千万小时缺口下的突围：谁在为中国具身智能“喂”数据？

如今，人们多了一种赚外快的方式，每天下班回家做饭、做家务的时候，戴上一台轻巧的头环设备，按下按钮，把自己干活的过程录下来，上传到一个手机应用里。叠衣服、整理文件柜、陪孩子搭积木......这些人们生活中平时的日常动作，如今每个月能给普通人带来三千多元的额外收入。

而参与其中的人可能并不知道，他们正在参与一场也许能改变未来的竞赛。大语言模型靠互联网上海量的文本学会了说话和写作，而机器人要学会拧瓶盖、叠衣服、修水管，需要的是一个记录动作的数据库，而这个数据库需要行业从头构建。

具身智能的iPhone时刻差了一本教材

过去两年，具身智能以前所未有的速度从实验室走向现实，机器人已经能翻跟头、跳舞、格斗，但真正要走进工厂、商店和千家万户去干活，还差一块关键拼图：海量、真实的人类动作数据。

觅蜂科技董事长兼CEO姚卯青的回答很直接：答案在数据。大语言模型之所以爆发得如此之快，是因为它学完了人类过去四十年沉淀在互联网上的知识印记；而机器人要学的动作和技能，互联网上根本没有一个现成的载体替它们记录。换句话说，机器人缺的不是聪明的大脑，而是教材。

这个缺口有多大？中国信通院人工智能研究所联合人形机器人（上海）有限公司、具身智能测试实验室发布的《具身智能训练场研究报告（2026年）》给过一组测算：具身基础模型要迎来自己的"ChatGPT时刻"，至少需要千万小时级的真实数据；如果这些数据全部靠真机采集，按每台机器人每天有效工作2小时、每年工作300天计算，需要超过两万台机器人连续工作整整一年。而现实是，当前全球可用的高质量真实数据，只有数十万到百万小时级，供需之间隔着一整个量级。

数据的杠杆效应，已经在海外被验证过。今年9月，美国人形机器人公司Figure发布Helix 2.5模型，租下旧金山湾区30套陌生住宅，让机器人不采新数据、不做现场训练，直接盲测整理客厅、叠毛巾、铺床三项家务：用人类行为数据集Index做过预训练的模型，完整任务成功率达到56%；而对照组从随机权重起步，成功率只有9%。这个差距也直接行业开始看到人类行为数据预训练的真正价值——它让机器人第一次能在陌生环境里“直接上岗”。

与此同时，姚卯青与我们分享了他观察到的一个变化：行业对数据的需求曲线正在陡峭地向上走。去年上半年，市面上很少有人提几十万小时规模，大家还停在一万小时的量级；到去年底有人做到20万小时；今年很快就有公司宣布用到100万小时，而他接触到的客户，提出的已是千万小时级的预算。“不是简单地堆量，”他强调，“而是越来越往细分赛道、专业技能上去获取。”叠衣服的数据已经泛滥，修水管、修车、理发、美甲，这些“长尾技能”正等待被一个个点亮、解锁。

在此背景下，具身智能的数据故事才刚刚翻到第一章，在数量的缺口之外，质量和场景多样性的缺口同样悬而未决。谁能持续把真实世界的经验转化为可训练的数据，谁就握住了下一个十年的入场券。

混乱的数采江湖等一个答案

具身智能数据采集看上去简单，但实际采集的时候却困难重重，且目前行业仍处于发展的初期阶段，行业仍有些混乱。

行业此前最通行的做法是真机遥操作：人通过手柄或VR设备操纵机器人，把任务操作示范给模型。这类数据与本体高度对齐，训练价值高，但短板同样明显——采集速度被机器人数量、操作人员和场地死死捆住，硬件、人力与运营成本随数据规模同步上涨。信通院报告显示，截至2026年6月底全国已建成启用超70家具身智能训练场，另有46家在建或规划中，但训练场属于典型的重资产投入，仅部署100台人形机器人，本体采购成本就可达数千万元；场景集中在少数易采集任务上，数据泛化价值有限，可持续盈利模式仍在摸索。

更深的痛点在场景本身。觅蜂科技副总裁殷哲将数据采集比作挖矿：设备是工具，运营是工厂，场景资源才是要挖的矿。“在整个物理AI数据链条里，场景是唯一无法被技术或资本快速复制的源头。”殷哲强调。

