給人形機器人當老師，撐起一個百億市場

人形機器人想真正走進工廠和家庭，必須先學會「像人一樣幹活」。這個學習過程，依賴大量真實動作數據，也催生了一個新興職業——具身智能數據採集員。在印度，流水線工人頭頂和手腕裝上攝像頭，反覆進行分揀、裝配等動作，為機器人提供訓練素材。中國的兼職市場上，也出現大量「日結薪資、居家可做、無學歷要求」的招聘帖，求職者重複抓取水杯、整理衣物、搬動物品，成為機器人的「AI教練」。 這背後是具身智能行業的「數據飢渴」。人形機器人要從演示影片走進真實場景，不能只靠模型和硬體本體，還需要海量真實、乾淨、可複用的動作數據。根據佐思汽研與水清木華研究中心聯合發布的《2026年具身智能機器人數據產業布局研究報告》，2025年全球具身智能數據市場規模達2.42億美元，年增181.4%；中國市場規模達5億元人民幣，年增203%，佔全球約四成。報告預估2025至2030年全球市場複合年增長率可達85%，2030年總規模將攀升至52.5億美元。 市場爆發吸引各路玩家競相入場。第三方數據服務商如光輪智能聚焦仿真與無本體混合方案，半年融資20億元，估值破百億，服務多家頭部企業。人形本體企業則自建大型採集基地，智元機器人開放AGIBOT WORLD 2026數據集，覆蓋具身智能全域研究。京東也宣布要建設全球最大的具身智能數據採集中心。 目前數據採集主要有三條路線：無本體第一視角眾包、真機遙操作、仿真生成。其中，無本體Ego（第一視角穿戴）採集熱度最高，無需實體機器人本體，僅靠穿戴攝像頭錄製人類動作即可產出數據，入門門檻最低、參與者最多。主打全球真實場景採集的Cervo團隊（河南納斯熊得網絡科技有限公司）業務覆蓋中國、印度與南美。合夥人Ray介紹，所有數據皆在真實的便利店、工廠與家庭中錄製，認為真實操作習慣對機器人落地適配性更強。 一套完整的採集流程從需求對接啟動：客戶明確場景類型、硬體規格、採集時長與地域要求，團隊對接線下合作場景，培訓操作人員，現場錄製後歸集至雲端，再交由合作團隊清洗與標註。硬體分為兩個梯隊：入門級採用GoPro運動相機或頭戴手機，成本低但視角受限，有效數據率約93%至95%；高端方案採用六目全景採集設備，單台成本3000至8000元，可覆蓋300度視角，有效數據率接近100%，預算充足的頭部企業更傾向後者。 國內市場上，無本體採集已下沉至大眾兼職市場。一位具身智能數據採集員對《豹變》表示，珠三角某公司兼職日薪約150元，單日工作10小時，全程佩戴頭、手等三處攝像頭，反覆做握拳、收納物品等標準化動作，稱之為「賽博流水線」，重複幾百上千次，手痠脖子痛，設備經常出故障，試崗沒通過還會被扣錢。也有公司自建全職團隊，安徽數點信息科技有限公司商務總監周興豪表示，全職團隊合計100餘人，年齡集中在20至26歲，本科佔比45%，月薪5000至7000元，招聘看重手部肢體協調性、耐心程度與主動學習意願。一線城市全職數據採集員日薪可達約250元，要求固定場景到崗，每日產出不少於3小時有效數據，超出部分核算績效，不足則扣工資，由組長現場監督，雙人一組互相校驗。海外成本更低，Ray表示，在非洲、拉美等地，產線工人數據採集收益僅1.5美元/小時（約人民幣10元/小時）。 低門檻、低成本、可快速規模化是無本體路線的優勢，但短板也很突出：數據質量參差不齊，無效樣本佔比高，動作不規範、場景擺拍、手部離開畫面等問題普遍存在，行業內眾包數據的實際可用率普遍不足三成，且「有效數據」定義主要掌握在客戶手中。相較於產業端的「人海戰術」，學術界與深耕技術的初創團隊更青睞真機遙操與仿真採集路線，追求數據精準度與可復現性。 一位曾在某高校AI實驗室擔任研究助理、目前任職具身智能初創公司的業內人士表示，真機遙操採集透過遠程操控機械臂或人形機器人完成任務，同步記錄關節角度、力反饋、視覺畫面等多模態時序數據，數據完全匹配機器人本體運動邏輯，無跨硬體偏差，是模型微調階段的核心數據來源。但真機採集門檻極高：單台人形機器人本體造價數十萬元，採集員需嚴格的手眼協同能力，還需解決多傳感器時序對齊，不同設備幀率、延遲存在差異，毫秒級時間錯位會大幅降低數據價值。該團隊採用拉高採集幀率、定製硬體統一時間戳接口的方案，整套管線搭建需軟硬體團隊配合，難以快速批量擴張。 仿真採集則是另一種補充路線，在虛擬環境中批量生成動作樣本，省去硬體與場地成本。但該業內人士坦言，仿真與真實世界存在難以逾越的Sim-to-Real（仿真到真實遷移）鴻溝，物體摩擦力、形變、光照都與現實存在偏差，純仿真數據訓練的模型落地真機效果很差，僅能作為預訓練階段的樣本補充，無法支撐高精度任務。 