需求变化：客户从关注"采了多少小时"转向"能解决什么问题"——原始数据（预训练）、分段标注、手部/物体轨迹重建（后训练），成本与价值差异极大。
壁垒分布：设备不构成壁垒；前期看标注与还原质量，后期各家趋同，真正壁垒在数据采集的标准化程度。
客户分化：大模型公司要原始数据（自身清洗能力强），中小机器人公司要已标注数据。
异构性：异构问题集中在摇操数据，Ego 是人手数据，天然通用，故二手转卖不受限。三、技术流程与交付
清洗标注管线：拍摄人手操作+头部轨迹 → VLM 语言标注（细分左右手）→ 3D 手部轨迹提取 → 头部轨迹还原 → 物体还原（HOI）。管线已可全自动运行，人只做质检。
好数据标准：信息完整、任务定义清晰；无效数据 = 物体不可见、手部被遮挡看不清。
交付瓶颈：存储与网络带宽（PB 级），且客户需自行质检、验收，交付是持续过程而非一次传输。
采集模式：多供应商+自有设备，公司把控场景多样性与质量，不亲自地推；质量管控靠运营能力，部分可自动化形成壁垒。
四、数据配比与用量
价格：按质量分档，最高档与最低档差异大，因客户而异。
规模效应：行业有规模效应，京东/58 众包有先天优势但受限于自身场景。专家公司选择"做精做细"而非做大，以技术（算法迭代、遮挡/精度还原）确立优势。
手套 vs. Ego：手套可补触觉，但限制人类动作、难做精细操作，不足以大规模替代 Ego；遮挡与精度问题正随算法逐步解决。
第三人称/互联网视频：有价值但有限，还原需相机参数等原数据，不能替代专门场景采集。
生态阶段：仍处早期，二手转卖、知识产权/隐私保护缺失；未来将走向垂直专业化（类似大模型数据供应商）。
大模型冲击具身公司：未达该程度。具身公司在通用性上无优势，但特定场景（如工业节拍要求）仍不可替代，攻破周期较长。
场景需求：主要来自家庭与办公室场景，其余强调多样性。
总结：
最热方向：Ego数据
真正壁垒：采集标准化 + 运营质量管控
交付瓶颈：存储带宽 + 客户验收周期
竞争策略：做精做细 > 单纯扩规模
生态阶段：早期生长，未来垂直专业化
仅做资料整理，不做行业及个股推荐。
作者声明： 本文转载自第三方，旨在提供资讯参考，并非证券推荐或投资建议。作者对内容的真实性、准确性不承担保证责任。本文不构成任何投资建议或证券推荐。截至发文日，作者与文中提及的标的不存在持仓关系。