智元不只想卖机器人：觅蜂与一座正在扩张的数据工厂

【摘要】具身智能的竞争，正在从“硬件军备赛” 转向 “数据产能赛”，数据供给能力将成为下一条行业护城河。过去两年，人形机器人行业的核心战场集中在本体、灵巧手、关节参数的硬件比拼，但随着量产落地加速，真正的瓶颈已经从“造得出机器人” 转向 “教得会机器人”。真实物理世界的交互数据，正成为全行业最稀缺的资源。

智元旗下觅蜂科技近期高调推出一站式物理AI数据服务平台，提出计划2026年实现千万小时级数据产能、2030年冲击百亿小时级规模。

这不止是一家企业的业务扩张，更标志着行业竞争的底层范式正在切换。数字背后，隐藏了一套围绕机器人训练、数据供给与行业基础设施的新商业逻辑。如果说过去机器人公司的竞争集中在硬件参数，那么下一阶段，谁能以更低成本、更高效率持续生产现实世界数据，谁就能掌握下一阶段的竞争主动权。

以下是正文：

01

一座“觅蜂工厂”，为什么会成为机器人行业的新样本

如果说过去两年人形机器人的竞争是 “硬件军备赛”—— 比关节自由度、比负载、比运动速度，那么当下行业的瓶颈已经悄然转移：硬件参数的边际收益正在快速递减，数据供给能力，正在成为新的卡脖子环节。

2026年4月，智元旗下觅蜂科技发布一站式物理AI数据服务平台，两个数字吸引了全行业的注意：计划在2026年实现千万小时级数据产能，2030年实现百亿小时级数据产能。这一目标的逻辑并非基于当前模型训练的直接需求，而是建立在“数据驱动模型持续迭代、场景扩张将带来指数级需求增长”的长期预判之上。

按照百亿小时计算，即便单名采集员每年贡献2000小时有效数据，也需要数百万级采集规模。而这一目标能否实现，很大程度上取决于社会化采集网络、自动化治理工具以及数据标准体系的成熟程度。

据觅蜂科技董事长兼CEO姚卯青公开披露，全球高质量有效物理数据仅约50万小时，作为对比，大语言模型依赖的人类文本和数字内容已经积累数十年，GPT-5级别大模型训练语料折算超过100亿小时，二者规模差距达两万倍。

两者之间的差距，不仅体现在数量，也体现在获取方式。文本能够通过互联网持续生成，而机器人需要的物理交互行为数据，无法从公开网络直接获取。

一个机器人学会整理货架、搬运箱体、递送物品或者收纳厨房用品，背后需要海量的动作训练数据支撑：动作过程包含视觉变化、力度控制、空间关系判断、环境干扰应对、任务失败后的策略修正，大量细节无法通过语言精准描述，必须通过真实物理交互采集获得，再经过标注治理后用于模型迭代。

图源：东方财富网

也正因此，数据产能不足长期制约着具身智能的落地速度。

过去真机数据较常见的采集方式包括拖拽示教、自动收集、遥操作和手持夹爪。其中遥操作是近年来较为流行的方式：操作员通过VR设备、数据手套或者远程控制系统驱动机器人，再同步记录轨迹、视觉信息和控制参数。

传统遥操作是当前主流的高质量数据采集方式。但是一套完整的遥操作设备超过20万元，叠加人力成本，单小时综合成本可达数百元，定制化场景可达数千元。

谷歌 DeepMind 研发 RT-1 模型时，调动 13 台机器人在办公室、厨房场景持续采集 17 个月，仅累积约 13 万条操作轨迹，覆盖 700 余项技能。即便投入巨大，其数据规模与真实世界的复杂场景相比，仍有数量级的差距。

行业早已出现明显的 “数据缺口”：机器人本体的量产速度，远快于训练数据的增长速度。

许多公司拥有本体，却没有形成稳定数据来源；拥有实验室，却缺少长期场景；拥有模型团队，但缺乏足够现实世界反馈——模型能力与商业落地之间，出现了一条由数据缺口导致的断层。

觅蜂提出的“无本体采集（Robot-free Data Collection）”方案，本质就是试图打破 “数据产能绑定机器人出货量” 的约束。

其推出的 MEgo 系列采集设备，包含头戴视觉系统 MEgo View、采集夹爪 MEgo Gripper 等轻量化硬件，采集过程不再完全依赖机器人本体：普通人穿戴设备后，在工厂、仓储、商超、家庭等真实场景中完成日常动作，就能持续生成可用于模型训练的行为样本。这种方式采集到的动作更符合人类真实操作习惯，也避免了遥操作常见的动作生硬、轨迹不自然问题。

图源：觅蜂

图源：觅蜂

这一方式带来的最明显的变化就是采集成本和效率的改变。传统真机采集8小时可能仅产生2～3小时有效数据，而觅蜂无本体方案能够达到约5小时，接近翻倍，且单套采集设备的成本远低于一台工业级机器人本体。

