具身智能数据从1.0迈向2.0：数据采集从训练场走向真实世界

8月28日，曾被视为规模化真机数据生产样本的北京首个人形机器人数据训练中心被曝暂停运营。该数据中心早期运营方睿尔曼智能的相关负责人在接受媒体采访时将此解释为一次主动升级。

上述负责人称，北京中心积累了千万级轨迹片段，但本质上仍是实验室场景，“具身智能要真正‘干活’，数据必须来自真实的生产和生活场景，而非模拟环境。”

具身智能数据正在从1.0迈向2.0，机器人训练中心通过遥控操作获得的数据正在被真实场景中所采集的数据替代。

觅蜂科技无本体数据采集，在智元数采工厂内，数据采集员正在采集。来源：澎湃科技记者 喻琰 拍摄

机器人进家庭之前，数据采集须先进入家庭

具身智能面临的数据难题与大语言模型不同。大语言模型可以从互联网吸收文字和图片；但机器人不仅要学会在真实世界里拿杯子、折衣服或者更换机床刀具，还要理解空间位置、接触、力度和物体状态。这些知识很难从网络视频中获得。

在机器人数据采集1.0时期，把机器人、采集员和物品集中到固定训练场。操作员通过遥操作，让机器人在标准化环境中重复抓取、搬运和分拣。这种模式既解决了具身数据“从无到有”的问题，也便于管理。但固定光线、统一物品和预设流程，难以覆盖真实世界中的物料偏差、人员干扰和异常工况。

现在，更多具身智能企业开始尝试把数据采集轻量化设备发放给各行各业的兼职或全职人员，记录其在家庭和工作中的自然操作。

具身大脑公司大晓机器人在今年世界机器人大会期间发布由采集端、标注平台和跨本体适配系统组成的环境式数据采集方案2.0。

8月26日，穹彻智能发布具身世界模型“Noe-0”的技术预览，并同时公布全链路无本体数据采集方案，采集人员佩戴穹彻智能自研的RoboPocket设备，通过头部和双腕三个同步视角，记录工具使用、电子部件装配和纸张整理等任务。穹彻智能披露，这套分布式数据采集网络覆盖全国超50个城市，累计采集超过10万小时的真实世界数据，进入预训练、后训练和真机验证的闭环。在真实环境中，采集人员可以根据现场的空间、物体与任务开展采集。

穹彻智能公布的数据采集管线图 来源：穹彻智能

觅蜂科技也在扩大无本体分布式采集范围。8月31日，觅蜂科技公司宣布第2万套MEgo无本体数采设备下线，并称已累计生产超过100万小时数据。MEgo设备在采集形态上，包含裸手、Ego+Wrist腕带、Ego+UMI夹爪三类数据体系，分别对应人类自然操作、腕部姿态与连续运动轨迹，以及机器人末端执行等不同数据需求。

觅蜂科技董事长兼CEO姚卯青告诉澎湃科技（www.thepaper.cn），MEgo数采设备已经不只部署在数采工厂和专业业务流程外包（BOP）公司，社区退休人员、宝妈和不同行业从业者也参与其中。

觅蜂科技发布的数据采集图 来源：觅蜂科技

“无本体数据需要在各个场景、各个行业、各个城市之间流转，人也是不同的人，需要对他们进行培训，还要能够进入那些真实场景。”姚卯青说，真实数据的采集量从当前的百万小时扩大到亿小时，依靠复制数采工厂的路线并不现实，更可行的路径，是通过便携式设备和众包网络，把采集任务分散到不同地区和行业，让数据直接产生于家庭、工厂和商店等真实场景；平台则负责统一任务设计、质量控制、标注和验收。

上海交通大学人工智能学院助理研究员、硕士生导师杨理欣认为，如果通用机器人最终要进入家庭，数据采集就必须先进入家庭，工业级的交付必须让没有任何技术背景的大众能用明白。“我们希望做一个通用机器人，能够进到千家万户去帮人做服务，肯定它的数据采集也要发生在千家万户。”

从卖数采设备转向建设数据基础设施

就在今年年初，具身数据采集仍处在技术路线混杂的阶段。姚卯青回忆，当时“拿手机、运动相机采一采也能卖”。进入下半年，60FPS（视频每秒采集60帧）、1080P（画面达到1080高清分辨率）、双目、深度等数采要求逐渐收敛，客户开始在意设备重量、无线传输、时间同步和空间标定精度。

