「焦点提醒」人形机械人学会干活之前， ，，先要有人教它。。 。
作者 |高泽
编辑|邢昀
在机械人真正走进工厂和家庭之前， ，，先要有人教会它们怎么“像人一样干活”。。 。
你可能在社交平台刷到过这样一段视频， ，，印度流水线上的工人们像寻常一样在分拣、装配， ，，或者缝纫、裁剪， ，，但他们的头顶与手腕处的摄像头会纪录下每一次行动细节。。 。这着实就是在为训练人形机械人做数据收罗。。 。
在海内， ，，类似的事情也最先下沉到兼职市场。。 。“具身智能数据收罗员”的招聘帖麋集泛起， ，，“日结薪资、居家可做、无学历要求”吸引了大宗求职者。。 。有人重复抓取水杯、整理衣物、挪动物品， ，，成为机械人的“AI教练”。。 。
这背后， ，，是具身智能行业正在遭遇的数据饥渴。。 。人形机械人要从演示视频走向真实场景， ，，不可只靠模子和硬件本体， ，，还需要海量真实、清洁、可复用的行动数据。。 。
无本体第一视角众包、真机遥操作、仿真天生三类收罗蹊径各自卡位， ，，一场围绕数据质量、本钱和效率的竞赛正在睁开。。 。
1、赛博流水线
人形机械人的本体和大脑都在进化， ，，但越是在落地工厂、客栈、家庭等阶段， ，，问题越详细：
让机械人去拿一杯水， ，，水杯放在1.2米高的餐桌中央， ，，这是一个有把的宽口马克杯， ，，杯子旁边尚有一些杂物， ，，机械人要判断手该伸到那里， ，，用什么方式握住杯子。。 。
这些能力不是凭空长出来的。。 。它需要大宗真实、一连、可标注的数据来训练。。 。
在“数据荒原”逐渐成为行业共识后， ，，具身智能数据收罗这条上游赛道最先快速升温。。 。佐思汽研和水清木华研究中心联合宣布的《2026年具身智能机械人数据工业结构研究报告》显示， ，，2025年全球具身智能数据市场规模抵达2.42亿美元， ，，同比增添181.4%；；其中， ，，中国市场规模抵达5亿元人民币， ，，同比增添203%， ，，占全球市场约四成。。 。
报告预计， ，，2025-2030年全球市场复合年增添率（CAGR）可达85.0%， ，，2030年总规模将攀升至52.5亿美元。。 。
在此配景下， ，，各路玩家竞相入场。。 。既有第三方数据服务商切入， ，，好比光轮智能聚焦仿真+无本体混淆方案， ，，半年融资20亿元， ，，估值破百亿， ，，服务多家头部企业。。 。也有人形本体企业选择自建大型收罗基地， ，，智元机械人更是开放AGIBOT WORLD 2026数据集， ，，笼罩具身智能全域研究。。 ；；チ尥肪┒蔡逑， ，，要建设全球最大的具身智能数据收罗中心。。 。
无本体Ego（第一视角衣着）收罗是当下工业端热度最高的蹊径， ，，无需实体机械人本体， ，，仅靠衣着摄像头录制人类行动即可产出数据， ，，也是入局门槛最低、加入者最多的赛道。。 。
主打全球真实场景收罗的Cervo团队（河南纳斯熊得网络科技有限公司）是这条蹊径的玩家之一， ，，其营业笼罩中国、印度与南美三大区域。。 。团队合资人Ray先容， ，，公司收罗到的所有数据均落地在真实的便当店、工厂与家庭中。。 。他以为， ，，录下来真实的操作习惯对机械人落地的适配性更强。。 。
一套完整的收罗流程从需求对接启动：客户明确场景类型、硬件规格、收罗时长与地区要求， ，，团队对接线下相助场景， ，，为一线操作职员做装备使用与行动规范培训， ，，现场录制完成后通过存储卡归集至云端， ，，再交由相助团队完成洗濯与标注。。 。
硬件层面分为两个梯队， ，，入门级接纳GoPro运动相机或头戴手机， ，，本钱低廉但视角受限， ，，手部容易脱出画面， ，，有用数据率约93%到95%， ，，需要严酷培训操作职员的头部行动；；高端方案接纳六目全景收罗装备， ，，单台本钱3000至8000元， ，，可笼罩300度视角， ，，有用数据率靠近100%， ，，预算富足的头部企业更倾向这类方案。。 。
海内市场上， ，，无本体收罗已经下沉至公共兼职市场。。 。一位具身智能数据收罗员对《豹变》体现， ，，珠三角某公司兼职日薪约150元， ，，单日事情10小时， ，，全程佩带动、手等三处摄像头， ，，重复做握拳、收纳物品等标准化行动， ，，“事情像赛博流水线， ，，重复几百上千次， ，，手酸脖子痛， ，，装备经常出故障， ，，试岗没通过还会被扣钱”。。 。
