实探北京人形数据基地：千万小时数据泡沫之下，高质量数据如何定义？

《科创板日报》9月4日讯（记者 李明明 ）“有的机构说年底要做到千万小时，有的说无本体数据已经有上千万小时——但真正的高质量数据有多少？什么是高质量？这才是最重要的。”在北京人形机器人创新中心（下称"北京人形"）数据与训练基地，基地负责人向《科创板日报》记者抛出了这个行业眼下备受关注的问题。

在人形机器人本体融资与发布节奏不断加快的当下，产业链的焦虑正悄然从造机器人转向喂数据。《科创板日报》记者实地探访这处被称作"国家队样板间"的数据基地，试图还原具身智能数据基建的真实进度条。

6000平米“数据工厂”：机器人在这里上班，数据在夜里下班

《科创板日报》记者现场参观发现，这处基地总面积6000余平方米——一二层约5000平方米为采集与训练区，总部中心另有1000余平方米。现场搭建了家庭、商超、工业、医药康养等六大类共30多种实景场景，投入采集的机器人本体设备150多台套，另有150多套无本体采集设备，包括自研的第一人称视角头环和五自由度的夹爪工装。

二楼一处约200平方米的光学动捕场地颇为醒目。负责人介绍，此前在机器人运动会上包揽举重项目前四名的"天工"机器人，其举重、跑步、翻越障碍乃至舞蹈动作的数据，全部出自这块场地。

数据的生产节拍更接近一座工厂：采集员一天工作8小时，扣除摆场景、摆道具，有效录制约6小时；数据边采边传至云端，夜间由自动化管线处理，第二天即可交付客户，内部称之为“7+1”交付。目前基地数据年产能18万小时，已服务100多家客户，多为头部大模型与具身智能本体公司。

“全国现在能建数采场地的有一百多家，但中间的的平台能力才是最有价值的。”该负责人直言，同质化建场并不构成壁垒。

三道质检与95%交付通过率

当下，行业对高质量数据的争论至今没有定论。该负责人给出的判断颇为务实：最有价值的数据，是让模型在场景里能落地、产生好效果的数据。他以自动驾驶类比——真正值钱的是corner case数据，特斯拉“影子模式”回流的正是这一类，而不是无论好坏把所有数据都采回来。

为支撑这一标准，基地设立三道质检：采集后一检、标注后二检、交付算法侧验收三检。据其透露，今年上半年交付一家头部客户的数据，验证通过率在95%以上。

记者在现场还看到，标注环节已基本由AI接管——过去需要数百上千人异地标注语义、动作与视频帧，如今"几张卡跑一晚上，第二天人工质检后即可交付"。

采集端则采取“有本体+无本体”的矩阵式方案：自研的手部姿态算法可捕捉人手21个关节的运动轨迹，经映射后赋能机器人灵巧手，精度达到毫米级；触觉与力觉数据则通过高价动捕手套按需采集，"不是所有场景都用最贵的方案，量产成本最终要消费者买单。"

RoboMIND下载量破2000万

值得注意的是，据介绍，北京人形开源的RoboMIND数据集全球下载量近期突破2000万，居全球首位。该负责人表示，基地同时与工信部牵头制定数采场建设、数据采集、标注及高质量数据集等多项行业标准，数据合规、血缘追溯、版权合成已实现全链路留痕。

在生态层面，基地将自身定位为“样板间”：一边满足天工本体、模型、算法的内部闭环——京东顺义物流分拣厂中已有天工机器人执行真实分拣任务，其自有的六层中试工厂里则上演着“机器人造机器人”；另一边向外部数十家数采厂输出平台与SOP工艺，组建数据联盟，“有大的订单、包括出海的单子，希望和各家数采厂一起做。”

热闹背后，行业的商业化现实并不轻松。该负责人表示，目前数据交易国家层面没有定价，真机数据价格约为每有效小时500到1000元且已有所回落，无本体数据则在几十到一两百元之间。基地自身虽有卖数据、平台服务、数采场解决方案三类商业化路径，但目前不是靠这个挣钱。

对于“集中式数采基地是否可持续”“机器人自学习闭环会否让存量数据失效”等争议，他认为，机器人现在的阶段，相当于10年前的自动驾驶，集中式采集能快速验证数据—算法—本体闭环；但真实场景数据的价值最终一定最高，只是这条路还没有被大规模验证过。至于Scaling Law在具身领域究竟指向1000小时、100万小时还是1亿小时，现在没有定论，大家只是拿ChatGPT做了一个粗略的量化。

自动驾驶的下半场被证明是数据飞轮之争，这位自动驾驶出身的负责人判断，具身智能最卷的也会是数据飞轮。百万小时高质量数据集的目标写在这家“国家队”基地的规划里，但从6000平米的样板间走向千行百业的真实场景，行业的数据基建显然才刚刚打完地基。