机器人为什么要先上学
叠一件衣服、拿起一个杯子、整理一张桌子，对人类是日常，对机器人是需要在一次次数据采集和模型训练中反复习得的技能。每一次抓取与放置都在生成轨迹、力度与成功率数据，回传、清洗、标注之后成为下一轮训练的原料。
这是具身智能与大模型训练的根本差别。语言与多模态模型可以依托互联网上现成的文本与图像完成「知」的积累；具身智能要解决的是「行」，高度依赖真实环境中的作业数据，而这类数据此前从未被系统性地采集、处理与存储。缺口由此产生，训练场就是为填这个缺口而建的。
70 家训练场与三大集群
中国信息通信研究院发布的《具身智能训练场研究报告（2026 年）》给出了规模：截至 2026 年 6 月底，全国共建成启用超过 70 家训练场，在建或规划中的还有 40 多家。
分布格局与国内具身智能产业集群高度吻合，形成以长三角、京津冀和珠三角为核心的三大集群。浙江已建成的训练场数量最多，达 14 个；江苏、北京、广东、山东紧随其后，均为 8 个。
更值得注意的趋势是选址逻辑。训练场建设正在突破人工智能产业高度集聚于一线城市的惯性，向三线、四线乃至五线城市延伸。信通院人工智能研究所具身智能部副主任张蔚敏的解释是，这种变化反映出建设驱动力从人才与资本，转向真实场景、数据供给与运营效率——哪里有合适的场景，训练场就建到哪里。把这句话翻译成工程语言：训练场最关键的资源不再是论文作者，而是可作业的工位、可复现的流程与可持续的运营团队。
报告没有回避的部分
同一份报告也点出了共性问题：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。
行业里更尖锐的判断来自一线。有从业者直言，绝大部分机器人仍用于科研、数采或商业表演，真正进入工业化生产或服务行业的极少。机器人在真实场景中的数量太少，数据飞轮的回流环节几乎是空的——采集、训练、部署、反馈这个闭环，目前只完成了前半段。
关于什么信号才算飞轮真正转起来，一个有意思的判断是：当行业开始学会做减法的时候。当前阶段行业仍处在生怕漏掉任何一条数据的状态；飞轮成熟的标志，是团队能够清晰分辨哪些样本是无效、冗余、低价值的，敢于大规模删除，把算力留给真正推动模型进步的样本。只谈数据量而不谈分布、质量与使用效率，会持续把行业带进误区。
成本也是绕不开的。公开报道显示，规模化真机遥操作采集的有效数据成本约为每小时 275 元，小规模采集阶段甚至可能达到每小时数千元；一个大型训练场还需要投入机器人本体、场景建设、数据采集设备与算力，整体投入可能达到数千万元甚至更高。加上复制成本问题——同一套方案跑通一家药房或一个工位之后，换到下一个点位往往需要高额二次适配——泛化不足会直接限制商业化复制。
另一条被低估的基础设施：机器人的时空基准
如果说训练场解决的是怎么学，那么机器人在真实空间里知道自己在哪里，是另一个前置条件。这一周这条线上也有实质进展。
9 月 16 日，第五届北斗规模应用国际峰会发布 51 项北斗创新成果，其中 5 个案例经专家委员会审定独立发布，千寻位置的具身时空大脑位列其中。这套产品把北斗高精度定位与 SLAM 算法融合，试图解决机器人室内外无缝高精度定位的问题：室外由北斗提供厘米级绝对定位，进入室内信号被建筑遮挡时，终端切换工作模式，用激光与视觉传感器边移动边结合地图确定位置。据公开介绍，该技术适用于应急救援、地下管廊、化工厂巡检等场景；在今年 4 月的北京亦庄人形机器人半程马拉松上，近四成参赛队伍摆脱遥控器实现自主奔跑，背后有时空智能技术的支撑。
把它与训练场放在一起看，会得到一个更完整的图景：具身智能需要的不只是数据工厂，还包括空间与时间层面的一层公共基准。训练场负责生产经验，时空基准负责让经验在一个统一的坐标系里可用。两者都属于重资产、长周期、且难以单靠一家公司完成的建设。
