作者：张展鹏（Kinetix AI 数据创新官）
作为一家同时布局具身大脑、机器人本体与数据平台基础设施的具身智能创业团队，超维动力 KAI 的路径是先从真实机器人和具体任务出发。
公司成立初期，我们主要依靠真机数据进行后训练，解决单一场景下的操作问题。结合基于世界模型的强化学习方法，我们将机械臂在柔性物体操作、精细操作等任务上的成功率提升到新的水平。
但从单任务走向通用物理 AI，挑战很快发生了变化。模型不再只需要在一个固定场景里完成一次标准操作，而需要面对更多物体、更多环境、更多任务，以及不可避免的失败、扰动和变化（KAI EgoData页面：https://www.kinetixai.tech/zh/KaiEgo）。要获得这种泛化能力，仅依赖昂贵且受限于机器人本体数量的真机数据并不够。我们开始探索和建设低成本、高质量的无本体数据基础设施，希望以更广泛、更自然的真实人类行为数据，补足多场景、多任务训练所需要的覆盖。
最初，这套数据基建只服务于内部算法团队。但在我们发布相关数据和能力后，越来越多行业伙伴带着明确需求找上门：有人需要大规模原始第一视角数据，有人需要人体姿态、三维重建或更精细的语义标注，也有人关心如何让数据真正转化为机器人的部署能力。
于是，数据逐渐成为我们的一项 “副业”，也成为理解行业的重要窗口。以半个乙方的身份，我们与超过 30 家需求方进行了深入交流。在过去的一季度，我们交付了数万小时高质量结构化数据。
在这个过程中，我们看到了具身数据行业的热闹：设备、工厂、平台、仿真、标注和数据集都在快速涌现；也更深刻地意识到，通往物理 AI 的关键并不只是采集更多数据，而是理解机器人究竟需要什么数据，以及如何让数据、模型和真实世界的反馈形成闭环。
卖具身数据能赚钱吗？
能，但不能只靠 “卖数据”。
具身智能正在经历一场数据竞赛。真机遥操、无本体采集、第一视角视频、动作捕捉、触觉手套、仿真合成、互联网视频蒸馏…… 越来越多团队进入这个领域，地方数采工厂快速铺开，资本也开始下注。
表面上看，这像是又一个 “数据标注” 行业：谁能招到更多采集员、部署更多设备、生产更多小时的数据，谁就能赚钱。
但真正做过具身模型训练的人会知道，事情没有这么简单。
机器人不缺视频，缺的是能让模型能力发生变化的数据
机器人也不缺 “时长”，缺的是与真实任务、本体能力和部署反馈对齐的数据结构
因此，具身数据确实可以成为一门生意，但低价值的数据生意会迅速走向人力密集、价格竞争和项目制交付；高价值的数据生意，则必须进入模型研发链路，成为 “数据 — 训练 — 评测 — 部署” 闭环的一部分。
这决定了：未来真正有价值的，不是采了多少数据，而是谁最清楚机器人到底需要什么数据。
一、具身数据为什么会突然变得重要？
在过去几年中，具身智能的一个核心变化，是数据采集从实验室能力变成了产业能力。
以同构遥操、VR 遥操为代表的技术，使人可以操控真实机器人完成任务，并同步记录视觉、轨迹、状态、触觉和力的交互信息。这使得大规模真机示范成为可能。
但真机数据有明显上限。
每采一条数据，都需要机器人本体、操作员、场地、任务物体和设备维护。一个采集员并不是八小时都在产出：布置场景、重置物体、排查设备、处理异常、执行质检，都会消耗大量时间。最后真正能进入训练集的数据，通常只是总采集时长的一 “小” 部分
这也是无本体采集快速兴起的原因。
人类通过头戴设备、相机、夹爪映射、动捕手套或外骨骼完成真实任务，机器人不必在场。采集可以进入家庭、商店、办公室甚至户外，成本更低，场景覆盖更广。
与此同时，仿真数据仍然不可或缺。它适合生成大规模、可控、可重复的训练和测试样本，尤其适合补足边界情况和危险情况。
未来的具身数据不会由某一种路线垄断。更合理的结构是一座数据金字塔：
- 底层是低成本、大规模、多场景的人类行为数据；
- 中层是带有空间、姿态、语义和力与触觉等交互信息的多模态数据；
- 顶层是和特定机器人本体紧密对齐的真机数据、失败恢复数据和强化学习数据。
不同层的数据解决不同问题。真正的难题不在于选择哪一种，而在于如何把它们连接到同一套模型训练和评测体系中
二、机器人真正需要的，不是泛泛的 “Ego 数据”
