给人形机器人当老师，撑起一个百亿市场

「核心提示」人形机器人学会干活之前，先要有人教它。

作者 |高泽

编辑|邢昀

在机器人真正走进工厂和家庭之前，先要有人教会它们怎么“像人一样干活”。

你可能在社交平台刷到过这样一段视频，印度流水线上的工人们像平常一样在分拣、装配，或者缝纫、裁剪，但他们的头顶与手腕处的摄像头会记录下每一次动作细节。这其实就是在为训练人形机器人做数据采集。

在国内，类似的工作也开始下沉到兼职市场。“具身智能数据采集员”的招聘帖密集出现，“日结薪资、居家可做、无学历要求”吸引了大量求职者。有人反复抓取水杯、整理衣物、搬动物品，成为机器人的“AI教练”。

这背后，是具身智能行业正在遭遇的数据饥渴。人形机器人要从演示视频走向真实场景，不能只靠模型和硬件本体，还需要海量真实、干净、可复用的动作数据。

无本体第一视角众包、真机遥操作、仿真生成三类采集路线各自卡位，一场围绕数据质量、成本和效率的竞赛正在展开。

1、赛博流水线

人形机器人的本体和大脑都在进化，但越是在落地工厂、仓库、家庭等阶段，问题越具体：

让机器人去拿一杯水，水杯放在1.2米高的餐桌中央，这是一个有把的宽口马克杯，杯子旁边还有一些杂物，机器人要判断手该伸到哪里，用什么方式握住杯子。

这些能力不是凭空长出来的。它需要大量真实、连续、可标注的数据来训练。

在“数据荒漠”逐渐成为行业共识后，具身智能数据采集这条上游赛道开始快速升温。佐思汽研和水清木华研究中心联合发布的《2026年具身智能机器人数据产业布局研究报告》显示，2025年全球具身智能数据市场规模达到2.42亿美元，同比增长181.4%；其中，中国市场规模达到5亿元人民币，同比增长203%，占全球市场约四成。

报告预计，2025-2030年全球市场复合年增长率（CAGR）可达85.0%，2030年总规模将攀升至52.5亿美元。

在此背景下，各路玩家竞相入场。既有第三方数据服务商切入，比如光轮智能聚焦仿真+无本体混合方案，半年融资20亿元，估值破百亿，服务多家头部企业。也有人形本体企业选择自建大型采集基地，智元机器人更是开放AGIBOT WORLD 2026数据集，覆盖具身智能全域研究。互联网巨头京东也表示，要建设全球最大的具身智能数据采集中心。

无本体Ego（第一视角穿戴）采集是当下产业端热度最高的路线，无需实体机器人本体，仅靠穿戴摄像头录制人类动作即可产出数据，也是入局门槛最低、参与者最多的赛道。

主打全球真实场景采集的Cervo团队（河南纳斯熊得网络科技有限公司）是这条路线的玩家之一，其业务覆盖中国、印度与南美三大区域。团队合伙人Ray介绍，公司采集到的所有数据均落地在真实的便利店、工厂与家庭中。他认为，录下来真实的操作习惯对机器人落地的适配性更强。

一套完整的采集流程从需求对接启动：客户明确场景类型、硬件规格、采集时长与地域要求，团队对接线下合作场景，为一线操作人员做设备使用与动作规范培训，现场录制完成后通过存储卡归集至云端，再交由合作团队完成清洗与标注。

硬件层面分为两个梯队，入门级采用GoPro运动相机或头戴手机，成本低廉但视角受限，手部容易脱出画面，有效数据率约93%到95%，需要严格培训操作人员的头部动作；高端方案采用六目全景采集设备，单台成本3000至8000元，可覆盖300度视角，有效数据率接近100%，预算充足的头部企业更倾向这类方案。

国内市场上，无本体采集已经下沉至大众兼职市场。一位具身智能数据采集员对《豹变》表示，珠三角某公司兼职日薪约150元，单日工作10小时，全程佩戴头、手等三处摄像头，反复做握拳、收纳物品等标准化动作，“工作像赛博流水线，重复几百上千次，手酸脖子痛，设备经常出故障，试岗没通过还会被扣钱”。