数据产能开始脱离机器人本体的出货量约束。如果采集设备、采集员和场景能够独立扩张，行业将开始出现真正意义上的 “数据产线” 概念：前端进入工厂、家庭等现实世界持续获取行为数据，后端完成治理和训练，再重新部署。

换句话说，具身智能的数据生产，正在从封闭的实验室，走向开放的社会化网络。未来一个零售员工整理货架、仓储工人搬运物品、家庭完成收纳动作，这些日常动作都可能成为机器人训练的数据来源。觅蜂工厂真正生产的不是硬件设备，而是可复用的物理行为数据样本。

02

从内部资源到独立商品：数据生意正在重构行业商业模式

如果仅把觅蜂看作智元内部的数据支撑团队，就完全低估了这步棋的行业意义。智元在推进具身智能落地的过程中最先意识到：模型能力可以通过算力投入、工程优化快速提升，但真实物理世界的数据，生产速度远跟不上需求增长。

数据必须深入真实场景，需要配套设备、长期场景反馈，更需要统一的行业标准持续迭代。对具身智能行业而言，数据不像代码可以快速复制，也不像文本可以全网爬取，它是一种必须扎根场景、用时间沉淀的稀缺资源。

也正是基于这一判断，觅蜂从智元内部业务独立为市场化平台。根据澎湃新闻等媒体的公开采访，觅蜂的定位不只是服务智元自身，而是面向全行业 B 端客户 —— 为机器人厂商、模型团队、科研机构提供数据采集、标准化治理、训练赋能全链路服务。

2026 年 5 月 21 日，海天瑞声正式作为生态伙伴加入觅蜂发起的 “蜂巢数据共创行动”，双方聚焦行业 “数据荒” 痛点，共同推进高质量物理 AI 数据的规模化采集与标准化治理。这不是普通的商业合作，而是行业数据标准共建的信号 —— 当数据成为通用生产资料，统一的标准体系就是行业基础设施的核心。

独立市场化运营意味着，包括智元在内的所有机器人厂商，都成为数据服务的客户；数据按照统一标准交付，不再依附于单一硬件企业。这标志着数据正式从企业内部的研发资源，变成了可交易、可定价的独立商品。

这一变化，正在重构机器人行业的商业模式。

过去，行业的核心商业模式围绕硬件展开：企业卖出机器人本体获得一次性收入，后续通过维保服务获得少量持续性收入，营收增长与出货量高度绑定，本质是 “卖硬件赚差价” 的传统制造业逻辑。近年来，RaaS（机器人即服务）模式兴起，将一次性硬件采购转为持续性服务付费，一定程度上打破了营收与出货量的强绑定。而数据服务的出现，则带来了更具持续性的盈利逻辑：

机器人进入仓储场景，会持续生成搬运、路径规划、故障应对的数据；进入零售场景，会积累货架整理、人机交互、商品识别的数据；进入家庭场景，则会产生更复杂的日常操作、环境适配数据。模型迭代是永无止境的，企业对新场景、新任务数据的需求就不会停止 —— 数据服务的收入，是真正的持续性、复购型收入。

从觅蜂的业务布局来看，其核心壁垒并不在前端采集设备，而在中游的数据治理环节，这也恰好切中了行业最核心的痛点：当前行业不缺零散的原始数据，缺的是高质量、结构化、可直接用于训练的多模态数据集。

原始采集数据通常无法直接进入训练，需要完成位置提取、语义标注、多模态对齐、任务描述、空间重建以及质量评估，最终形成能够直接用于VLA（视觉 - 语言 - 动作，Vision-Language-Action）、世界模型和具身模型训练的数据集。

换句话说，客户买的不是原始动作录像，而是 “拿来就能训练” 的标准化数据资产。这种流水线式的标准化供给能力，正是数据服务商的核心护城河。

此外，觅蜂特别值得关注的还有其数据供给方式的变动，这既是对原有采集方式的沿用，更是基于其 “无本体采集” 方案的扩大应用。国际上，特斯拉通过Optimus真机部署采集数据，Figure AI则依赖实验室高精度遥操作；相较之下，觅蜂的“无本体+众包”模式走出了一条差异化的轻资产扩张路径。

觅蜂在其中提供采集设备、行业标准、治理平台与交易渠道，采集者提供场景与时间，需求方采购标准化数据集 ——数据未来有望像云计算服务一样，成为全行业可按需取用的底层基础设施。

03

竞争范式切换：从 “拼硬件参数” 到 “拼数据闭环”

过去几年，人形机器人行业的焦点始终集中在硬件参数：关节自由度、负载能力、运动速度、灵巧手精度，谁能完成更复杂的动作，谁就是行业明星。这是典型的 “硬件军备赛” 逻辑。

硬件能力有天花板，数据迭代没有终点。 机器人每完成一次真实任务，理论上都会生成新的训练数据：在仓储场景搬运货物，会记录不同重量、不同包装下的抓取方式与路径规划；在零售场景整理货架，会积累不同商品、不同陈列下的交互策略；在家庭场景执行任务，会适配千差万别的空间布局与用户习惯。

