泉源：印度两头大象打斗致一名女游客身亡作者： 颜宣德：

给人形机械人领先生，，撑起一个百亿市场

「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）