做了几十年家务后，50多岁的全职妈妈高波，第一次发现自己的动作也能卖钱。

她家住山东，平时要照顾十几岁的儿子，很难外出工作。现在，高波每天在做饭、洗衣和打扫卫生时，用手机拍下自己的动作。她告诉媒体，每天六个小时，收入能有120元。

这些第一视角视频经过处理后，将成为机器人学习家务的训练资料。

高波不是个例。在社交媒体上，类似的场景越来越多：在麦当劳里，女孩戴着采集设备清洁餐桌；在大排档中，厨师一边颠锅炒菜，一边记录手腕的角度和动作轨迹……

具身数据正在进入「众包」时代。过去，机器人数据主要由采集员在训练中心里遥控真机生产。如今，随着第一视角相机等无本体采集设备普及，数采的工位不再只有训练中心，所有人干活的地方，都可能成为机器人的课堂。

这轮众包热潮背后，是机器人行业巨大的数据缺口。机器人要在物理世界干活，就要先「补脑」，但现状是理解物理世界的数据严重缺乏。

围绕机器人的数据采集与训练，一条产业链迅速冒了出来，一级市场的热情也跟着涌了进来。

但热闹背后，账并不容易算。这条产业链上谁最先赚到钱？不断扩张的数据产能，又有多少能真正变成机器人的能力和客户订单？

01 全行业都争着给机器人「上课」

据Interact Analysis数据，截至2026年4月底，全国已经投用的数据采集与训练中心达到64个，连同在建和规划项目至少有90个，其中至少13个中心部署了上百台机器人。

在几千平方米的场地里，家居、商超、仓储和工厂被一比一还原。几十上百台机器人排着队「上课」，采集员戴着VR头显，操纵机械臂反复搬运箱子、整理货物和操作工具。

招聘网站上，具身智能数据采集员也开始成批出现，一些岗位不要求工作经验。

一家数据采集服务商，此前服务百度地图等互联网客户，今年年初新增一个20多人的团队，专做双目采集通用数据业务。据相关负责人透露，已有两家头部机器人厂商、一家养老地产主动来合作，「这个需求量还是比较大的，应该说我们赶上了风口。」

这轮热潮来自机器人行业发展重点的转移。随着本体、关节和全身运控不断进步，机器人已经可以跑步、跳舞和打拳，行业开始把更多精力转向模型和实际任务。

新的瓶颈也随之出现：机器人可以在训练场里反复完成一个动作，换个物体、调整一下摆放角度，或者进入光线和环境不同的房间，成功率可能迅速下降，即机器人的泛化能力较弱。

机器人行业因此尝试复制AI大模型的Scaling Law：在模型架构和训练方法相对稳定时，通过增加数据、参数和算力换取能力提升。

这条规律在机器人上仍处于验证阶段，但已经改变了行业对数据规模的预期。

据行业估算，目前全行业大约积累了50万小时高质量训练数据，而要达到智能涌现，1亿小时训练数据可能都不够。按这一量级计算，两者相差至少约200倍。

需求增加以后，行业还需要解决数据从哪里来的问题。传统真机采集很难填上这个缺口。有从业者透露，一名训练员通常只能遥控一台机器人，一台机器人往往需要两个人配合，一天只能完成几十次真机采集，因为机器人的「干活」速度远比人类要慢。

2026年集中升温的无本体采集，降低了扩张数据产能的门槛。

这条路线早在2024年前后出现，今年开始从论文和原型机走向成套产品。例如戴在人头上的EGO设备（注：第一人称视角数据设备）记录身体动作，拿在手里的UMI（注：通用操作接口）记录手部移动、旋转和开合；腕部相机和触觉设备则补充近距离画面与接触信息。

技术打开供给，政策进一步放大建设需求。2026年6月，工信部与国务院国资委启动实景实训专项行动，要求十个省市分别遴选不少于20个重点场景，计划年底形成100个以上高价值应用场景，带动万台级规模落地能力。

