賣具身數據能賺錢嗎？

作者：張展鵬（Kinetix AI 數據創新官）

作為一家同時布局具身大腦、機器人本體與數據平臺基礎設施的具身智能創業團隊，超維動力 KAI 的路徑是先從真實機器人和具體任務出發。

公司成立初期，我們主要依靠真機數據進行后訓練，解決單一場景下的操作問題。結合基于世界模型的強化學習方法，我們將機械臂在柔性物體操作、精細操作等任務上的成功率提升到新的水平。

但從單任務走向通用物理 AI，挑戰很快發生了變化。模型不再只需要在一個固定場景里完成一次標準操作，而需要面對更多物體、更多環境、更多任務，以及不可避免的失敗、擾動和變化（KAI EgoData頁面：https://www.kinetixai.tech/zh/KaiEgo）。要獲得這種泛化能力，僅依賴昂貴且受限于機器人本體數量的真機數據并不夠。我們開始探索和建設低成本、高質量的無本體數據基礎設施，希望以更廣泛、更自然的真實人類行為數據，補足多場景、多任務訓練所需要的覆蓋。

最初，這套數據基建只服務于內部算法團隊。但在我們發布相關數據和能力后，越來越多行業伙伴帶著明確需求找上門：有人需要大規模原始第一視角數據，有人需要人體姿態、三維重建或更精細的語義標注，也有人關心如何讓數據真正轉化為機器人的部署能力。

于是，數據逐漸成為我們的一項 “副業”，也成為理解行業的重要窗口。以半個乙方的身份，我們與超過 30 家需求方進行了深入交流。在過去的一季度，我們交付了數萬小時高質量結構化數據。

在這個過程中，我們看到了具身數據行業的熱鬧：設備、工廠、平臺、仿真、標注和數據集都在快速涌現；也更深刻地意識到，通往物理 AI 的關鍵并不只是采集更多數據，而是理解機器人究竟需要什么數據，以及如何讓數據、模型和真實世界的反饋形成閉環。

賣具身數據能賺錢嗎？

能，但不能只靠 “賣數據”。

具身智能正在經歷一場數據競賽。真機遙操、無本體采集、第一視角視頻、動作捕捉、觸覺手套、仿真合成、互聯網視頻蒸餾…… 越來越多團隊進入這個領域，地方數采工廠快速鋪開，資本也開始下注。

表面上看，這像是又一個 “數據標注” 行業：誰能招到更多采集員、部署更多設備、生產更多小時的數據，誰就能賺錢。

但真正做過具身模型訓練的人會知道，事情沒有這么簡單。

機器人不缺視頻，缺的是能讓模型能力發生變化的數據

機器人也不缺 “時長”，缺的是與真實任務、本體能力和部署反饋對齊的數據結構

因此，具身數據確實可以成為一門生意，但低價值的數據生意會迅速走向人力密集、價格競爭和項目制交付；高價值的數據生意，則必須進入模型研發鏈路，成為 “數據 — 訓練 — 評測 — 部署” 閉環的一部分。

這決定了：未來真正有價值的，不是采了多少數據，而是誰最清楚機器人到底需要什么數據。

一、具身數據為什么會突然變得重要？

在過去幾年中，具身智能的一個核心變化，是數據采集從實驗室能力變成了產業能力。

以同構遙操、VR 遙操為代表的技術，使人可以操控真實機器人完成任務，并同步記錄視覺、軌跡、狀態、觸覺和力的交互信息。這使得大規模真機示范成為可能。

但真機數據有明顯上限。

每采一條數據，都需要機器人本體、操作員、場地、任務物體和設備維護。一個采集員并不是八小時都在產出：布置場景、重置物體、排查設備、處理異常、執行質檢，都會消耗大量時間。最后真正能進入訓練集的數據，通常只是總采集時長的一 “小” 部分

這也是無本體采集快速興起的原因。

人類通過頭戴設備、相機、夾爪映射、動捕手套或外骨骼完成真實任務，機器人不必在場。采集可以進入家庭、商店、辦公室甚至戶外，成本更低，場景覆蓋更廣。

與此同時，仿真數據仍然不可或缺。它適合生成大規模、可控、可重復的訓練和測試樣本，尤其適合補足邊界情況和危險情況。

未來的具身數據不會由某一種路線壟斷。更合理的結構是一座數據金字塔：

• 底層是低成本、大規模、多場景的人類行為數據；
• 中層是帶有空間、姿態、語義和力與觸覺等交互信息的多模態數據；
• 頂層是和特定機器人本體緊密對齊的真機數據、失敗恢復數據和強化學習數據。

不同層的數據解決不同問題。真正的難題不在于選擇哪一種，而在于如何把它們連接到同一套模型訓練和評測體系中

二、機器人真正需要的，不是泛泛的 “Ego 數據”

