被客户重复采购，哪怕做的不是通用人形机器人，也建立了自己的商业闭环。上市只是拿到继续投入的门票，真正的上岸，是机器人能在真实世界里把一件事做好。
金鸥品牌榜·2026年度创新案例库开放申报了。免费提报，独立评估，入榜品牌将获得电子版《入榜证明》及年度专题公示，优秀案例可获得深度专访+全平台分发。如需修改或发布文章，请加微信号：sheisceo