当前国内真实物理交互场景的合规数据大约只有100万小时，而机器人商业化落地需要千万甚至数亿小时，缺口超过99%。更麻烦的是，场景进入有壁垒，比如，设备进食品厂安全吗？老板让不让众包员带设备进工厂？姚卯青打了个更形象的比方：场景像页岩油，有价值，但如果开采成本比采出来的油还贵，就等于没有。

除此之外，当前具身智能数据采集行业也尚处于混沌阶段，行业鱼龙混杂。从今年上半年起，大量初创团队涌入这个赛道，普遍以技术背景创业为主，早期快速做出以相机为主的原型设备。对此，姚卯青判断，这个行业真正要进入规模化乃至盈利状态，看重的是运营能力。而运营能力主要体现在，企业能不能“以销定产”、精确匹配需求，以及能不能在设备制造、人员雇佣、结算、云端基础设施建设上砸下重资产。基于此，姚卯青判断行业整合是必然，未来会分化出设备方、运营方、后处理方，不会人人都干整条链条。

乱象之下，还有一些更根本的分歧。一种主流做法是要求采集者放慢动作、保持手部持续可见，迁就现有算法的解析能力。但争议随之而来：当人开始迁就算法，真实世界里本就存在的快速运动、遮挡和纠错被人为收窄，模型最终看到的行为分布也随之失真。海外有公司批量买回数据，花大量人力清洗，最后能喂进模型的有效数据率只有10%左右。此外，众包采集要进入真实家庭和商业场所，人脸、住址等隐私信息如何授权、如何脱敏，都是目前行业在数据采集过程中必须要面对的难题。

把数据做成一份货架上的生意

面对当前行业的痛点，觅蜂科技给出的答案是，把采数据的铲子交到每个普通人手里。

在姚卯青看来，教会机器人的数据其实从来不缺：酒店阿姨整理床品、餐饮服务员备餐打包、物流分拣员搬运转运、工厂师傅装配上下料，每天每分每秒都在发生。缺的只是去开采这座宝藏的铲子，“这也是我们推出觅蜂派APP的主要原因：就是让任何人实名注册、申领一台MEgo设备，在正常生活和工作之余顺手完成采集不需要培训，没有面试，从领任务到拿钱四步走完。”姚卯青言简意赅的介绍了觅蜂科技推出觅蜂派APP核心因素。

将觅蜂派APP拆解来看，其背后是觅蜂自研的MEgo View头戴设备以多相机覆盖超过300°视角，腕部相机捕捉手部细节；MEgo Gripper作为无线UMI类设备，空间轨迹重建精度达到毫米级，三维触觉可记录“手在哪里、用了多大力”，全通道硬件级同步做到亚毫秒级。数据回传后，MEgo Engine云端引擎完成切片、标注、空间信息提取，再通过ManiEval体系从数据、任务、传感器、语义、动作五个维度逐一质检。

值得注意的事，在数据质量层面，姚卯青明确表示不会做非黑即白的分化：“数据质量可以分很多层，根据不同下游模型类型或者不同模型的训练阶段，可以利用不同质量等级的数据。我们会给它贴上质量标签，把它们尽可能保留下来。”姚卯青指出，据他介绍，过了结算环节后，超过95%的数据最终能被用起来，70%-80%可保留至精细化处理阶段。

据姚卯青介绍，目前觅蜂科技已经将2万套MEgo设备陆续“派”到了家庭、办公、零售、生产、餐饮等真实场景，累计采集有效数据达百万小时，百万小时级无本体数据已开始服务腾讯Robotics X实验室、蚂蚁灵波等头部客户。

而在产业层面的布局则围绕“场景”二字展开。据悉，觅蜂科技发布了覆盖22大类场景、5000余个任务、50000多个真实环境的任务货架，并发起场景数据联盟，东呈酒店、中旅集团、华驿酒店、陈香贵、普亲养老院、上海德济医院、正荣集团、龙旗科技、张江集团等50余家企业和机构成为首批成员。“客户需求已从粗放的工厂数据，精细到某条产线上拧螺丝的L3级，场景不提前储备，需求来了就接不住。”这是殷哲对为什么要牵头场景数据联盟的解释。

至于数据需求的终点在哪里，在姚卯青看来，AI要进入下一阶段，必须进入物理世界闭环决策，各家公司的数据预算越挂越高，越多越好、越丰富越多样化越好。真实世界浩瀚无垠，而人类每一次平凡的动手，都可能成为智能进化的一次投喂。

（文｜Leo张ToB杂谈，作者｜张申宇，编辑丨杨林）