今年，Ego 數據幾乎成了具身智能行業的高頻詞。

但 “Ego” 只是一個寬泛的標簽。

手機拍攝的第一視角視頻可以叫 Ego；雙目相機采集的第一視角視頻可以叫 Ego；帶有人體姿態、手部軌跡、深度、相機位姿和觸覺信息的數據，也可以叫 Ego。

它們看起來屬于同一品類，實際訓練價值卻可能相差很大。

對于數據服務商來說，數據需要標準化、快速可交付；對于人形機器人公司來說，數據必須能改善真實機器人的操作和移動能力；對于通用大腦或世界模型團隊來說，數據要有足夠規模、足夠場景覆蓋，并能夠進入既有標注和訓練管線。

更具體地，同樣是一段 “人在廚房拿杯子” 的視頻，不同團隊要的東西可能完全不同：

• 有的只需要原始視頻，訓練視覺表征；
• 有的需要雙手、全身姿態和相機運動，用于動作學習；
• 有的希望看到自然走動和長程交互；
• 有的只做雙臂桌面操作，反而希望畫面穩定、人體盡量不移動；
• 有的需要任務語義，例如 “拿杯子是為了倒水、清洗還是擺放”。

因此，數據交易中最危險的事情，是用一個寬泛的名詞掩蓋真正的技術差異。

數據不是 “Ego” 或 “非 Ego” 這么簡單。數據的價值取決于它是否回答了四個問題：

1. 模型要學習什么能力？

2. 數據包含哪些對這項能力必要的模態？

3. 數據的 “質” 和 “量” 是否足夠支持訓練？

4. 數據能否與真實機器人部署結果建立反饋？

如果這四個問題回答不清楚，再大的數據量也可能只是庫存，而不是資產。

三、為什么大量數據可能沒有價值？

具身數據行業最容易陷入的誤區，是把 “采集規模” 直接等同于 “模型價值”。

時長當然重要，但時長不是唯一指標，甚至很多時候不是最關鍵指標。

第一，過度 SOP 化的數據，未必能帶來泛化

在固定任務中，SOP 極其重要。

例如疊衣服、開瓶蓋、擺放餐具，采集員按照統一路徑操作，可以降低動作分布的復雜度，幫助模型快速學習一個穩定策略。

但 SOP 也可能帶來副作用：模型學會的是一條標準路徑，而不是解決問題的能力。

真實世界里，物體會滑動，目標會遮擋，抓取會失敗，環境會變化。機器人真正需要學習的，不只是 “如何一次成功”，還包括 “失敗后如何恢復”。

因此，高價值數據不應只包含成功示范，還應包含：

• 執行失敗后的補救和挑戰；
• 執行路徑被打斷后的重新規劃或者繼續執行
• 多種可能且合理策略之間的選擇

這些看起來 “不完美” 的過程，反而可能是泛化能力最重要的來源。

第二，采得多不等于場景覆蓋廣

讓工人在工廠里佩戴設備采集數據，聽上去很有吸引力：穩定、低成本、時長可觀。

但工廠通常是高度標準化的環境。相同工位、相同動作、相同物體和相同流程，會造成大量重復樣本。對于訓練某個具體工業任務，這些數據很有價值；但對于追求通用能力的機器人而言，它們未必能帶來足夠多的新信息。

家庭數據也是一樣。家庭場景看似多樣，但如果采集者只是為了完成時長，反復在同一個茶幾前搬動物體、重復低價值操作，數據同樣會失去意義。

數據豐富度至少應包含：

• 物體種類；
• 場景布局；
• 任務目標；
• 動作策略；
• 交互方式；
• 失敗與恢復；
• 長尾情況；
• 與真實部署任務的相關性。

真正應該優化的不是 “采集了多少小時”，而是 “每增加一小時數據，模型獲得了多少新能力”。

第三，缺少語義的數據，容易讓模型只學會表面動作

拿起一雙筷子，可能是為了吃飯、清洗、收納或遞給他人。

從視覺上看，這些動作很相似；從任務邏輯上看，它們完全不同。

如果數據只記錄 “手抓住了筷子”，模型可能學到的是局部視覺 — 動作關聯，而不是意圖、對象功能和下一步規劃。

因此，語義標注不應被視為附加服務，而應被看作數據結構的一部分。目標和意圖、操作對象、接觸狀態、動作時序和階段、左右手分工、后續交互對象等信息，會顯著影響模型是否能從 “模仿動作” 走向 “理解任務”。