模型侧的节奏也在加快
同一周，模型侧的动作同样密集。9 月 15 日，松延动力旗下通用具身智能子品牌 Scalabot 发布 HERON-CRA（上下文、强化、行动机器人基础模型），这是其 HERON 技术架构体系下的第二个模型，早前 9 月 8 日已发布 HERON 世界模型。
HERON-CRA 官方强调三项能力：跨本体预训练基座，可在不同本体上快速完成后训练与部署；结合多模态能力、具备 4D 时空记忆的上下文专家；以及一套主打极简、可快速适配的强化学习引擎。官方给出的演示是一段制作咖啡的长程任务，涵盖接粉、压粉、装手柄、锁手柄、倒奶等步骤，全程不到 30 秒，且在放置咖啡杯与清洗萃取手柄等环节分别使用了机械臂与轮式人形机器人两种本体，用以展示跨本体泛化。官方还称其在叠袜子这类任务上的成功率可达 97.8%，并与纯模仿学习基线做了对比，称强化学习引擎在多数环节领先。
需要标注的是：上述能力与成功率均为厂商自述口径，测试条件、样本量与评测方法未完整公开；从公开视频观察，机械臂在部分操作上的稳定性仍显不足，制作咖啡任务中的操作也均由夹爪完成。此外，具身智能的模型评测目前尚无像文本领域那样被广泛接受的公开基准，横向比较的可靠性有限。
出清的另一面
与建设热潮同时发生的，是行业洗牌。
深兰机器人（上海）有限公司的破产清算案由上海市浦东新区人民法院于 2026 年 5 月 7 日出具民事裁定书正式受理，5 月 12 日指定德勤华永会计师事务所担任破产管理人；8 月，常州天宁法院正式受理深兰机器人（常州）公司的破产清算案。从 2026 年 8 月底到 9 月上旬，管理人在发布渠道上密集公示五批职工债权：前三批确认 97 名职工债权，总额超 2132 万元，其中欠薪及经济补偿金近 1951 万元；第四批新增 6 人，债权 216 万余元；第五批新增 1 人，单名职工债权超 41 万元。据此累计，确认职工债权约 2305.9 万元，涉及百余名职工。
需要区分主体：进入破产清算的是深兰机器人，并非深兰科技的集团母公司。深兰科技在 9 月 15 日通过官方渠道回应，称公司正在加快对长期亏损传统业务的裁撤与清算关闭，工业智能化、农业智能化、智慧城市、传统自动驾驶与传统机器人等板块陆续进入裁撤关闭阶段，AI 医疗、航空航天、低空经济、特种机器人等业务装入另一平行主体，并对受影响的员工表达歉意。其表述是集团本体核心业务线运营稳定。
深兰机器人并非孤例。把镜头拉远，2019 年以来已有超过 40 家自动驾驶产业链企业、部门或项目陆续退出市场；今年以来，骨科手术机器人企业龙慧医疗进入破产清算，美国人形机器人初创公司 Cartwheel Robotics 宣布停止运营，手术机器人企业 Vicarious Surgical 的股东批准解散和清算。这些公司的赛道、产品与结局各不相同，但特征相似：曾获得知名资本支持，拥有亮眼的团队或技术背景，也发布过受关注的产品与产能规划；同时研发与硬件投入长期居高不下，规模化交付与真实回款未能及时跟上，对后续融资依赖较强。
对比更容易看出问题所在。同一时期，智能体赛道里的公司已经在用调用量、客户数、年度经常性收入增速这些可验证的经营指标说话；而具身智能的公开叙事，仍大量停留在演示视频、原型订单与产能规划上。区别不在于技术难度，而在于闭环是否真的跑通。融资能延长探索时间，但无法长期支撑一个尚未跑通的商业闭环。
结语
把这两件事放在同一篇里看，结论并不灰暗。70 家训练场和一套时空基准，指向的是产业层面的长期投入；一批明星公司退出，指向的是单个主体在闭环跑通之前的脆弱。两者其实是同一件事的两面：基础设施正在被补齐，而依靠融资节奏、而非商业闭环维持的公司，会在这个补课期被筛掉。真正的分水岭，是数据飞轮的回流环节什么时候能转起来——在此之前，训练场是成本中心，而不是护城河。