数采设备的硬件门槛虽提高，却未必能成为长久竞争的核心壁垒。设备量产之后，企业还要招募和培训人员，设计采集任务，调度不同场景，完成数据回传、清洗、去重、标注、质检和客户验收。在姚卯青看来，数据采集已经是一项涉及人员、设备、环境和数据关系的系统工程。

这意味着数据采集从过往一门单纯“卖设备生意”转向卖“数据工程系统”。觅蜂科技不只销售MEgo，还用MEgo Engine处理数据，并参与场景运营和交付。穹彻智能发布的RoboPocket也只是数据采集的入口：数据进入DM3平台后，还要经过自动检查、人工审核、AI预标注和语义筛选，并与训练配置和评测结果关联。模型暴露出的问题，继续变成下一轮采集任务。

杨理欣认为，行业目前缺少的未必是更多数据，而是一个能够将现场错误持续转化为训练素材的“回环”：机器人在现场出错后，需要由人接管；纠正过程应被记录并送回训练，再把更新后的模型重新部署。他将这一过程概括为不断“试错、纠错，纠错完的数据回流训练”。如果每台机器人都需要一名操作员全程看守，这套系统便很难商业化。

图说：穹彻智能公布的数据采集管线图 来源：穹彻智能

数据质量也不能只用“小时数”来衡量。“盲目地采集100万小时，说实话还是很容易做到的，重复地做工种任务就可以了，但几乎没有任何价值。”姚卯青说。有效数据不仅要满足帧率和标定要求，还要覆盖足够多的行业、物体和任务，并最终通过客户验收和模型效果验证。

杨理欣认为，高质量数据目前很难写成一套穷尽所有情况的规则。“最终还是得靠一个模型来评测什么是好的数据。”数据公司的产品不是视频本身，而是能够被模型消化、并带来能力提升的训练资产。

数据采集行业最终会走向“寡头分布”

北京石景山人形机器人数据训练中心的调整，则进一步引发了行业对传统数采模式的讨论。近半年来，多地具身智能数据平台开始调整思路，数据采集逐渐从固定训练场转向真实生产环境延伸。

9月1日，北京市政府网站披露，改造后的北京石景山人形机器人数据训练中心将引入多视点4D光场采集和世界模型，利用真实数据推演、生成更多仿真场景，并与仍在运行的二期、三期形成协同，贯通数据采集、仿真生成、模型训练、本体验证和应用落地。

类似的变化也在其他地区出现。2026年7月，国家地方共建人形机器人创新中心与华为在世界人工智能大会期间发布具身智能实训场样板点。该方案将云端部署、数据处理和开发工具组合起来，既可以在室内运行，也可以进入生产现场，打通数据采集、模型训练、真机实训和应用部署等环节。

当数据平台覆盖的环节越来越多时，竞争门槛也随之提高。一家企业不仅要量产采集设备，还要组织采集人员、获取真实场景、建设存储和处理系统，并完成数据治理、模型评测及客户交付。数据采集由设备生意转向基础设施生意，也意味着资金、工程和运营能力将变得更加重要。

姚卯青判断，行业最终会走向“寡头分布”。他的理由是，数据采集本身是一门重投入生意，又非常强调系统化的工程能力和运营能力，同时也很看重资金能力。“几万套设备都是几亿资金起步，建一个数据中心也是数十亿的投入，一定是领军企业有较大的优势。”姚卯青表示。

在数据标准尚未统一的阶段，这种头部聚集效应尤其明显。“一家模型公司同时用几家供应商的第一视角数据，混合训练的效果很难保证。”集中采买会保持数据质量，他观察到，目前行业内一些客户正在减少供应商数量，从“每家都采一点、试一试”转向集中选择一两家供应商。

杨理欣也认为，具身智能尤其需要软硬件和数据协同，仅依赖多个供应商提供的局部方案，可能很难形成数据的有效闭环。最终能跑出来的企业一定具备全栈能力，能够建立起“部署－出错－接管－回流－训练－再部署”的数据闭环。

澎湃新闻记者 喻琰