超維動力 Kai Ego 數據集包含豐富的語義標注（操作對象、左右手分工、精細時間切分、原子動作、詳細動作描述）+ 全身姿態 + 三維環境點云

四、具身數據最難的部分，不是采集，而是管理和判斷

很多人把具身數據理解為設備生意或人力生意。

實際上，最難的是管理。

采集員希望完成時長、盡快結算；數據平臺希望獲得高質量樣本；算法團隊希望數據能解決特定問題；客戶則希望交付穩定、價格可控。這些目標并不天然一致。

如果平臺只按照時長激勵，采集員就會自然選擇最輕松、最穩定、最容易重復的動作。于是，數據量上去了，數據價值卻沒有同步增長。

解決這個問題，需要的不只是更嚴格的人工質檢，還包括：

• 面向模型目標的任務設計；
• 合理的采集激勵機制；
• 自動化的數據異常檢測；
• 對重復性和場景分布的實時監控；
• 快速反饋給采集端的能力；
• 既懂運營、也理解算法需求的團隊。

這也是為什么具身數據不是簡單的勞務外包。

如果只賣采集時長，業務當然可以成立，但很難形成強壁壘；如果能理解什么樣的錯誤值得保留、什么樣的噪聲必須剔除、什么樣的樣本最能改善模型，那么數據系統就開始具有算法屬性。

五、數據會成為壁壘嗎？

取決于你站在數據價值鏈的哪一層。

第一層：賣采集時長

這是最直接的模式：提供采集員、設備、場地和項目管理，按小時、按任務或按條數收費。

它有真實需求，也能產生收入，但本質上是重運營生意。隨著設備標準化、采集流程成熟和競爭者增多，價格戰幾乎不可避免。

第二層：賣處理后的數據資產

比起原始視頻，經過清洗、時序對齊、三維重建、姿態估計、語義標注和質量篩選的數據，價值更高。

這一層需要數據算法、平臺工程和質量標準，具備一定技術壁壘。但如果數據結構、標注規范和處理流程最終趨同，競爭仍可能回到規模和成本。

第三層：賣模型能力提升

這是價值最高、也最難建立的一層。

在這一層，客戶買的不是十萬小時視頻，也不是一百萬條標注，而是某種能力的提升：更穩定的抓取、更強的失敗恢復、更好的跨場景泛化、更可靠的全身協同。

要做到這一點，數據方必須進入模型研發流程：

• 理解訓練目標；
• 根據模型短板定義采集任務；
• 設計數據配比；
• 跟蹤訓練結果；
• 參與評測；
• 將部署失敗重新轉化為數據需求。

當數據能對模型效果負責，它就不再是原材料，而是研發基礎設施。

六、真正的機會：建立數據 — 大模型閉環

具身智能與語言模型最大的不同，是它無法只靠互聯網現成語料完成訓練。

機器人面對的是現實世界。它需要與物體、空間、人、身體和環境 “親密” 互動。數據、大腦、本體和場景之間高度耦合，任何一環都無法完全獨立存在。

這也意味著，具身數據最大的價值不在于 “擁有數據”，而在于 “擁有反饋”。

一個真正有效的閉環應該是這樣的：

1. 機器人在真實任務中失敗；

2. 團隊判斷失敗來自感知、動作、規劃還是本體限制；

3. 根據問題定義需要補充的數據；

4. 通過真機、無本體、仿真或生成式方法獲取數據；

5. 數據進入訓練和評測；

6. 新模型重新部署；

7. 用新一輪失敗繼續驅動下一輪數據生產。

在這個過程中，數據是模型進化的燃料，也是診斷模型問題的工具。

誰能持續運行這個閉環，誰就掌握了真正的行業 know-how：不是 “怎樣采更多數據”，而是 “怎樣用最少的新增數據，換取最大的模型能力提升”。

超維動力 Embodied AI Infra 平臺打通從數據采集、任務訓練、部署評測乃至數據檢索的全閉環流程

結語：賣數據可以賺錢，但最高價值不是賣數據

具身數據當然能賺錢。

真實場景難得，高質量多模態數據稀缺，機器人公司和大模型公司都愿意為可靠供給、穩定交付和定制化能力付費。未來幾年，采集、清洗、標注、重建和數據平臺都會是重要的生意。

但如果只是賣原始視頻、賣人工時長、賣標準化標注，這門生意大概率會越來越像基礎勞務：規模重要，成本更重要，利潤卻未必高。

真正有價值的公司，不是數據最多的公司，而是最懂模型、最懂數據需求的系統型公司。

它知道：

• 什么數據是模型真正缺的；
• 什么模態和精度值得投入；
• 什么樣的失敗樣本最有訓練價值；
• 什么數據該采、什么數據不該采；
• 如何把模型評測和真實部署反饋帶回數據生產。

所以，對 “賣具身數據能賺錢嗎” 的更準確回答是：

數據本身能賺錢，但只賣數據，很難成為長期高價值生意。

真正的壁壘，是把數據采集、數據理解、模型訓練、能力評測和真實部署連接成閉環。到那時，賣的就不再是一批視頻或一組標注，而是一種讓機器人持續變聰明的能力:

具身數據飛輪 = 真場景 + 多模態 + 數模訓評一體 + 真機反饋 + 定向數據再生產