千萬小時缺口下的突圍：誰在為中國具身智能“喂”數據？

Leo張ToB雜談2026.09.28 13:50 · 來自北京全文3449字00:00 / 10:34在姚卯青看來，AI要進入下一階段，必須進入物理世界閉環決策，各家公司的數據預算越掛越高，越多越好、越豐富越多樣化越好。如今，人們多了一種賺外快的方式，每天下班回家做飯、做家務的時候，戴上一臺輕巧的頭環設備，按下按鈕，把自己幹活的過程錄下來，上傳到一個手機應用裡。疊衣服、整理文件櫃、陪孩子搭積木......這些人們生活中平時的日常動作，如今每個月能給普通人帶來三千多元的額外收入。而參與其中的人可能並不知道，他們正在參與一場也許能改變未來的競賽。

大語言模型靠互聯網上海量的文本學會了說話和寫作，而機器人要學會擰瓶蓋、疊衣服、修水管，需要的是一個記錄動作的數據庫，而這個數據庫需要行業從頭構建。具身智能的iPhone時刻差了一本教材過去兩年，具身智能以前所未有的速度從實驗室走向現實，機器人已經能翻跟頭、跳舞、格鬥，但真正要走進工廠、商店和千家萬戶去幹活，還差一塊關鍵拼圖：海量、真實的人類動作數據。覓蜂科技董事長兼CEO姚卯青的回答很直接：答案在數據。大語言模型之所以爆發得如此之快，是因為它學完了人類過去四十年沉澱在互聯網上的知識印記；而機器人要學的動作和技能，互聯網上根本沒有一個現成的載體替它們記錄。

換句話說，機器人缺的不是聰明的大腦，而是教材。這個缺口有多大？中國信通院人工智能研究所聯合人形機器人（上海）有限公司、具身智能測試實驗室發佈的《具身智能訓練場研究報告（2026年）》給過一組測算：具身基礎模型要迎來自己的"ChatGPT時刻"，至少需要千萬小時級的真實數據；如果這些數據全部靠真機採集，按每臺機器人每天有效工作2小時、每年工作300天計算，需要超過兩萬臺機器人連續工作整整一年。而現實是，當前全球可用的高質量真實數據，只有數十萬到百萬小時級，供需之間隔著一整個量級。數據的槓桿效應，已經在海外被驗證過。今年9月，美國人形機器人公司Figure發佈Helix 2.

5模型，租下舊金山灣區30套陌生住宅，讓機器人不採新數據、不做現場訓練，直接盲測整理客廳、疊毛巾、鋪床三項家務：用人類行為數據集Index做過預訓練的模型，完整任務成功率達到56%；而對照組從隨機權重起步，成功率只有9%。這個差距也直接行業開始看到人類行為數據預訓練的真正價值——它讓機器人第一次能在陌生環境裡“直接上崗”。與此同時，姚卯青與我們分享了他觀察到的一個變化：行業對數據的需求曲線正在陡峭地向上走。去年上半年，市面上很少有人提幾十萬小時規模，大家還停在一萬小時的量級；到去年底有人做到20萬小時；今年很快就有公司宣佈用到100萬小時，而他接觸到的客戶，提出的已是千萬小時級的預算。

“不是簡單地堆量，”他強調，“而是越來越往細分賽道、專業技能上去獲取。”疊衣服的數據已經氾濫，修水管、修車、理髮、美甲，這些“長尾技能”正等待被一個個點亮、解鎖。在此背景下，具身智能的數據故事才剛剛翻到第一章，在數量的缺口之外，質量和場景多樣性的缺口同樣懸而未決。誰能持續把真實世界的經驗轉化為可訓練的數據，誰就握住了下一個十年的入場券。混亂的數採江湖等一個答案具身智能數據採集看上去簡單，但實際採集的時候卻困難重重，且目前行業仍處於發展的初期階段，行業仍有些混亂。行業此前最通行的做法是真機遙操作：人通過手柄或VR設備操縱機器人，把任務操作示範給模型。

這類數據與本體高度對齊，訓練價值高，但短板同樣明顯——採集速度被機器人數量、操作人員和場地死死捆住，硬件、人力與運營成本隨數據規模同步上漲。信通院報告顯示，截至2026年6月底全國已建成啟用超70傢俱身智能訓練場，另有46家在建或規劃中，但訓練場屬於典型的重資產投入，僅部署100臺人形機器人，本體採購成本就可達數千萬元；場景集中在少數易採集任務上，數據泛化價值有限，可持續盈利模式仍在摸索。更深的痛點在場景本身。覓蜂科技副總裁殷哲將數據採集比作挖礦：設備是工具，運營是工廠，場景資源才是要挖的礦。“在整個物理AI數據鏈條裡，場景是唯一無法被技術或資本快速複製的源頭。”殷哲強調。