今年，Ego 数据几乎成了具身智能行业的高频词。
但 “Ego” 只是一个宽泛的标签。
手机拍摄的第一视角视频可以叫 Ego；双目相机采集的第一视角视频可以叫 Ego；带有人体姿态、手部轨迹、深度、相机位姿和触觉信息的数据，也可以叫 Ego。
它们看起来属于同一品类，实际训练价值却可能相差很大。
对于数据服务商来说，数据需要标准化、快速可交付；对于人形机器人公司来说，数据必须能改善真实机器人的操作和移动能力；对于通用大脑或世界模型团队来说，数据要有足够规模、足够场景覆盖，并能够进入既有标注和训练管线。
更具体地，同样是一段 “人在厨房拿杯子” 的视频，不同团队要的东西可能完全不同：
- 有的只需要原始视频，训练视觉表征；
- 有的需要双手、全身姿态和相机运动，用于动作学习；
- 有的希望看到自然走动和长程交互；
- 有的只做双臂桌面操作，反而希望画面稳定、人体尽量不移动；
- 有的需要任务语义，例如 “拿杯子是为了倒水、清洗还是摆放”。
因此，数据交易中最危险的事情，是用一个宽泛的名词掩盖真正的技术差异。
数据不是 “Ego” 或 “非 Ego” 这么简单。数据的价值取决于它是否回答了四个问题：
1. 模型要学习什么能力？
2. 数据包含哪些对这项能力必要的模态？
3. 数据的 “质” 和 “量” 是否足够支持训练？
4. 数据能否与真实机器人部署结果建立反馈？
如果这四个问题回答不清楚，再大的数据量也可能只是库存，而不是资产。
三、为什么大量数据可能没有价值？
具身数据行业最容易陷入的误区，是把 “采集规模” 直接等同于 “模型价值”。
时长当然重要，但时长不是唯一指标，甚至很多时候不是最关键指标。
第一，过度 SOP 化的数据，未必能带来泛化
在固定任务中，SOP 极其重要。
例如叠衣服、开瓶盖、摆放餐具，采集员按照统一路径操作，可以降低动作分布的复杂度，帮助模型快速学习一个稳定策略。
但 SOP 也可能带来副作用：模型学会的是一条标准路径，而不是解决问题的能力。
真实世界里，物体会滑动，目标会遮挡，抓取会失败，环境会变化。机器人真正需要学习的，不只是 “如何一次成功”，还包括 “失败后如何恢复”。
因此，高价值数据不应只包含成功示范，还应包含：
- 执行失败后的补救和挑战；
- 执行路径被打断后的重新规划或者继续执行
- 多种可能且合理策略之间的选择
这些看起来 “不完美” 的过程，反而可能是泛化能力最重要的来源。
第二，采得多不等于场景覆盖广
让工人在工厂里佩戴设备采集数据，听上去很有吸引力：稳定、低成本、时长可观。
但工厂通常是高度标准化的环境。相同工位、相同动作、相同物体和相同流程，会造成大量重复样本。对于训练某个具体工业任务，这些数据很有价值；但对于追求通用能力的机器人而言，它们未必能带来足够多的新信息。
家庭数据也是一样。家庭场景看似多样，但如果采集者只是为了完成时长，反复在同一个茶几前搬动物体、重复低价值操作，数据同样会失去意义。
数据丰富度至少应包含：
- 物体种类；
- 场景布局；
- 任务目标；
- 动作策略；
- 交互方式；
- 失败与恢复；
- 长尾情况；
- 与真实部署任务的相关性。
真正应该优化的不是 “采集了多少小时”，而是 “每增加一小时数据，模型获得了多少新能力”。
第三，缺少语义的数据，容易让模型只学会表面动作
拿起一双筷子，可能是为了吃饭、清洗、收纳或递给他人。
从视觉上看，这些动作很相似；从任务逻辑上看，它们完全不同。
如果数据只记录 “手抓住了筷子”，模型可能学到的是局部视觉 — 动作关联，而不是意图、对象功能和下一步规划。
因此，语义标注不应被视为附加服务，而应被看作数据结构的一部分。目标和意图、操作对象、接触状态、动作时序和阶段、左右手分工、后续交互对象等信息，会显著影响模型是否能从 “模仿动作” 走向 “理解任务”。
超维动力 Kai Ego 数据集包含丰富的语义标注（操作对象、左右手分工、精细时间切分、原子动作、详细动作描述）+ 全身姿态 + 三维环境点云
四、具身数据最难的部分，不是采集，而是管理和判断
很多人把具身数据理解为设备生意或人力生意。
实际上，最难的是管理。
采集员希望完成时长、尽快结算；数据平台希望获得高质量样本；算法团队希望数据能解决特定问题；客户则希望交付稳定、价格可控。这些目标并不天然一致。
