退休人员、宝妈、服务员都在成为“数采者”

觅蜂科技累计产出百万小时无本体数据

作者／  IT时报  沈毅斌

编辑／  郝俊慧  孙妍

一栋办公楼里，食堂阿姨擦拭餐盘的手腕上戴着一台巴掌大的采集设备；社区的退休老人在家整理杂物，头上的轻便摄像头正记录着每一个抬手和转身的动作；奶茶店里的店员制作饮品的流程，也同步转化为一串串标注好的数据流……

过去这些只能在实验室里靠机器人遥操作零星产出的具身数据，如今正顺着轻量化的采集设备走出实验室，汇入真实世界的生产体系，成为物理AI产业最稀缺的“燃料”。

8月31日，觅蜂科技宣布第二万套MEgo无本体数据采集设备下线，累计产出百万小时无本体数据。京东、腾讯等合作伙伴共同见证，这道行业难题如何交出一份规模化的答案。

“物理AI最大的瓶颈，还没到算力算法阶段，数据的缺口是数量级的。”这是业内早已形成的共识。与文本、图像数据天然存在于数字世界不同，机器人需要学习的操作技能、环境认知、决策逻辑，只能从真实的物理交互中采集。在语言大模型动辄以万亿token计的训练数据面前，具身智能领域的可用数据量差了四到五个数量级。

传统真机遥操作数采模式始终困在高成本、低效率的闭环里：搭建标准化实验室场景、采购专用机器人本体、雇佣专人值守，一天8小时工作时长内有效数据往往仅1小时左右，且场景高度同质化，难以支撑通用模型对多元环境的学习需求。

觅蜂选择的无本体数据采集路径，从硬件侧打开缺口。不同于绑定特定机器人本体的遥操作数采，无本体方案直接采集人类动作数据，再通过算法重建映射到不同机器人结构，更适配通用模型预训练阶段。从6月量产到8月底，三个月两万套MEgo设备下线，这套包含头戴全景相机与腕部采集单元的轻量化设备，支持无线连接与电池快拆，不再依赖基站与厚重线束，让数据采集得以走出实验室，进入真实生产生活场景。

伴随设备规模化落地的，是百万小时级的数据积累。官方数据显示，这百万小时数据全部来自开放环境真实采集，覆盖22大类场景、500余种细分任务、5万多类物体，居住、办公、零售、生产等八大高频场景贡献约82%的数据量。技术层面，通过自研手部姿态重建算法，在遮挡、快速移动、戴手套等真实复杂场景下，手部关键点重建误差控制在5毫米以内。

但百万小时只是行业规模化的起点。在觅蜂科技董事长兼CEO姚卯青看来，从百万小时级迈向亿小时级的数据积累，无法靠现有模式线性复制完成，这才是物理AI数据赛道真正的考题。“100倍的规模增长，通过现有的模式线性复制是非常难的事情，一定要找到一个方式降维打击。”他坦言，规模跃迁的核心瓶颈不止于硬件产能，更在于运营模式的重构。

无本体数据的规模化扩张面临多重现实门槛：一方面，数据采集需要渗透进千行百业的真实场景，场景开拓、准入协调、不同行业作业流程适配，都远比搭建标准化实验室复杂；另一方面，散点式采集对资产流转效率、人员管理能力、数据质量管控提出了更高要求。设备要在不同城市、场景间高效流转，不同背景的采集者要快速达标，海量原始数据要实时完成清洗、标注与质检。

姚卯青认为，破局的核心方向是发挥众包模式的价值，让更多普通人参与数据生产，用社会化方式摊薄成本、丰富场景。

在觅蜂的数采体系里，最核心的变化是数据生产的主体从专业采集员，变成了各行各业的普通从业者。

“现在已经不是只局限在采集厂、专业BPO公司，而是真正发动各行各业的人帮我们采集。”姚卯青透露，社区退休人员、全职宝妈、服务业一线员工，都已经成为数据采集的参与者。他们不需要懂AI技术，只需要戴上设备，正常完成自己的工作与家务，动作数据就会被自动采集、回传、处理。