當前國內真實物理交互場景的合規數據大約只有100萬小時，而機器人商業化落地需要千萬甚至數億小時，缺口超過99%。更麻煩的是，場景進入有壁壘，比如，設備進食品廠安全嗎？老闆讓不讓眾包員帶設備進工廠？姚卯青打了個更形象的比方：場景像頁岩油，有價值，但如果開採成本比採出來的油還貴，就等於沒有。除此之外，當前具身智能數據採集行業也尚處於混沌階段，行業魚龍混雜。從今年上半年起，大量初創團隊湧入這個賽道，普遍以技術背景創業為主，早期快速做出以相機為主的原型設備。對此，姚卯青判斷，這個行業真正要進入規模化乃至盈利狀態，看重的是運營能力。

而運營能力主要體現在，企業能不能“以銷定產”、精確匹配需求，以及能不能在設備製造、人員僱傭、結算、雲端基礎設施建設上砸下重資產。基於此，姚卯青判斷行業整合是必然，未來會分化出設備方、運營方、後處理方，不會人人都幹整條鏈條。亂象之下，還有一些更根本的分歧。一種主流做法是要求採集者放慢動作、保持手部持續可見，遷就現有算法的解析能力。但爭議隨之而來：當人開始遷就算法，真實世界裡本就存在的快速運動、遮擋和糾錯被人為收窄，模型最終看到的行為分佈也隨之失真。海外有公司批量買回數據，花大量人力清洗，最後能喂進模型的有效數據率只有10%左右。

此外，眾包採集要進入真實家庭和商業場所，人臉、住址等隱私信息如何授權、如何脫敏，都是目前行業在數據採集過程中必須要面對的難題。把數據做成一份貨架上的生意麵對當前行業的痛點，覓蜂科技給出的答案是，把採數據的鏟子交到每個普通人手裡。在姚卯青看來，教會機器人的數據其實從來不缺：酒店阿姨整理床品、餐飲服務員備餐打包、物流分揀員搬運轉運、工廠師傅裝配上下料，每天每分每秒都在發生。缺的只是去開採這座寶藏的鏟子，“這也是我們推出覓蜂派APP的主要原因：就是讓任何人實名註冊、申領一臺MEgo設備，在正常生活和工作之餘順手完成採集不需要培訓，沒有面試，從領任務到拿錢四步走完。

”姚卯青言簡意賅的介紹了覓蜂科技推出覓蜂派APP核心因素。將覓蜂派APP拆解來看，其背後是覓蜂自研的MEgo View頭戴設備以多相機覆蓋超過300°視角，腕部相機捕捉手部細節；MEgo Gripper作為無線UMI類設備，空間軌跡重建精度達到毫米級，三維觸覺可記錄“手在哪裡、用了多大力”，全通道硬件級同步做到亞毫秒級。數據回傳後，MEgo Engine雲端引擎完成切片、標註、空間信息提取，再通過ManiEval體系從數據、任務、傳感器、語義、動作五個維度逐一質檢。

值得注意的事，在數據質量層面，姚卯青明確表示不會做非黑即白的分化：“數據質量可以分很多層，根據不同下游模型類型或者不同模型的訓練階段，可以利用不同質量等級的數據。我們會給它貼上質量標籤，把它們儘可能保留下來。”姚卯青指出，據他介紹，過了結算環節後，超過95%的數據最終能被用起來，70%-80%可保留至精細化處理階段。據姚卯青介紹，目前覓蜂科技已經將2萬套MEgo設備陸續“派”到了家庭、辦公、零售、生產、餐飲等真實場景，累計採集有效數據達百萬小時，百萬小時級無本體數據已開始服務騰訊Robotics X實驗室、螞蟻靈波等頭部客戶。而在產業層面的佈局則圍繞“場景”二字展開。

據悉，覓蜂科技發佈了覆蓋22大類場景、5000餘個任務、50000多個真實環境的任務貨架，併發起場景數據聯盟，東呈酒店、中旅集團、華驛酒店、陳香貴、普親養老院、上海德濟醫院、正榮集團、龍旗科技、張江集團等50餘家企業和機構成為首批成員。“客戶需求已從粗放的工廠數據，精細到某條產線上擰螺絲的L3級，場景不提前儲備，需求來了就接不住。”這是殷哲對為什麼要牽頭場景數據聯盟的解釋。至於數據需求的終點在哪裡，在姚卯青看來，AI要進入下一階段，必須進入物理世界閉環決策，各家公司的數據預算越掛越高，越多越好、越豐富越多樣化越好。真實世界浩瀚無垠，而人類每一次平凡的動手，都可能成為智能進化的一次投餵。

（文｜Leo張ToB雜談，作者｜張申宇，編輯丨楊林）