多股力量叠在一起，数采行业迅速挤满了不同来路的公司。

奥比中光、途见科技一类的硬件公司最像「卖铲人」。奥比中光从3D视觉出发，将3D相机、标定和规模制造能力延伸到EGO、UMI和腕部相机；途见则从柔性电子皮肤切入，用触觉手套记录视频难以提供的接触力和受力变化。

优必选、自变量等本体和模型公司则同时为了设备订单和训练数据进入数采环节。地方建设数采中心时，往往会打包采购机器人、遥操作设备和训练系统。优必选中标的惠州和呼和浩特两个项目，金额合计超过1.3亿元。自变量同时研发模型、本体和数采工具，可以根据模型表现决定下一轮采什么数据，缩短采集、训练和测试的循环。

智元孵化的觅蜂科技试图把原本服务于自家机器人的数据能力变成独立平台，对外承接采集、治理、训练和评测，做整条数据生产链的组织者。

京东和仙工智能的优势则是现成的场景。京东拥有物流、零售场景和人员组织能力，可以把采集伸进仓库、商场、工厂和普通家庭；仙工智能已经有大量机器人在仓库和工厂运行，希望让这些设备边工作边产生数据。公司披露，其机器人大脑装机量超过5万台，累计积累超过50万小时多形态真机数据。

全行业都在加速给机器人「印教材」，但「教材」多不等于学生能学会。

02 机器人需要什么样的「教材」？

今年6月，机器人公司XDOF分享了一次实验。

团队准备教机器人叠T恤，使用普通模仿学习方法训练后，机器人测试20次成功20次。后来，团队继续加入更多已经完成任务的示范，本以为数据增加会让模型表现更好，成功率却先降到2次，最后变成20次全部失败。

问题在那些看起来合格的视频里，衣服最后确实叠好了，过程中却夹杂着停顿、犹豫、重新抓取和无效调整。人类看一遍，觉得这只是正常操作；机器人却会把整段过程照单全收，连犹豫也当成标准答案学了进去。

这和国内从业者的体感接近。一位业内人士告诉《降噪NoNoise》，今年开始，数据采集需求迅速扩大，但很多数据收回来以后才发现没什么用。

行业真正稀缺的，逐渐变成判断机器人应该从中学什么的能力。

一条人类动作想要变成机器人能力，第一步是确定采什么。搬箱子追求稳定和节拍，拧螺丝要求精度与力控，叠衣服还要处理形变、遮挡和多步骤操作。任务定义不同，摄像头、动作轨迹、触觉和关节状态的采集要求也会跟着变化。

这些内容在「产能表」上都可以折算成小时，进入模型以后却承担着完全不同的作用。

采集完成后，数据先过第一道验收：任务有没有完成，画面是否被遮挡，传感器有没有掉线，图像和控制指令能否同步，有没有拍到人脸、手机屏幕或者商业秘密。

有数据服务商称，目前他们能做到三四条采集数据中至少一条有效，这在行业已经算比较高效。

经过清洗和标注，数据还要面对更加麻烦的一关：同一批数据到了不同公司手里，验收结果可能完全不同。

具身数据与机器人身体和模型架构绑得很深。六轴机械臂与七轴机械臂的自由度不同，两指夹爪与五指灵巧手的动作空间不同，摄像头位置、传感器配置、坐标系和控制频率也各不相同。同一条轨迹在一家公司可以直接训练，换一款机器人或模型，可能需要重新映射，甚至完全无法使用。

所以，具身数据至少存在三层有效标准。

第一层是采集有效，确认任务完成、文件可用；第二层是数据集有效，确认数据经过清洗、标注和对齐，能够进入客户的训练管线；第三层才是模型有效，加入这批数据以后，机器人的成功率、泛化能力和失败恢复是否真的得到提高。

眼下这三层「有效」容易被混淆。供应商交付1000小时有效数据，可能只是完成了前两层；客户期待的却是机器人能力随之增长。

这也决定了具身数据暂时很难像普通商品一样交易。客户很难只下单购买1000小时数据，更常见的需求是：某款机器人执行特定任务的成功率只有60%，供应商需要判断缺少哪些场景和动作，再设计采集、清洗、训练和补采方案。