同时，也有一些公司在自建数据采集团队。安徽数点信息科技有限公司商务总监周兴豪表示，公司标注+动作采集全职团队合计100余人，人员年龄区间集中在20-26岁，本科占比45%，月薪在5000-7000元左右。招聘主要看重手部肢体协调性、耐心程度、主动学习意愿。

一位身处一线城市的数据采集员也表示，全职工作的薪资会高一些，日薪可达约250元。要求固定场景到岗，每日产出不少于3小时有效数据，超出部分核算绩效，不足则要倒扣工资，由数采组长现场监督，员工双人一组互相校验。

海外的成本或许还要更低一些，Ray表示，在非洲、拉美等地，产线工人进行数据采集的收益仅为1.5美元/小时（折合人民币约10元/小时）。

低门槛、低成本、可快速规模化是无本体路线的核心优势，但短板同样突出：数据质量参差不齐，无效样本占比高，动作不规范、场景摆拍、手部离开画面等问题普遍存在，行业内众包数据的实际可用率普遍不足三成，且“有效数据”的定义主要掌握在客户手中。

相较于产业端热衷的“人海战术”，学术界与深耕技术的初创团队更青睐真机遥操与仿真采集路线，追求数据的精准度与可复现性。

一位曾在某高校AI实验室担任研究助理、目前任职一家具身智能初创公司的业内人士表示，真机遥操采集是通过远程操控机械臂或人形机器人完成任务，同步记录关节角度、力反馈、视觉画面等多模态时序数据，“数据完全匹配机器人本体的运动逻辑，没有跨硬件的偏差，是模型微调阶段的核心数据来源”。

但真机采集的门槛极高：单台人形机器人本体造价数十万元，对采集员的手眼协同能力有严格要求，还需要解决多传感器时序对齐的核心难点，不同设备的帧率、延迟存在差异，毫秒级的时间错位都会大幅降低数据价值。

上述业内人士团队采用拉高采集帧率、定制硬件统一时间戳接口的方案解决这一问题，整套管线搭建需要软硬件团队配合，很难像无本体采集一样快速批量扩张。

仿真采集则是另一种补充路线，在虚拟环境中批量生成动作样本，省去硬件与场地成本。

但该业内人士坦言，仿真与真实世界存在难以逾越的SimtoReal（仿真到真实迁移）鸿沟，物体摩擦力、形变、光照都和现实存在偏差，纯仿真数据训练的模型落地真机效果很差，仅能作为预训练阶段的样本补充，无法支撑高精度任务。

2、如何采到更好的数据？

在实际落地中，三种数据获取路径没有绝对的优劣之分。不同团队的路线选择，本质上都是在成本、效率和数据质量之间寻找平衡。

无本体采集之所以能快速爆发，核心在于极致的轻资产模式。

Ray团队中美两地核心成员仅8人，不养全职采集员与标注员，核心团队只负责客户对接、场景资源匹配与项目统筹。设备可以租赁、人力按小时结算、场地依托现有实体资源，不需要投入重金采购机器人本体，几万元启动资金就能切入赛道，这也是大量中小团队涌入的核心原因。

但数据质量问题无法避免，最典型的就是“虚假关联”。

周兴豪举了一个经典案例：采集人员习惯拿起茶杯先吹气降温，模型便将“吹气”判定为拿杯子的必要前置动作。由于人形机器人大多没有“吹气”的功能，因此，训练出的机器人每次抓握茶杯都会对着空杯停顿一下，完全脱离真实使用逻辑。

“数据越多不一定越好，但数据越脏一定越糟。”周兴豪这样总结。在他看来，低质量数据的负作用远大于数据不足，“数据不足可以补采，数据污染要先清洗再返工，相当于走回头路”。

行业早期的野蛮生长阶段，大量中间商低价收购劣质数据，简单包装后转卖，“垃圾数据”在行业内反复流通，进一步加剧了“数据荒漠”，看似数据总量庞大，真正能用的高质量样本寥寥无几。

与之相对的真机路线，虽然质量可控，却受限于高成本难以规模化。

一台人形本体的采购成本动辄数十万，还要配套场地、运维人员与标定设备，单条采集管线的投入是无本体方案的几十倍。且不同品牌机器人的运动空间、硬件参数存在差异，跨本体的数据复用效率极低，更换硬件几乎需要重新采集全套数据集，投入产出比远低于无本体方案。

