AI 资讯站 2026-09-25 10:00 · IT

当机器人开始向普通人"买经验"：日薪120元的全民数采，正在重写具身智能的地基

2026年9月25日 · IT观察

一个过去只属于实验室和机器人公司的事，正在变成一场全民可参与的大型实验：普通人戴上头环、拿着手机、在家叠衣服、浇花、做饭，就能按天拿到报酬——他们的动作会被录下来，喂给下一代机器人。

这不是段子。据新京报贝壳财经9月24日报道，具身智能公司正在把数据采集从"少数专业人员+固定场地"，下放给数万名普通用户；在湖北某市的零工招聘信息里、在陕西某个村镇的小规模培训中，"众包数采员"已经成为一个真实存在的岗位，日薪约120元。同一时间，Figure推出面向公众的数据采集网络Index，觅蜂派等平台上线内测一个月就聚起2万注册用户。这场看似不起眼的"招工"，正在成为万亿具身智能赛道最底层、也最容易被忽视的一次基础设施重构。

一、为什么要向普通人"买经验"？

先看一组"缺口"。阿里云专家张敏英给出的判断是：要让具身AI模型的泛化能力取得突破，需要约1000亿小时的数据；而当前全球高质量的真实物理交互数据总量，仅约50万小时——缺口超过99.999%。

再看需求曲线的陡峭程度。据觅蜂派方面介绍，去年上半年行业还在谈"一万小时"，到去年底已经有人喊出20万小时；进入2026年，"百万小时"成了入门线，而客户实际提出的需求已经到了千万小时量级。

问题在于，传统方式是"不够用"的。过去机器人数据多在固定场地集中采集，但"在同一个房间把杯子拿一万次"和"在一万个不同厨房、商店、仓库里各拿一次杯子"，对训练通用模型的意义完全不同。通用性靠的是场景与任务的多样性，而这恰恰是单点采集工厂最不擅长的——你没法把全世界的厨房都搬进一间实验室。

于是，逻辑自然滑向众包：与其自建基地、招操作员、租场地，不如让采集设备和任务直接"走进"本来就存在的真实世界。数据需求从万小时走向千万小时，靠增加机器人和场地很难线性扩张，而众包提供了一条非线性的扩张路径。

二、两条路径，同一道难题

众包打开了真实世界的数据入口，但不同公司走了不同的路。

一条是公众视频路线（Figure Index）。它主要采集人类完成真实任务的视频，门槛相对低、规模扩张快、场景覆盖广。代价是质量参差——全球创作者每秒上传约30分钟内容，海量数据把压力全部转移到后台。为此Index设了筛选、作弊审核、去重、再平衡和标注五道流程，尤其要提取视频特征做相似度计算，剔除高度重复样本。

另一条是专用设备路线（觅蜂MEgo等）。参与者要佩戴双目摄像头等专用设备，记录第一视角与多视角视觉、毫米级位姿，甚至触觉、力觉等多模态信息，再交由后台完成处理、标注、轨迹提取与质量评价。这种方式数据"含金量"更高，但设备成本、佩戴负担和标准化难度也更大。

路径不同，难点却相同。当采集者从少数专业人员扩展到数万名普通用户，真正的门槛已经不再是"能不能采到"，而是能否把高度分散、非标准化的数据，持续加工成稳定、可用的训练数据。 中国信通院人工智能研究所的張蔚敏点得很透：众包平台的价值，不只是汇集记录，而在于通过任务组织、数据工程、质量控制和闭环运营，把分散的数据转化为可训练、可评测的数据资产。

这提醒我们一个容易误判的事实：这一轮竞赛的护城河，不在"采集端"，而在"加工端"。谁都能发设备、发任务、发日薪；但把脏数据洗成金矿的工程能力，才是稀缺品。

三、我的判断：这不是"招工"，是数据生产要素的重新分配

把这件事仅仅理解为"AI公司花钱买视频"，会看轻它。我认为它至少包含三层结构性变化。

第一层：数据生产从"资本支出"转为"劳动外包"。 自建采集工厂是重资产——场地、机器人、操作员、运维，成本几乎全压在厂商账上。众包则是把边际采集成本外部化，变成按件、按日的劳务支出。对厂商而言，这是财务报表上的"轻资产化"；对参与者而言，这是数字时代又一种零工形态。当一个产业的底层原料靠日薪120元的弹性和灵活就业来供给时，它的成本结构其实非常脆弱。

第二层：竞争正从"技术路线之争"转向"标准之争"。 目前行业数据采集方式、标注方式、本体构型各行其是，跨训练场数据难以互通，训练场数据能否形成可持续商业模式也尚存疑问。历史上，英伟达的真正护城河是CUDA，安卓的真正护城河是接口规范——产业早期拼单点技术，成熟期拼"谁能定义规则"。具身智能今天正在经历同一个阶段：只有当数据形成"公共语言"，机器人才能真正进入现实世界。 众包带来的海量非标数据越多，统一标准的紧迫性就越高。

第三层："数据饥渴"背后可能藏着伪命题的风险。 需要警惕的是，数据量并不自动等于模型能力。行业里"数据决定上限"的叙事，容易掩盖另一个事实：模型架构和训练范式的突破，同样是跨越的门槛。真实场景采集的是"人类怎么做"，但把人类经验迁移到不同本体、不同任务上，需要的是泛化架构，而非简单堆数据。如果只比谁攒的小时数多，很可能重演"参数竞赛"的老剧本——数字越滚越大，能力提升却边际递减。

四、被忽略的三道治理题

这场全民数采潮，也把三个棘手问题推到了台前。

这三道题不解决，众包规模越大，系统性风险积累得越快。

结语：地基铺得快，不等于楼盖得稳

站在2026年9月回看，具身智能的年度关键词毫无疑问是"数据"——它出现在论文里、出现在宣讲PPT里，也出现在零工市场和村镇培训班的报名表上。

全球范围内的数采竞赛正在彼此倒逼：美国有配送员边送单边录视频，印度有服装厂工人戴着头环，中国的厂商则把目标直接写成了"2026年百万小时、2027年千万小时"。谁先建立百万小时级的数据壁垒，谁就握住了下一轮竞争的主动权。

但我想给这份乐观泼一点冷水：数据的规模战，打的是速度和资本，而真正的胜负手，是谁能把杂乱的人类经验，稳定、低成本、合规地转译为机器可用的资产——并为它建立起一套大家都愿意遵守的"普通话"。

机器人要走进千家万户，先要学会的，其实是千家万户愿意教它的方式。这场向普通人"买经验"的生意，考验的从来不只是技术。

主要信息来源

← 返回首页