有效因此很难成为数据自身的固定属性，它取决于数据能否与某个模型、某副身体和某项任务匹配。

宇树创始人王兴兴曾指出：对机器人来说，每进行一次输入和输出，都可能产生偏差和损失。这是目前机器人模型泛化能力和任务成功率仍然不足的重要原因。

这意味着：从拍下一段动作到机器人真正学会，中间存在一条数据折损链。

产业链由此出现了一种错位：前面的成本已经付出，最后的训练效果仍然存在不确定性。机器人没有喂够多少小时就自动变聪明的公式。

当数据产量与能力增益无法直接换算，数采生意的难题也随之出现：供应商按照设备、人工和采集时长投入成本，客户却只愿意为模型效果付钱。中间的损耗由谁承担，便成了数采行业必须算清的一笔账。

03 数采行业的生存题

沿着产业链看，最先「到账」的还是铺设基础设施的钱。相机、手套、夹爪、遥操作系统和机器人本体可以按台、按套结算，训练场也可以按照面积、设备数量和工期验收。

一旦走到数据交易环节，不确定性陡增。

多名具身智能从业者向《降噪NoNoise》透露，一些地方愿意出钱购买机器人、建设训练场，但在项目谈判时会要求机器人公司回购数据。

中国信通院人工智能所联合发布的《具身智能训练场研究报告（2026年）》指出，训练场属于重资产投入，数据产品出售虽然最快形成收入，但仅依靠卖数据难以覆盖重资产投入，回本周期较长。

根据公开信息估算，一名专业遥操员工作8小时，平均只能产出2至3小时有效数据。国内真机数据的报价约为每小时500元至1000元，一些要求技术背景或驻场的数据采集员月薪则达到8千至1.5万元。

要求数据回购，相当于为高昂投入成本增加了一张「保单」。

但机器人本体厂商和模型公司也有苦楚——

Ego和双目设备成本一路下降，清洁、收纳和分拣等通用任务最容易扩产，也最容易出现重复。不同采集员在不同房间擦桌子，确实增加了时长；如果物体、动作和环境变化有限，对模型而言，新增能力可能并没有新增数据集看起来那么多。

美国人形机器人独角兽Figure，曾经尝试向外部供应商采购数据，后来发现这些数据很难同时满足自家模型对数据规模、多样性和质量的要求，于是转向自建数据采集系统——Index平台，通过众包采集方式，向全球普通用户征集日常做家务或工作视频。目前，Figure已经向创作者支付1500万美元。

真机数据也不好卖。它与目标任务和机器人身体结合得更紧，生产速度慢、成本高，能够购买的客户也更少。一名从业者告诉《降噪NoNoise》，模型公司到了采购环节，往往先选择成本更低的仿真数据。只有搬箱子、装配等任务接近实际交付，客户才会补充针对性的真机数据。

这些问题正在迫使行业改变扩产方式。行业需要降低的是，从每小时采集成本延伸到机器人学会一项能力所需的总成本。

一种做法是把昂贵的真机留到最需要它的地方。比如用无本体采集设备扩大人类示范规模，用仿真批量制造环境变化和失败情况，然后由真机数据集中完成任务适配与最后校准。英伟达曾用少量人类演示生成78万条合成轨迹，相当于6500小时人工示范数据，整个生成过程只用了11小时。

另一种做法是降低不同客户之间反复适配的成本。行业正在尝试统一数据格式、标注规范和接口标准，降低不同来源数据的汇集、转换和使用成本。2025年底，浙江检测中心通过规范数据格式和接口，将全国11个点位采集的成千上万条数据汇入同一平台，实现真实、仿真和测试数据的兼容。

这些尝试无法消除机器人的身体差异，却可以先统一数据怎样记录、怎样读取，减少服务商从头定义格式的工作，也让客户更容易判断一批数据能否进入自己的训练管线。

国内的标准建设也已经启动。2026年3月以来，多项具身智能数据与训练规范陆续发布或立项。

如果从行业视角来看，数据采集行业作为机器人「补脑」的数据基础设施部分，正处于爆发前夕。未来一旦基础模型的技术方向出现收敛，行业对于数据标准形成共识，高质量数据的价值有可能被重新定价。