采集数据的赚辛苦钱，清洗标注的赚加工费，但把数据变成可交易资产的——毛利率能做到70%。艺恩数据这份白皮书把具身数据价值链拆成六个环节，给出了一个反直觉的判断：数据层的毛利远高于本体硬件，利润正在向上游迁移。
六环节价值链
从数据采集到资产化的完整价值链可拆解为六个环节：采集、清洗、标注、合成/蒸馏、资产化、交付。每个环节的毛利率和技术壁垒各不相同，呈现自下而上的递增趋势。
采集环节：通过真机遥操、便携采集设备或仿真引擎获取原始数据。成本最高（尤其是真机遥操，设备超20万元），毛利率相对较低。采集环节的竞争壁垒在于设备自研和采集效率。
清洗环节：去除噪声、对齐时间戳、标准化格式。技术含量中等，毛利率中等。清洗环节的核心竞争力在于自动化清洗工具的开发能力。
标注环节：为数据添加语义标签、动作标签、场景标签。劳动密集型环节，毛利率偏低。但面向具身数据的标注需要物理常识和机器人专业知识，门槛高于通用数据标注。
合成/蒸馏环节：仿真合成通过物理引擎批量生成数据，视频蒸馏从互联网视频中提取动作信息。技术壁垒高，毛利率较高。光轮智能和枢途科技在这一环节构筑护城河。
资产化环节：将数据封装为标准化的可交易产品（数据集、DaaS订阅、评测基准）。毛利率最高，达60%-70%。资产化环节的核心能力在于数据产品的标准化设计、合规性保障和定价策略。
交付环节：通过API、SDK或物理介质将数据交付给客户。毛利率中等，交付效率和客户成功是竞争焦点。
价值向上游迁移
毛利率沿"采集→资产化"链条逐级递增——这意味着价值正在向上游数据层迁移。掌握全链路闭环的数据公司主导利润分配，而本体硬件则趋于薄利。
这一趋势的产业含义在于：在具身智能产业链中，数据层不再是本体的附属环节，而是独立的价值创造节点。光轮智能作为全球首个具身数据独角兽，验证了"数据公司可以独立于本体存在并产生高毛利"的产业逻辑。
商业模式对应三条变现路径：
数据集授权：一次性收费，客户获得数据的使用权。适用于标准化程度高的数据集，如仿真合成的通用场景数据。
DaaS订阅：持续收费，客户按需调用数据流。适用于需要持续更新的数据服务，如VLA训练数据的实时供给。白皮书指出DaaS订阅正在成为主流模式。
评测基准服务：通过建立行业标准来收费。光轮的RoboFinals评测基准是典型案例——评测基准既是商业产品，也是行业话语权的载体。
开放生态vs封闭飞轮
行业正在形成两种截然不同的生态路线。
开放生态：NVIDIA以GROOT/Cosmos/Isaac开源加Physical AI Dataset构建底座；智元开源AgiBot World百万真机数据集（100万+轨迹，2976小时，217任务）；HuggingFace LeRobot开放数据社区；光轮RoboFinals开放评测基准。开放生态做的是"公共底座"——降低行业入门门槛、统一评测口径。
封闭飞轮：Tesla Optimus与FSD同源视觉数据飞轮（闭源，不外售）；Boston Dynamics Atlas遥操飞轮；Figure Helix自采遥操；Google Gemini Robotics+ALOHA自采。封闭飞轮筑的是"私有壁垒"——保护核心算法、维持竞争优势。
两者并非对立，而是互补结构。开放生态做大行业蛋糕，封闭飞轮守护企业核心资产。开源数据集清单验证了开放生态的活跃度：智元AgiBot World、Google Open X-Embodiment、NVIDIA Physical AI、HuggingFace LeRobot、Meta Ego4D、光轮RoboFinals——这些开源资源是行业的"公共底座"。
商业化场景与规模化路径
白皮书将商业化场景按成熟度分层。已落地盈利的医疗康复（Wandercraft、傅利叶，约200亿/年）和物流仓储（Agility Digit、京东，约30-50亿/年）最早实现商业化。规模化中的工业制造（Figure在BMW、银河在宁德时代，约50-80亿/年）和商业服务（银河便利店100+门店，约50-80亿/年）正在加速。远期最大的想象空间在家庭服务（1X NEO、Figure 03，预估超1000亿/年）。特殊场景（矿山巡检、应急救援、农业、国防、手术辅助）处于早期探索，年规模约10-20亿元。
白皮书同时列出了四类风险：估值领先于商业化（多数出货流向科研/数采/展示，UBS已警示泡沫）、数据合规与版权（跨境数据管制、第一人称隐私、版权清洁待规范）、Sim2Real鸿沟（仿真保真度与真实物理差距仍是核心挑战）、标准缺位（具身数据采集/标注/评测标准尚在建设中）。
四类展望构成行业信心：2026数据规模化元年、数据资产化加速、世界模型崛起、中国机遇凸显。当具身数据从采集走向资产化，数据正从"算法的饲料"变成"产业链的石油"。