仿真路线则受限于技术成熟度，物理引擎的精度不足以支撑复杂交互任务，短期内无法成为数据供给的主力。

真正成熟的采集方案，往往不是押注单一路线，而是根据需求分层组合。

头部互联网大厂、头部人形机器人厂商采用“二八配比”的组合策略：80%的低成本无本体数据用于模型预训练，堆砌数据体量提升基础泛化能力；20%的真机高精度数据用于场景微调，保证落地任务的成功率。

周兴豪将其总结为“粗数据打底，精数据调优”，两类数据对应模型训练的不同阶段，缺一不可。

预算有限的中小初创团队则没有这样的条件，多数只能采购低价众包数据支撑基础研发。

高校与科研机构的处境同样尴尬，学术界更多是学生自主搭建采集管线，规模小、缺乏标准化质检，数据质量不稳定，但胜在经济成本较低，且可以灵活定制细分任务，适配前沿算法研究。

在质量和规模之间，行业正在寻找折中方案，比如用更标准化的管理，把低成本数据的可用率拉高。

周兴豪的团队就经历了从纯众包到驻场采集的转型，在此基础上，团队还建立了三级质检机制，同时为每条数据附上包含采集信息、质检记录的“数据身份证”，实现问题可追溯。

这套机制落地后，团队数据可用率从行业普遍的30%到50%，提升到约80%。

这也说明，具身智能数据采集正在从早期的野蛮生长，转向更精细的生产管理。

3、从卖数据到卖Skill

技术融合之外，具身智能数据采集赛道的商业模式也在升级。

单纯售卖原始数据的赛道正在陷入低价内卷，头部数据服务商已经开始探索向上游延伸，从“卖数据”转向“卖技能”。

Ray的团队就在规划SkillasaService（技能即服务）的转型路径：依托积累的海量场景数据，基于开源基础模型微调单一工业工序的专属技能模型，搭配机械臂形成完整解决方案。

这套模式的核心逻辑是成本替代：欧美工厂人工成本约30美元每小时，而机械臂加定制技能模型的综合运行成本可控制在13至15美元每小时，可以直接压缩用工成本，服务商则按工时收取技能服务费，盈利空间远高于单纯卖数据。

“未来我们不是数据供应商，是机器人技能提供商。”Ray这样描述。

谈及行业长期发展，三位受访者的判断高度一致：行业暂未迎来决定性的“GPT时刻”，但可以肯定的是，靠演示视频融资、靠概念炒作的团队会被淘汰，拥有真实线下场景资源、具备全链路质量管控能力的团队才有存活的机会。

落地节奏上，工业半结构化场景会率先实现商业化突破，这也是全行业的共识。

周兴豪分析，工业场景环境可控、任务边界清晰、经济价值可量化，替代一个工位的回本周期可以精确测算，企业付费意愿强，装配、分拣、质检三类工序会最先跑通。

上述任职具身智能初创公司的业内人士也认为，学术界与产业界的研究都在向工业场景倾斜，单一固定场景的模型精度已经接近落地阈值。

至于大众期待的家用通用人形机器人，在大家看来仍有漫长的路要走。

家庭场景开放随机、干扰因素无穷，需要的数据体量呈指数级增长，且硬件成本居高不下，消费者付费意愿弱，短期内很难普及。

未来3到5年，家庭场景会先出现厨房机械臂、叠衣机等专用智能设备，而非全能型人形机器人，通用人形的落地至少需要十到二十年的技术与数据积累。

从印度工厂的流水线工人，到国内的兼职采集员，“人海战术”正在快速填补具身智能的数据缺口，而真机采集+仿真模拟的“慢工细活”则在守护数据质量的底线。两条路线尚未收敛，但异构混合训练已经架起了两者互通的桥梁。

可以确定的是，野蛮生长的阶段终会过去，建立统一采集标准、产出高质量可追溯数据，才是这条赛道的长期生存法则。当数据荒漠里挖出足够多的深井，具身智能的商业化落地，才会真正迎来拐点。

（应受访者要求，文中Ray为化名）