如果平台只按照时长激励，采集员就会自然选择最轻松、最稳定、最容易重复的动作。于是，数据量上去了，数据价值却没有同步增长。
解决这个问题，需要的不只是更严格的人工质检，还包括：
- 面向模型目标的任务设计；
- 合理的采集激励机制；
- 自动化的数据异常检测；
- 对重复性和场景分布的实时监控；
- 快速反馈给采集端的能力；
- 既懂运营、也理解算法需求的团队。
这也是为什么具身数据不是简单的劳务外包。
如果只卖采集时长，业务当然可以成立，但很难形成强壁垒；如果能理解什么样的错误值得保留、什么样的噪声必须剔除、什么样的样本最能改善模型，那么数据系统就开始具有算法属性。
五、数据会成为壁垒吗？
取决于你站在数据价值链的哪一层。
第一层：卖采集时长
这是最直接的模式：提供采集员、设备、场地和项目管理，按小时、按任务或按条数收费。
它有真实需求，也能产生收入，但本质上是重运营生意。随着设备标准化、采集流程成熟和竞争者增多，价格战几乎不可避免。
第二层：卖处理后的数据资产
比起原始视频，经过清洗、时序对齐、三维重建、姿态估计、语义标注和质量筛选的数据，价值更高。
这一层需要数据算法、平台工程和质量标准，具备一定技术壁垒。但如果数据结构、标注规范和处理流程最终趋同，竞争仍可能回到规模和成本。
第三层：卖模型能力提升
这是价值最高、也最难建立的一层。
在这一层，客户买的不是十万小时视频，也不是一百万条标注，而是某种能力的提升：更稳定的抓取、更强的失败恢复、更好的跨场景泛化、更可靠的全身协同。
要做到这一点，数据方必须进入模型研发流程：
- 理解训练目标；
- 根据模型短板定义采集任务；
- 设计数据配比；
- 跟踪训练结果；
- 参与评测；
- 将部署失败重新转化为数据需求。
当数据能对模型效果负责，它就不再是原材料，而是研发基础设施。
六、真正的机会：建立数据 — 大模型闭环
具身智能与语言模型最大的不同，是它无法只靠互联网现成语料完成训练。
机器人面对的是现实世界。它需要与物体、空间、人、身体和环境 “亲密” 互动。数据、大脑、本体和场景之间高度耦合，任何一环都无法完全独立存在。
这也意味着，具身数据最大的价值不在于 “拥有数据”，而在于 “拥有反馈”。
一个真正有效的闭环应该是这样的：
1. 机器人在真实任务中失败；
2. 团队判断失败来自感知、动作、规划还是本体限制；
3. 根据问题定义需要补充的数据；
4. 通过真机、无本体、仿真或生成式方法获取数据；
5. 数据进入训练和评测；
6. 新模型重新部署；
7. 用新一轮失败继续驱动下一轮数据生产。
在这个过程中，数据是模型进化的燃料，也是诊断模型问题的工具。
谁能持续运行这个闭环，谁就掌握了真正的行业 know-how：不是 “怎样采更多数据”，而是 “怎样用最少的新增数据，换取最大的模型能力提升”。
超维动力 Embodied AI Infra 平台打通从数据采集、任务训练、部署评测乃至数据检索的全闭环流程
结语：卖数据可以赚钱，但最高价值不是卖数据
具身数据当然能赚钱。
真实场景难得，高质量多模态数据稀缺，机器人公司和大模型公司都愿意为可靠供给、稳定交付和定制化能力付费。未来几年，采集、清洗、标注、重建和数据平台都会是重要的生意。
但如果只是卖原始视频、卖人工时长、卖标准化标注，这门生意大概率会越来越像基础劳务：规模重要，成本更重要，利润却未必高。
真正有价值的公司，不是数据最多的公司，而是最懂模型、最懂数据需求的系统型公司。
它知道：
- 什么数据是模型真正缺的；
- 什么模态和精度值得投入；
- 什么样的失败样本最有训练价值；
- 什么数据该采、什么数据不该采；
- 如何把模型评测和真实部署反馈带回数据生产。
所以，对 “卖具身数据能赚钱吗” 的更准确回答是：
数据本身能赚钱，但只卖数据，很难成为长期高价值生意。
真正的壁垒，是把数据采集、数据理解、模型训练、能力评测和真实部署连接成闭环。到那时，卖的就不再是一批视频或一组标注，而是一种让机器人持续变聪明的能力:
具身数据飞轮 = 真场景 + 多模态 + 数模训评一体 + 真机反馈 + 定向数据再生产
热门跟贴