前言：

人形机器人正在经历自己的启蒙时代，而启蒙需要教材。

数据基建这门生意的残酷之处在于，教材编写者的地位，取决于机器人学生是否持续需要新教材。

本体厂抢着掏钱，六轮融资买的是同一张船票

上个月，德塔智能完成近5亿元天使++轮融资，加上半年6轮融资，这个节奏放在任何赛道都算得上陡峭。

德塔智能此前的投资方构成颇有意味，早期投资者包括北京通研院、高瓴创投，也出现了智元机器人、乐聚机器人、星海图等本体厂商。

此后的种子+轮、天使轮和天使+轮，又引入元禾控股、复星锐正、华映资本、华盖资本、联想创投、梅花创投、珠海科技产业集团、海望资本，以及汽车和半导体产业资本。

智元机器人、乐聚机器人、星海图这3家整机厂出现在股东名单里，还有汽车和半导体领域的产业资本。

整机厂向上投资一家数据与基础模型公司，整机厂最清楚自己的短板在哪里，他们用真金白银承，数据这个瓶颈单靠任何一家本体企业都填不平，与其各自修渠，不如合股打井。

把镜头拉远，这笔融资只是潮水中的一朵浪。2026年上半年，国内具身智能领域融资事件超过280起，披露总额超过460亿元。钱的方向正在发生微妙的偏转。

5月至6月，物理AI数据企业光轮智能两周内完成两轮融资共20亿元，估值突破150亿元，成为全球第一个具身数据独角兽，仅第一季度就签下5.5亿元订单。

智元在2月分拆出数据平台觅蜂科技，成立10天即完成数亿元融资。京东计划发动60万快递员和骑手众包采集，目标两年内攒下1000万小时真实场景数据。

整机同质化的年代，大脑是决胜点，而喂养大脑的粮食成了最紧俏的期货。

具身智能的竞争从运动展示走向物理作业，先闻到硝烟的是卖粮人。

这份名单更像一张具身智能协作网络，对基础模型公司而言，本体企业带来的价值远高于一张支票。

行业缺的不是视频，是全身百余个关键点的轨迹

谈数据缺口之前，得先弄清楚缺的是哪一种数据。

高质量真实物理交互数据总量约50万小时，而可用需求在1000万小时量级，缺口约20倍，真机数据的市场价格被推到每小时500元至1000元。

稀缺的并不是画面，互联网上的人形机器人视频已经泛滥，主流采集方案输出的上肢视频流也在堆积，录下作业过程，切成片段，模型学到的是一帧帧平面影像。

双足人形真正需要的教材是另一种形态，人体全身百余个关键点的运动轨迹，实时解算成结构化数据，并与第一人称视觉在时间轴上严格对齐。

攀爬梯具、推拉重型门、弯腰搬起25公斤的料箱，这些动作的智能藏在腰胯和膝盖里，上肢视频拍不到。

德塔智能给出的解法是Delta D1，一台头戴式全身全景数据采集设备。

佩戴者正常作业即可完成采集，全程不依赖机器人本体，不需要动捕棚，也不需要改造场地，全局定位精度控制在2厘米以内。

针对抓取、装配这类精细操作，手持配件D1-Gripper补齐末端细节。

工人戴着它在真实产线上干活，生产不停，数据照收，公司此前已联合中国信息通信研究院发布工业数据集2.0。

二维的眼睛，进不了三维的厂区

数据策略的底层，站着一条技术路线的赌注。

当前主流具身模型的空间认知建立在二维视觉表征上，单目图像缺失真实深度，只能凭像素估算距离。

机器人站在一扇门前，二维表征算不准门把手的距离、开门的方向、身体该让出多少空间。

这类模糊判断进入真实厂区会逐步累积，最终压垮长时序连续作业。

德塔智能选择从底层换掉表征，自研原生三维世界引擎，直接处理点云、高斯泼溅等三维场景表示，让模型原生地理解、推理并推演环境的未来状态。

引擎之上是大脑、小脑、力位混合的三层架构，大脑负责感知、规划与决策，训练几乎不沾仿真数据，因为仿真器复刻不了柔性形变和多触点受力的复杂接触。

小脑主管全身平衡，在仿真里用强化学习海量试错，把大脑的稀疏指令翻译成几十至数百赫兹的电机信号。

力位混合控制层，负责输出柔顺动作。

这套架构决定了数据的战略地位，大脑必须吃真机原生交互数据，而这类数据没有现成来源，只能自己造锅做饭。

于是闭环成型，数采设备量产带来规模化数据，数据喂养模型，模型经跨本体运动重定向迁移到宇树G1/H2、智元灵犀X2/A3、乐聚夸父、星海图Kengo等不同硬件。

落地电网全身巡检、汽车零部件上下料、SMT料箱分拣等真实场景，场景的拓展又反向产生新的数据需求。

飞轮每转一圈，壁垒就厚一分。支撑这套叙事的团队也足够齐整，创始人马晓健出身清华计算机系和UCLA，曾在Google Robotics与NVIDIA Research做机器人学习研究，首席科学家黄思远提出过力位混合控制的统一理论，拿过CoRL最佳论文奖。

真正的数据闭环，要看失败多久变为成功

采集到数据，只完成了闭环的入口。

数据经过清洗、对齐和标注进入模型，模型部署到机器人，在现场遇到失败，失败样本被重新识别、归因、训练和验证，随后更新后的模型再次回到现场。

这条链路连续转动，闭环才开始产生经济价值。

机器人客户并不购买聪明的姿态，他们购买稳定的结果。

工厂关心连续工作时间、单次任务成功率、人工接管频率和安全事故概率。

模型公司想跨过实验室门槛，需要把研究指标翻译成产线指标，再把产线指标写进合同和验收标准。

政策方向也在推动这种变化，工业和信息化部、国务院国资委2026年启动人形机器人与具身智能实景实训专项行动。

其中要求通过真实场景训练积累高质量真机数据，并计划在2026年底前形成100个以上高价值应用场景，带动万台级规模落地能力。

数据采集由专门组织的机器人实验，转化为嵌入真实作业流程的日常记录，场景覆盖能力由此获得数量级扩张的可能。

同时，数据规模增加并不会自然转化为性能增长，训练数据需要与机器人的任务目标形成有效对齐。

这恰好划出了Delta D1的机会，也划出了它的边界。

头戴设备并非稀缺形态，硬件能够降低采集门槛，却很难独自形成牢固壁垒，昂贵的部分藏在设备摘下之后。

包括动作重建、时间同步、接触识别、任务切分，或者语义标注和跨本体重定向。

摄像头记录的是人做了什么，机器人训练需要知道自己应该怎样做，两者之间横着一整条数据工程链。 

结尾：

未来真正拉开差距的部分，很可能落在机器人学会新任务的速度，以及进入陌生环境后的稳定性。

德塔智能需要回答的第一道商业题，是要成为本体厂商共同使用的能力底座，还是成为少数合作伙伴的深度技术供应商。

前一种路线拥有更大的平台想象力，后一种路线更容易形成收入，两条道路对组织能力和资本消耗的要求并不相同。

部分资料参考：新浪科技：《德塔智能半年完成六轮融资，最新一轮融资近5亿元》，中国经济网：《德塔智能完成近5亿元天使++轮融资，成立半年已完成六轮融资》，搜狐科技：《半年6轮融资，德塔智能押注具身智能数据闭环》