同时， ，，也有一些公司在自建数据收罗团队。。 。安徽数点信息科技有限公司商务总监周兴豪体现， ，，公司标注+行动收罗全职团队合计100余人， ，，职员年岁区间集中在20-26岁， ，，本科占比45%， ，，月薪在5000-7000元左右。。 。招聘主要看重手部肢体协调性、耐心水平、自动学习意愿。。 。
一位身处一线都会的数据收罗员也体现， ，，全职事情的薪资会高一些， ，，日薪可达约250元。。 。要求牢靠场景到岗， ，，逐日产出不少于3小时有用数据， ，，凌驾部分核算绩效， ，，缺乏则要倒扣人为， ，，由数采组长现场监视， ，，员工双人一组相互校验。。 。
外洋的本钱或许还要更低一些， ，，Ray体现， ，，在非洲、拉美等地， ，，产线工人举行数据收罗的收益仅为1.5美元/小时（折合人民币约10元/小时）。。 。
低门槛、低本钱、可快速规；；俏薇咎艴杈兜慕沟阌攀， ，，但短板同样突出：数据质量狼籍不齐， ，，无效样本占比高， ，，行动不规范、场景摆拍、手部脱离画面等问题普遍保存， ，，行业内众包数据的现实可用率普遍缺乏三成， ，，且“有用数据”的界说主要掌握在客户手中。。 。
相较于工业端热衷的“人海战术”， ，，学术界与深耕手艺的首创团队更青睐真机遥操与仿真收罗蹊径， ，，追求数据的精准度与可复现性。。 。
一位曾在某高校AI实验室担当研究助理、现在任职一家具身智能首创公司的业内人士体现， ，，真机遥操收罗是通过远程操控机械臂某人形机械人完成使命， ，，同步纪录枢纽角度、力反馈、视觉画面等多模态时序数据， ，，“数据完全匹配机械人本体的运动逻辑， ，，没有跨硬件的误差， ，，是模子微调阶段的焦点数据泉源”。。 。
但真机收罗的门槛极高：单台人形机械人本体造价数十万元， ，，对收罗员的手眼协同能力有严酷要求， ，，还需要解决多传感器时序对齐的焦点难点， ，，差别装备的帧率、延迟保存差别， ，，毫秒级的时间错位都会大幅降低数据价值。。 。
上述业内人士团队接纳拉高收罗帧率、定制硬件统一时间戳接口的方案解决这一问题， ，，整套管线搭建需要软硬件团队配合， ，，很难像无本体收罗一样快速批量扩张。。 。
仿真收罗则是另一种增补蹊径， ，，在虚拟情形中批量天生行动样本， ，，省去硬件与园地本钱。。 。
但该业内人士坦言， ，，仿真与真实天下保存难以逾越的SimtoReal（仿真到真实迁徙）鸿沟， ，，物体摩擦力、形变、光照都和现实保存误差， ，，纯仿真数据训练的模子落地真机效果很差， ，，仅能作为预训练阶段的样本增补， ，，无法支持高精度使命。。 。
2、怎样采到更好的数据？？？？
在现实落地中， ，，三种数据获取路径没有绝对的优劣之分。。 。差别团队的蹊径选择， ，，实质上都是在本钱、效率和数据质量之间寻找平衡。。 。
无本体收罗之以是能快速爆发， ，，焦点在于极致的轻资产模式。。 。
Ray团队中美两地焦点成员仅8人， ，，不养全职收罗员与标注员， ，，焦点团队只认真客户对接、场景资源匹配与项目统筹。。 。装备可以租赁、人力按小时结算、园地依托现有实体资源， ，，不需要投入重金采购机械人本体， ，，几万元启动资金就能切入赛道， ，，这也是大宗中小团队涌入的焦点原因。。 。
但数据质量问题无法阻止， ，，最典范的就是“虚伪关联”。。 。
周兴豪举了一个经典案例：收罗职员习惯拿起茶杯先吹气降温， ，，模子便将“吹气”判断为拿杯子的须要前置行动。。 。由于人形机械人大多没有“吹气”的功效， ，，因此， ，，训练出的机械人每次抓握茶杯都会对着空杯停留一下， ，，完全脱离真实使用逻辑。。 。
“数据越多纷歧定越好， ，，但数据越脏一定越糟。。 。”周兴豪这样总结。。 。在他看来， ，，低质量数据的负作用远大于数据缺乏， ，，“数据缺乏可以补采， ，，数据污染要先洗濯再返工， ，，相当于走转头路”。。 。
行业早期的野蛮生长阶段， ，，大宗中心商低价收购劣质数据， ，，简朴包装后转卖， ，，“垃圾数据”在行业内重复流通， ，，进一步加剧了“数据荒原”， ，，看似数据总量重大， ，，真正能用的高质量样本寥寥无几。。 。
与之相对的真机蹊径， ，，虽然质量可控， ，，却受限于高本钱难以规；；。。 。
一台人形本体的采购本钱动辄数十万， ，，还要配套园地、运维职员与标定装备， ，，单条收罗管线的投入是无本体方案的几十倍。。 。且差别品牌机械人的运动空间、硬件参数保存差别， ，，跨本体的数据复用效率极低， ，，替换硬件险些需要重新收罗全套数据集， ，，投入产出比远低于无本体方案。。 。
