給人形機器人當老師，撐起一個百億市場

「核心提示」人形機器人學會干活之前，先要有人教它。

作者 |高澤

編輯|邢昀

在機器人真正走進工廠和家庭之前，先要有人教會它們怎么“像人一樣干活”。

你可能在社交平臺刷到過這樣一段視頻，印度流水線上的工人們像平常一樣在分揀、裝配，或者縫紉、裁剪，但他們的頭頂與手腕處的攝像頭會記錄下每一次動作細節。這其實就是在為訓練人形機器人做數據采集。

在國內，類似的工作也開始下沉到兼職市場。“具身智能數據采集員”的招聘帖密集出現，“日結薪資、居家可做、無學歷要求”吸引了大量求職者。有人反復抓取水杯、整理衣物、搬動物品，成為機器人的“AI教練”。

這背后，是具身智能行業正在遭遇的數據饑渴。人形機器人要從演示視頻走向真實場景，不能只靠模型和硬件本體，還需要海量真實、干凈、可復用的動作數據。

無本體第一視角眾包、真機遙操作、仿真生成三類采集路線各自卡位，一場圍繞數據質量、成本和效率的競賽正在展開。

1、賽博流水線

人形機器人的本體和大腦都在進化，但越是在落地工廠、倉庫、家庭等階段，問題越具體：

讓機器人去拿一杯水，水杯放在1.2米高的餐桌中央，這是一個有把的寬口馬克杯，杯子旁邊還有一些雜物，機器人要判斷手該伸到哪里，用什么方式握住杯子。

這些能力不是憑空長出來的。它需要大量真實、連續、可標注的數據來訓練。

在“數據荒漠”逐漸成為行業共識后，具身智能數據采集這條上游賽道開始快速升溫。佐思汽研和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》顯示，2025年全球具身智能數據市場規模達到2.42億美元，同比增長181.4%；其中，中國市場規模達到5億元人民幣，同比增長203%，占全球市場約四成。

報告預計，2025-2030年全球市場復合年增長率（CAGR）可達85.0%，2030年總規模將攀升至52.5億美元。

在此背景下，各路玩家競相入場。既有第三方數據服務商切入，比如光輪智能聚焦仿真+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。也有人形本體企業選擇自建大型采集基地，智元機器人更是開放AGIBOT WORLD 2026數據集，覆蓋具身智能全域研究。互聯網巨頭京東也表示，要建設全球最大的具身智能數據采集中心。

無本體Ego（第一視角穿戴）采集是當下產業端熱度最高的路線，無需實體機器人本體，僅靠穿戴攝像頭錄制人類動作即可產出數據，也是入局門檻最低、參與者最多的賽道。

主打全球真實場景采集的Cervo團隊（河南納斯熊得網絡科技有限公司）是這條路線的玩家之一，其業務覆蓋中國、印度與南美三大區域。團隊合伙人Ray介紹，公司采集到的所有數據均落地在真實的便利店、工廠與家庭中。他認為，錄下來真實的操作習慣對機器人落地的適配性更強。

一套完整的采集流程從需求對接啟動：客戶明確場景類型、硬件規格、采集時長與地域要求，團隊對接線下合作場景，為一線操作人員做設備使用與動作規范培訓，現場錄制完成后通過存儲卡歸集至云端，再交由合作團隊完成清洗與標注。

硬件層面分為兩個梯隊，入門級采用GoPro運動相機或頭戴手機，成本低廉但視角受限，手部容易脫出畫面，有效數據率約93%到95%，需要嚴格培訓操作人員的頭部動作；高端方案采用六目全景采集設備，單臺成本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這類方案。

國內市場上，無本體采集已經下沉至大眾兼職市場。一位具身智能數據采集員對《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，反復做握拳、收納物品等標準化動作，“工作像賽博流水線，重復幾百上千次，手酸脖子痛，設備經常出故障，試崗沒通過還會被扣錢”。

同時，也有一些公司在自建數據采集團隊。安徽數點信息科技有限公司商務總監周興豪表示，公司標注+動作采集全職團隊合計100余人，人員年齡區間集中在20-26歲，本科占比45%，月薪在5000-7000元左右。招聘主要看重手部肢體協調性、耐心程度、主動學習意愿。

一位身處一線城市的數據采集員也表示，全職工作的薪資會高一些，日薪可達約250元。要求固定場景到崗，每日產出不少于3小時有效數據，超出部分核算績效，不足則要倒扣工資，由數采組長現場監督，員工雙人一組互相校驗。

海外的成本或許還要更低一些，Ray表示，在非洲、拉美等地，產線工人進行數據采集的收益僅為1.5美元/小時（折合人民幣約10元/小時）。

低門檻、低成本、可快速規模化是無本體路線的核心優勢，但短板同樣突出：數據質量參差不齊，無效樣本占比高，動作不規范、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”的定義主要掌握在客戶手中。

相較于產業端熱衷的“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采集路線，追求數據的精準度與可復現性。

一位曾在某高校AI實驗室擔任研究助理、目前任職一家具身智能初創公司的業內人士表示，真機遙操采集是通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的運動邏輯，沒有跨硬件的偏差，是模型微調階段的核心數據來源”。

