界面新闻记者 | 徐美慧
界面新闻编辑 | 文姝琪
机器人的下一场竞争，越来越绕不开数据。
中国信通院人工智能研究所等今年8月发布的《具身智能训练场研究报告（2026年）》显示，截至2026年6月底，国内已建成启用超70家具身智能训练场，另有46家在建或规划。训练场越建越多，但一个基础问题仍没有解决：什么样的数据真正有用，又怎么把规模做起来？
近日，由智元机器人孵化的觅蜂科技宣布其第2万套MEgo无本体数据采集设备正式下线，并称累计生产超过100万小时无本体数据。
从真实物理交互数据的采集方式看，目前常见的是真机和无本体两类。真机数据通过遥操作或机器人自主运行采集，直接对应机器人关节、动作等信息，但成本和产能受本体数量限制。无本体数据主要由人佩戴第一视角、腕部等设备采集，不绑定某一款机器人，更容易覆盖不同场景，但后续还要经过空间重建、动作映射和数据治理。
觅蜂科技董事长兼CEO姚卯青在接受包括界面新闻在内的媒体采访时表示，无本体和真机不是相互替代的关系，前者更多用在预训练阶段学习通用表征，后者负责后训练，任何一个任务要真正落地，都绕不开对应本体的真机数据。
庞大的数据缺口，是各地训练场密集落地的直接原因。上述报告测算，具身基础模型要达到类似“ChatGPT时刻”，至少需要千万小时级真实数据，而当前全球可用的高质量真实数据仅为数十万至百万小时级。
IDC发布的《中国人工智能基础数据服务市场研究报告，2025》显示，2025年中国AI基础数据服务市场规模为62.62亿元，同比增长27.8%，预计2026年增至78.34亿元。其观察到的另一个变化是，数据需求正在从单纯的大规模采集转向任务数据，客户也从传统AI企业扩展至自动驾驶、具身智能等领域。
谁在买这些数据，也比之前变得更清晰了一些。
姚卯青称，目前需求方主要包括大模型公司和机器人公司。前者希望利用人的操作数据训练多模态认知、决策和世界模型；后者则更多关注动作轨迹、任务拆解以及向机器人关节动作的映射，相关数据可以用于模型预训练，并在后续与真机数据结合。
觅蜂当天将第2万套MEgo设备现场交付给京东，并宣布与腾讯Robotics X实验室开展无本体数据业务合作。京东科技集团副总裁何贺现场表示，京东同时是数据的采购方、采集方和场景方，京东此前提出的目标是两年采购1000万小时数据。
与2万套设备一起披露的，是100万小时无本体数据。据觅蜂披露，这批数据全部来自开放环境中的真实采集，覆盖22大类场景、1万余个真实环境、5万余类物体及500余种细分任务，涵盖居住、办公、零售、生产、仓储、餐饮、文娱休闲、交通出行等八大场景，延伸至公共服务、物流、医疗、教育、养老、文旅、汽车服务、农业生产等长尾场景。
觅蜂称，目前，其百万小时级无本体数据已开始服务腾讯Robotics X实验室、蚂蚁灵波等客户。
真正拉开差距的，是这些数据交到客户手里后能不能用。
姚卯青提到，今年上半年行业还在快速试错，到下半年，头部客户的需求开始收敛，60FPS、1080P、双目、深度等逐渐成为常见要求，对时间同步、空间标定精度、设备重量和稳定性的要求也明显提高。
他说，年初拿手机、运动相机采一采都能卖，这类需求现在还有，但会随着专业化产品的出现逐步下降。
虽然标准在收敛，但还远谈不上统一。中国科学院科技战略咨询研究院曾发文表示，具身智能高质量数据集建设目前仍面临技术路线不统一、建设主体分散、共享机制不畅等问题，不同企业和科研机构在数据格式、语义标注、机器人传感器配置和控制模态上存在差异，数据难以跨主体、跨场景复用。
因此，小时数只是第一道门槛。姚卯青提到，重复做同一种任务，即使很快堆到100万小时，也可能没有太大训练价值，如果数据翻开全是家居、叠衣服等重复场景，同样难满足头部客户。客户还会看场景覆盖、动作是否自然、手部位姿精度，以及数据最终有没有通过验收。
数采工厂的效率差异同样很大，有的人员工作8小时能产出4个小时的有效数据，有的只能产出1小时有效数据，管理、培训和设备稳定性都会直接影响产能。据其透露，行业目前较常见的结算方式也是按有效小时，而不是人员实际工作时间结算。
这让数采越来越像一门运营生意，而不只是卖硬件。
另一个变化是，数据采集开始走出专业数采工厂。姚卯青称，目前已经有社区退休人员、宝妈等在参与数据采集，公司通常与同时具有人力和场景资源的合作方一起运营。
在姚卯青看来，如果数据量要从百万小时走到亿小时，仅靠数采工厂线性复制并不现实，众包可能是必须跨过的一步。
他设想，数据采集会从集中式走向半集中式，最终出现类似骑手、网约车司机的灵活就业模式，让不同行业的人把技能、时间和经验变成可以量化结算的数据。
类似的众包尝试也已经在海外出现。8月25日，Figure推出Index，用户可以自行上传第一视角操作视频，也可以预约Creator到家庭或企业场景完成任务。Figure称，过去4个月已有超过26万次应用下载，并计划未来12个月在数据和算力上投入超过10亿美元。
姚卯青评价表示，从Figure目前公开的介绍看，Index展示的内容仍有较多家务类场景，觅蜂则希望把众包覆盖到更多行业。
不过，这条路径的难点也很明显。众包意味着采集人员更多、场景更分散，设备如何流转、人员如何培训、进入真实家庭和商业场所如何获得授权，都会提高质量管理和合规成本。
这些数据怎么卖，行业也还在摸索。
姚卯青称，目前具身数据没有标准定价，价格会随着场景稀缺程度、进入难度和交付周期变化。行业常见的交易方式，一种是出售使用权，产权仍由数据公司持有，买方不能二次商业化；另一种是独享买断，产权转移给客户，数据提供方需要删除自身服务器上的对应数据。数据不同于实体商品，如何确认使用范围、避免未经授权的二次流通，也是数据交易需要解决的问题。
对于行业格局的未来，姚卯青的判断是，具身数据最终会走向寡头分布。
他的理由首先是投入门槛。按其说法，这个行业目前是重投入，几万套设备需要亿元级投入，能够存储数百PB乃至上千PB数据的数据中心同样需要较大的资金投入，同时还考验工程和运营能力。
此外，姚卯青还提到一个眼下无解的问题，同一家模型公司混用多家来源的第一视角数据往往训不出效果，短期解法只能是集中选一到两家供应商。
热门跟贴