这种模式的核心逻辑，是把数据采集从“专人专职的成本项”变成“顺路产出的增量项”。食堂阿姨本来就要洗碗，保洁员本来就要打扫卫生，快递员本来就要分拣包裹，在工作的同时戴上设备，8小时的工作时间里可以产出5到6小时的有效数据，效率是传统实验室遥操作的数倍，单位数据成本也随之大幅下降。

为了跑通众包模式，觅蜂采取了区域伙伴合作的轻量化策略：在各地寻找具备人力与场景资源的合作伙伴，由伙伴负责设备铺设、人员培训、日常运营，觅蜂输出标准设备、数据处理管线与质量规范，最终按有效数据小时结算费用。这种方式让企业不必直接雇用大量采集人员，也能快速拓展场景边界。

但散点式的众包天然伴随着质量管控的难题。不同的人动作节奏不同、规范程度不一，如何保证产出的数据都能被模型有效使用？

答案藏在精细化的运营设计里。比如采集人员进场前的标准化操作培训，采集过程中的过程管理。仅仅是“工作时收纳手机”这一项管理动作，就能让单人单天有效数据产出时间从1小时提升到2小时；再配合按有效小时结算的规则、达标后的阶梯返点激励，驱动参与者主动提升数据质量。后端则通过MEgo Engine数据管线对原始数据做切分、标注、质检，提出“不过滤，只分级”的原则，按数据质量、特征匹配不同的训练需求，而非简单丢弃“不完美”的真实场景数据。

隐私合规是另一道绕不开的坎。家庭场景里的个人信息、商业场景里的经营细节，都是不可触碰的红线。据介绍，目前的处理方式包括自动化人脸脱敏处理、采集前的场景授权确认，以及不同场景数据分类分级管理。但随着众包规模进一步扩大，如何在海量散点场景里持续保障数据合规，依然是整个行业需要面对的长期命题。

短短半年，无本体数采赛道已经走过了野蛮生长的阶段。

“年初的时候，大家拿手机、运动相机采一采的数据都能卖，现在这一类数据需求正在逐步下降。”姚卯青的判断，折射出行业需求的快速收敛。随着头部大模型与机器人企业的需求走向专业化，60FPS帧率、双目深度、毫米级空间精度、多模态时间同步，正在成为行业共识的准入标准。

门槛提升的背后，是数据标准不统一的行业痛点。不同厂商的采集设备、标注体系、数据格式各不相同，同一家模型公司如果采购多家厂商的数据，混在一起训练效果可能大打折扣，造成大量研发浪费。就如早年自动驾驶行业的问题，硬件与标准的差异，让数据难以互通复用。

对于这个问题，觅蜂的思路是用统一标准的全量数据解决。当一家的数据规模足够大、场景覆盖足够全、标准足够统一，自然就不需要拼凑多家数据。但这也意味着，行业最终会走向集中。

“肯定会寡头分布。”姚卯青并不讳言行业终局，“本身就是重投入，吃工程能力、运营能力，同时还有资金实力。做几万套设备是几亿级的投入，背后的数据中心要存几百上千PB的数据，建一个数据中心也是几亿、十亿级的投入。”

如今的赛道上，已经出现了不同路径的玩家：海外企业以垂直场景切入众包数据平台，重金投入C端市场；国内有像京东这样兼具场景与需求的产业巨头下场自研，也有开源社区尝试用轻量化方案推动数据共享。而觅蜂的定位，是做“一站式数据服务平台”，从硬件设备、采集运营到数据处理、质量评估，提供端到端的完整交付能力。

但赛道仍处在产业早期。数据的确权、定价、流通机制还远未成熟；仿真数据、无本体数据、真机数据的最优配比，行业仍在探索；从百万小时到亿小时级的数据积累，还需要模式上的进一步突破。

“两万和一百万，是里程碑，但更像行业的分水岭。”一位业内人士评价道。当数据采集从实验室走向真实街巷，从专职人员走向普通劳动者，物理AI的“数据电网”才刚刚立下第一根电线杆。而这张网络最终能织多大、织多密，将决定中国具身智能产业能走多远。

排版／ 季嘉颖

图片／ 采访对象

来源／《IT时报》公众号vittimes