但真機采集的門檻極高：單臺人形機器人本體造價數十萬元，對采集員的手眼協同能力有嚴格要求，還需要解決多傳感器時序對齊的核心難點，不同設備的幀率、延遲存在差異，毫秒級的時間錯位都會大幅降低數據價值。

上述業內人士團隊采用拉高采集幀率、定制硬件統一時間戳接口的方案解決這一問題，整套管線搭建需要軟硬件團隊配合，很難像無本體采集一樣快速批量擴張。

仿真采集則是另一種補充路線，在虛擬環境中批量生成動作樣本，省去硬件與場地成本。

但該業內人士坦言，仿真與真實世界存在難以逾越的SimtoReal（仿真到真實遷移）鴻溝，物體摩擦力、形變、光照都和現實存在偏差，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。

2、如何采到更好的數據？

在實際落地中，三種數據獲取路徑沒有絕對的優劣之分。不同團隊的路線選擇，本質上都是在成本、效率和數據質量之間尋找平衡。

無本體采集之所以能快速爆發，核心在于極致的輕資產模式。

Ray團隊中美兩地核心成員僅8人，不養全職采集員與標注員，核心團隊只負責客戶對接、場景資源匹配與項目統籌。設備可以租賃、人力按小時結算、場地依托現有實體資源，不需要投入重金采購機器人本體，幾萬元啟動資金就能切入賽道，這也是大量中小團隊涌入的核心原因。

但數據質量問題無法避免，最典型的就是“虛假關聯”。

周興豪舉了一個經典案例：采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。由于人形機器人大多沒有“吹氣”的功能，因此，訓練出的機器人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，但數據越臟一定越糟。”周興豪這樣總結。在他看來，低質量數據的負作用遠大于數據不足，“數據不足可以補采，數據污染要先清洗再返工，相當于走回頭路”。

行業早期的野蠻生長階段，大量中間商低價收購劣質數據，簡單包裝后轉賣，“垃圾數據”在行業內反復流通，進一步加劇了“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。

與之相對的真機路線，雖然質量可控，卻受限于高成本難以規模化。

一臺人形本體的采購成本動輒數十萬，還要配套場地、運維人員與標定設備，單條采集管線的投入是無本體方案的幾十倍。且不同品牌機器人的運動空間、硬件參數存在差異，跨本體的數據復用效率極低，更換硬件幾乎需要重新采集全套數據集，投入產出比遠低于無本體方案。

仿真路線則受限于技術成熟度，物理引擎的精度不足以支撐復雜交互任務，短期內無法成為數據供給的主力。

真正成熟的采集方案，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、頭部人形機器人廠商采用“二八配比”的組合策略：80%的低成本無本體數據用于模型預訓練，堆砌數據體量提升基礎泛化能力；20%的真機高精度數據用于場景微調，保證落地任務的成功率。

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則沒有這樣的條件，多數只能采購低價眾包數據支撐基礎研發。

高校與科研機構的處境同樣尷尬，學術界更多是學生自主搭建采集管線，規模小、缺乏標準化質檢，數據質量不穩定，但勝在經濟成本較低，且可以靈活定制細分任務，適配前沿算法研究。

在質量和規模之間，行業正在尋找折中方案，比如用更標準化的管理，把低成本數據的可用率拉高。

周興豪的團隊就經歷了從純眾包到駐場采集的轉型，在此基礎上，團隊還建立了三級質檢機制，同時為每條數據附上包含采集信息、質檢記錄的“數據身份證”，實現問題可追溯。

這套機制落地后，團隊數據可用率從行業普遍的30%到50%，提升到約80%。

這也說明，具身智能數據采集正在從早期的野蠻生長，轉向更精細的生產管理。

3、從賣數據到賣Skill

技術融合之外，具身智能數據采集賽道的商業模式也在升級。

單純售賣原始數據的賽道正在陷入低價內卷，頭部數據服務商已經開始探索向上游延伸，從“賣數據”轉向“賣技能”。

Ray的團隊就在規劃SkillasaService（技能即服務）的轉型路徑：依托積累的海量場景數據，基于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。

這套模式的核心邏輯是成本替代：歐美工廠人工成本約30美元每小時，而機械臂加定制技能模型的綜合運行成本可控制在13至15美元每小時，可以直接壓縮用工成本，服務商則按工時收取技能服務費，盈利空間遠高于單純賣數據。

“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，三位受訪者的判斷高度一致：行業暫未迎來決定性的“GPT時刻”，但可以肯定的是，靠演示視頻融資、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的機會。

落地節奏上，工業半結構化場景會率先實現商業化突破，這也是全行業的共識。

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周期可以精確測算，企業付費意愿強，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經接近落地閾值。

至于大眾期待的家用通用人形機器人，在大家看來仍有漫長的路要走。

家庭場景開放隨機、干擾因素無窮，需要的數據體量呈指數級增長，且硬件成本居高不下，消費者付費意愿弱，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。

從印度工廠的流水線工人，到國內的兼職采集員，“人海戰術”正在快速填補具身智能的數據缺口，而真機采集+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，但異構混合訓練已經架起了兩者互通的橋梁。

可以確定的是，野蠻生長的階段終會過去，建立統一采集標準、產出高質量可追溯數據，才是這條賽道的長期生存法則。當數據荒漠里挖出足夠多的深井，具身智能的商業化落地，才會真正迎來拐點。

（應受訪者要求，文中Ray為化名）