仿真蹊径则受限于手艺成熟度， ，，物理引擎的精度缺乏以支持重大交互使命， ，，短期内无法成为数据供应的主力。。 。
真正成熟的收罗方案， ，，往往不是押注简单蹊径， ，，而是凭证需求分层组合。。 。
头部互联网大厂、头部人形机械人厂商接纳“二八配比”的组合战略：80%的低本钱无本体数据用于模子预训练， ，，堆砌数据体量提升基础泛化能力；；20%的真机高精度数据用于场景微调， ，，包管落地使命的乐成率。。 。
周兴豪将其总结为“粗数据打底， ，，精数据调优”， ，，两类数据对应模子训练的差别阶段， ，，缺一不可。。 。
预算有限的中小首创团队则没有这样的条件， ，，大都只能采购低价众包数据支持基础研发。。 。
高校与科研机构的处境同样尴尬， ，，学术界更多是学生自主搭建收罗管线， ，，规模小、缺乏标准化质检， ，，数据质量不稳固， ，，但胜在经济本钱较低， ，，且可以无邪定制细分使命， ，，适配前沿算法研究。。 。
在质量和规模之间， ，，行业正在寻找折中方案， ，，好比用更标准化的治理， ，，把低本钱数据的可用率拉高。。 。
周兴豪的团队就履历了从纯众包到驻场收罗的转型， ，，在此基础上， ，，团队还建设了三级质检机制， ，，同时为每条数据附上包括收罗信息、质检纪录的“数据身份证”， ，，实现问题可追溯。。 。
这套机制落地后， ，，团队数据可用率从行业普遍的30%到50%， ，，提升到约80%。。 。
这也说明， ，，具身智能数据收罗正在从早期的野蛮生长， ，，转向更细腻的生产治理。。 。
3、从卖数据到卖Skill
手艺融合之外， ，，具身智能数据收罗赛道的商业模式也在升级。。 。
纯粹售卖原始数据的赛道正在陷入低价内卷， ，，头部数据服务商已经最先探索向上游延伸， ，，从“卖数据”转向“卖手艺”。。 。
Ray的团队就在妄想SkillasaService（手艺即服务）的转型路径：依托积累的海量场景数据， ，，基于开源基础模子微调简单工业工序的专属手艺模子， ，，搭配机械臂形成完整解决方案。。 。
这套模式的焦点逻辑是本钱替换：西欧工厂人工本钱约30美元每小时， ，，而机械臂加定制手艺模子的综合运行本钱可控制在13至15美元每小时， ，，可以直接压缩用工本钱， ，，服务商则按工时收取手艺服务费， ，，盈利空间远高于纯粹卖数据。。 。
“未来我们不是数据供应商， ，，是机械人手艺提供商。。 。”Ray这样形貌。。 。
谈及行业恒久生长， ，，三位受访者的判断高度一致：行业暂未迎来决议性的“GPT时刻”， ，，但可以肯定的是， ，，靠演示视频融资、靠看法炒作的团队会被镌汰， ，，拥有真实线下场景资源、具备全链路质量管控能力的团队才有存活的时机。。 。
落地节奏上， ，，工业半结构化场景会率先实现商业化突破， ，，这也是全行业的共识。。 。
周兴豪剖析， ，，工业场景情形可控、使命界线清晰、经济价值可量化， ，，替换一个工位的回本周期可以准确测算， ，，企业付费意愿强， ，，装配、分拣、质检三类工序会最先跑通。。 。
上述任职具身智能首创公司的业内人士也以为， ，，学术界与工业界的研究都在向工业场景倾斜， ，，简单牢靠场景的模子精度已经靠近落地阈值。。 。
至于公共期待的家用通用人形机械人， ，，在各人看来仍有漫长的路要走。。 。
家庭场景开放随机、滋扰因素无限， ，，需要的数据体量呈指数级增添， ，，且硬件本钱居高不下， ，，消耗者付费意愿弱， ，，短期内很难普及。。 。
未来3到5年， ，，家庭场景会先泛起厨房机械臂、叠衣机等专用智能装备， ，，而非万能型人形机械人， ，，通用人形的落地至少需要十到二十年的手艺与数据积累。。 。
从印度工厂的流水线工人， ，，到海内的兼职收罗员， ，，“人海战术”正在快速填补具身智能的数据缺口， ，，而真机收罗+仿真模拟的“慢工细活”则在守护数据质量的底线。。 。两条蹊径尚未收敛， ，，但异构混淆训练已经架起了两者互通的桥梁。。 。
可以确定的是， ，，野蛮生长的阶段终会已往， ，，建设统一收罗标准、产出高质量可追溯数据， ，，才是这条赛道的恒久生涯规则。。 。当数据荒原里挖出足够多的深井， ，，具身智能的商业化落地， ，，才会真正迎来拐点。。 。
（应受访者要求， ，，文中Ray为假名）