现实环境永远不会完全重复，因此场景数据天然具备先发优势与时间壁垒。一家企业提前几年进入物流场景，其积累的数据不会自动消失；另一家公司率先覆盖家庭服务，经年累月形成的人机交互数据同样难以复制。硬件能力能够追赶，模型参数可以通过投入缩短差距，但现实世界数据需要时间。

这也意味着，订单的意义正在发生变化：过去订单只是收入来源，未来订单更是场景入口 —— 拿到工厂订单，就能获得工业场景的专属数据；拿到零售订单，就能获得服务场景的交互数据；拿到家庭订单，就能获得最复杂的日常行为数据。

当数据成为核心资产，行业的开源生态也会发生微妙的变化。早期具身智能行业普遍强调开源，核心原因是全行业数据总量太少，必须靠社区共同积累才能推动技术进步。但当头部企业通过先发优势，在特定场景建立起 “采集 - 治理 - 训练 - 部署 - 反馈” 的完整数据闭环后，高质量、独占性的场景数据就会成为核心竞争力。

届时，尽管采集工具会越来越普及，但长期、稳定、高质量的垂直场景数据依然稀缺，企业主动开源核心数据资产的动力会显著下降。行业将从 “共同做大蛋糕” 的开源协作期，进入 “各自守护地盘” 的竞争分化期。

最终，新的行业门槛将会形成：谁拥有长期稳定的数据供给能力，谁能覆盖更多真实商业场景，谁能跑通完整的数据闭环，谁就能在下一阶段的竞争中占据主动。

换句话说，具身智能未来的竞争，会从 “谁能造出更好的机器人”，延伸到 “谁能经营好数据资产”。

从这个视角看觅蜂，它要建的不只是数据采集工厂，更是一套面向全行业的数据循环基础设施：场景产生数据，数据赋能模型，模型落地后产生新的反馈数据，形成持续迭代的正向循环。这套循环跑通，数据将从研发的辅助资源，变成整个行业的底层基础设施。

04

争议与隐忧：百亿小时目标背后的三重不确定性

觅蜂的无本体采集模式为行业数据缺口提供了新思路，但规模化路径尚未完全验证，其扩张逻辑仍面临三重核心争议。

一是人机迁移效率存疑。人类与机器人的身体结构、关节自由度、发力逻辑存在本质差异，采集的人类动作数据无法直接用于训练，必须经过运动学映射、轨迹修正等复杂处理才能转化可用。行业普遍存在的 “仿真到现实差距”，在人机数据迁移中同样存在。若有效转化率偏低，“百亿小时” 的产能将存在大量水分，目前觅蜂尚未公开数据训练转化率与模型效果对比。

二是众包模式品控困难。百亿小时目标必然依赖社会化众包扩张，但数据行业规模与质量天然矛盾：实验室采集质量可控但扩张慢，众包模式场景分散、人员水平不一，易出现 “量升质降”，多模态数据对齐精度、标注准确性都会受影响。且数据质量需经训练验证才能显现，滞后性强，如何建立实时有效的质控体系，是规模化的核心门槛。

三是供需匹配存在疑问。从公开研究来看，当前主流具身模型训练对高质量标注数据的需求远未到百亿小时量级 —— 谷歌 RT-1 仅用 13 万条轨迹完成基础训练，全行业年消耗有效数据不足百万小时。若未来模型架构与数据利用效率无革命性突破，单纯扩张产能很可能出现供给过剩，陷入产能空转的尴尬。

05

芯流视角

姚卯青说，面对数据荒漠，他们算是种下第一棵树。

但在芯流看来，觅蜂的出现，远不只是多了一家数据服务商，它标志着具身智能行业的竞争底层，正在发生几点转变。

第一，竞争重心从 “造机器人” 转向 “生产数据”。 硬件能力可以通过供应链追赶，而真实物理世界的交互数据，必须靠时间和场景一点点沉淀。 当模型架构逐渐趋同、算力可以按需采购，数据的规模、质量与场景覆盖度，就成了下一阶段拉开差距的核心变量。觅蜂的 “千万小时产能” 会引发全行业关注 —— 它第一次把数据产能，摆到了和本体产能同等重要的位置。

第二，从内部工具到行业基建，是技术外溢的经典路径。 觅蜂脱胎于智元内部的数据团队，本质是把自身踩过的坑、验证过的方案，打包成标准化服务卖给全行业。这套逻辑并不陌生：阿里云最初只是解决阿里自身的算力问题，后来成了全社会的数字基建；自动驾驶的数据标注平台，也大多从车企内部团队独立而来。

这种模式的价值在于一次布局、双重收益 —— 既通过数据服务赚取行业收入，也通过标准制定筑牢自身的生态竞争壁垒。

觅蜂种下的这棵树，能不能长成森林还未可知，但可以确定的是，数据产能已经成为具身智能行业无法回避的核心变量。未来，没有稳定数据供给的机器人公司，将会在新一轮竞争中越来越被动。具身智能的下半场，拼的从来不是谁的硬件参数更亮眼，而是谁的数据护城河更深厚。