数据高效性（Data Efficiency）指人工智能系统在有限数据条件下实现高性能学习的能力，它衡量模型从单位数据中提取有效信息的密度。这一概念在具身智能领域尤为重要，因为物理世界的交互往往伴随着高昂的数据获取成本。数据高效性不仅关注模型在少量训练样本下的表现，更强调通过迁移学习、元学习、自监督学习等技术，使模型具备跨任务的知识复用能力，从而降低对新数据的依赖。
在AI产品开发实践中，提升数据高效性意味着更低的标注成本与更快的迭代周期。例如在服务机器人场景中，通过模拟器生成的合成数据预训练模型，再结合少量真实场景数据进行微调，能显著减少实际部署所需的数据采集量。当前前沿的对比学习、提示学习等方法，都在尝试从算法层面突破数据效率的瓶颈，这类技术特别适合医疗、工业等数据敏感型领域的产品化应用。