在實際落地中，三種路線沒有絕對優劣，不同團隊的方案選擇是在成本、效率與數據質量之間尋找平衡。無本體採集能快速爆發，核心在於極致的輕資產模式。Ray團隊中美兩地核心成員僅8人，不養全職採集員與標註員，核心團隊只負責客戶對接、場景資源匹配與項目統籌，設備可租賃、人力按小時結算、場地依託現有實體資源，幾萬元啟動資金就能切入賽道。但數據質量問題不可避免，最典型的是「虛假關聯」。周興豪舉例：採集人員習慣拿起茶杯先吹氣降溫，模型便將「吹氣」判定為拿杯子的必要前置動作，而人形機器人大多沒有吹氣功能，導致每次抓握茶杯都會對著空杯停頓一下，完全脫離真實使用邏輯。「數據越多不一定越好，但數據越髒一定越糟。」低質量數據的負作用遠大於數據不足，數據汙染要先清洗再返工，相當於走回頭路。行業早期野蠻生長，大量中間商低價收購劣質數據，簡單包裝後轉賣，「垃圾數據」在行業內反覆流通，加劇了「數據荒漠」，看似數據總量龐大，真正能用的高質量樣本寥寥無幾。 真機路線雖然質量可控，卻受限於高成本難以規模化。一台人形本體採購成本動輒數十萬，還要配套場地、運維人員與標定設備，單條採集管線投入是無本體方案的幾十倍。且不同品牌機器人運動空間、硬體參數存在差異，跨本體數據複用效率極低，更換硬體幾乎需重新採集全套數據集，投入產出比遠低於無本體方案。仿真路線則受限於技術成熟度，物理引擎精度不足以支撐複雜交互任務，短期內無法成為數據供給主力。 真正成熟的採集方案往往不是押注單一路線，而是根據需求分層組合。頭部互聯網大廠與頭部人形機器人廠商採用「二八配比」：80%的低成本無本體數據用於模型預訓練，堆砌數據體量提升基礎泛化能力；20%的真機高精度數據用於場景微調，保證落地任務成功率。周興豪將其總結為「粗數據打底，精數據調優」，兩類數據對應模型訓練的不同階段，缺一不可。預算有限的中小初創團隊多數只能採購低價眾包數據支撐基礎研發。高校與科研機構處境同樣尷尬，學生自主搭建採集管線，規模小、缺乏標準化質檢，數據質量不穩定，但勝在經濟成本低，且可靈活定製細分任務，適配前沿算法研究。 在質量與規模之間，行業正在尋找折中方案，例如用更標準化的管理拉高低成本數據的可用率。周興豪的團隊從純眾包轉型到駐場採集，建立三級質檢機制，同時為每條數據附上包含採集信息、質檢記錄的「數據身份證」，實現問題可追溯。這套機制落地後，團隊數據可用率從行業普遍的30%到50%，提升至約80%。這也說明，具身智能數據採集正從早期野蠻生長轉向更精細的生產管理。 商業模式也在升級。單純售賣原始數據的賽道正陷入低價內卷，頭部數據服務商已開始探索向上游延伸，從「賣數據」轉向「賣技能」。Ray的團隊規劃了Skill-as-a-Service（技能即服務）轉型路徑：依託積累的海量場景數據，基於開源基礎模型微調單一工業工序的專屬技能模型，搭配機械臂形成完整解決方案。核心邏輯是成本替代：歐美工廠人工成本約30美元每小時，機械臂加定製技能模型的綜合運行成本可控制在13至15美元每小時，直接壓縮用工成本，服務商按工時收取技能服務費，盈利空間遠高於單純賣數據。「未來我們不是數據供應商，是機器人技能提供商。」Ray這樣描述。 談及行業長期發展，三位受訪者判斷高度一致：行業暫未迎來決定性的「GPT時刻」，但靠演示影片融資、靠概念炒作的團隊會被淘汰，擁有真實線下場景資源、具備全鏈路質量管控能力的團隊才有存活機會。落地節奏上，工業半結構化場景會率先實現商業化突破，這是全行業共識。周興豪分析，工業場景環境可控、任務邊界清晰、經濟價值可量化，替代一個工位的回本週期可精確測算，企業付費意願強，裝配、分揀、質檢三類工序會最先跑通。上述任職具身智能初創公司的業內人士也認為，學術界與產業界的研究都在向工業場景傾斜，單一固定場景的模型精度已接近落地閾值。 至於大眾期待的家用通用人形機器人，仍有漫長的路要走。家庭場景開放隨機、干擾因素無窮，所需數據體量呈指數級增長，且硬體成本居高不下，消費者付費意願弱，短期內很難普及。未來3到5年，家庭場景會先出現廚房機械臂、疊衣機等專用智能設備，而非全能型人形機器人，通用人形的落地至少需要十到二十年的技術與數據積累。從印度工廠流水線工人到國內兼職採集員，「人海戰術」正快速填補具身智能的數據缺口，而真機採集與仿真模擬的「慢工細活」則在守護數據質量的底線。兩條路線尚未收斂，但異構混合訓練已架起互通的橋樑。可以確定的是，野蠻生長的階段終會過去，建立統一採集標準、產出高質量可追溯數據，才是這條賽道的長期生存法則。當數據荒漠裡挖出足夠多的深井，具身智能的商業化落地才會真正迎來拐點。