本文来自微信公众号： 42号电波 ，作者：x，编辑：大吉
一位为机器人训练数据订单组织采集团队的中间商最近向我们透露，生意越来越难做了：合同约定每小时50元，但视频通过基础质检之后，还要被客户逐段评定任务复杂度，简单和中等难度的片段可能不再计费，只有复杂任务进入最终结算。
如果复杂片段只占全部采集时长的一半，原本每小时50元的订单，折算下来就只剩25元。
按他的说法，卖方在签约、组织采集时，甚至无法准确预知任务最终会被怎样分类。人员已经安排，设备已经投入，一小时工作究竟能换回多少钱，却可能要等到验收后才知道。
这笔订单背后，是过去两年逐渐兴起的机器人训练数据生意。
今年9月，OpenAI发布GPT-6 Astra，在特定三维空间任务上表现出更强的能力。同期的外滩大会上，自变量机器人创始人王潜表示，从2025年初开始，OpenAI、Anthropic就已大量采购机器人数据，并建立小规模的数据工厂。
理解三维空间，还不等于能够操作真实世界。要让机器人学会整理衣物、操作工具，仅靠互联网文本和视频还不够，模型还需要学习动作如何发生、如何与物体交互。
让机器人在真实环境里反复试练，成本高、迭代慢。不少模型公司选择先向人类学习：由数据供应商组织人员佩戴摄像头与传感设备，记录做饭、整理衣物、检修设备等操作；素材再经过筛选、标注、动作信息提取，加工成机器人模型可用的训练材料。
这催生了一批专门组织人员、设备和场景的数据供应商，其中一些已经形成百万小时级的数据生产规模。
2026年8月，觅蜂科技宣布累计生产超过100万小时无本体数据，第20,000套MEgo采集设备正式下线。9月，Midcentury对外宣称拥有超过200万小时第一人称数据资产；10月，Maxinsights在宣布完成3,000万美元种子轮融资时披露，公司已累计采集超过200万小时真实世界数据，其中约150万小时达到其定义的模型可用标准。
数据的生产网络正在快速扩张，但不同企业在供应链中的位置，以及它们能够获得的商业价值，正在出现分化。
订单的流转背后的角色分化
模型实验室提出采集需求，由直接服务实验室的数据公司承接，再分包给不同地区的采集组织者。后者负责人员、场地和设备，录制的视频经过筛选、同步、标注，部分还需要提取手部轨迹或重建三维动作信息，最终才能进入模型训练流程。
不同企业在这条链上的位置，很大程度上取决于它们原本拥有什么能力。
一类复用已有的劳动力组织能力。
一家国内真实场景数据供应商，原来经营的是大模型数据业务。
他们组织人员录制粤语、西班牙语、葡萄牙语等语言数据，也承接金融、高难度数学题等专业领域的订单。为了制作高难度数学题，甚至需要找到国际数学奥林匹克竞赛金牌选手。
这类业务考验的是组织能力：找到合适的人，培训他们按要求完成任务，再管理质检和交付。
转向具身数据之后，这套体系仍然适用。客户需要工厂，就寻找工厂和熟悉现场操作的工人；需要家庭，就组织人员进入真实家庭。采集人员佩戴摄像头，记录自己完成任务时看到的画面，设备和人员围绕订单重新配置。
按这位创始人的说法，业务转换比较顺利，原来的大模型数据业务也没有停止，「单子挺多的」。
从语言、文本到人类操作视频，数据内容发生了变化，但底层的组织方式存在相似之处：模型公司提出要求，数据供应商将需求拆解成可以交给真人完成的工作。
海外的Instawork也在复用既有的劳动力组织能力。它原本经营餐饮、酒店和物流等行业的灵活用工平台，现在将人力网络延伸到机器人领域，既提供真实场景中的第一人称视频，也组织多模态采集、遥操作和UMI数据生产。
同一套组织能力，还延伸到落地侧，Instawork还为已经部署的机器人提供现场操作员、培训和运营支持。
Kled则采用任务平台模式。AI实验室提出数据需求，平台将任务分配给符合要求的贡献者，并通过任务推荐、验收率和区域信息提高匹配效率。2026年9月，Kled宣布贡献者网络超过50万人。
另一类公司，原本就掌握数据加工工具和大模型客户资源。
Scale AI、Appen等传统AI数据服务商，将原有的数据标注、质量管理和客户服务能力延伸到机器人领域。
Scale AI从自动驾驶数据处理起家，2025年9月宣布已完成超过100,000小时机器人数据生产，与Physical Intelligence、Generalist AI、Cobot等公司都存在数据业务关系。
2026年3月，Scale AI又与Universal Robots合作，将数据引擎接入工业机器人训练。10月，其与Hugging Face合作发布的FineART数据集，进一步将机器人操作记录拆分成带时间戳和语言描述的子任务。
Encord的位置有点特殊。它一边向采集网络购买原始数据，另一边向模型和机器人公司提供加工与管理服务。
其官网公布的采购条件显示，上游不需要完成边界框、分割掩码等标注工作，而是提供数据样本、采集能力、现有规模和小时报价，并分别说明存量数据与定制采集、独占与非独占授权的条件。
原始数据生产与最终客户服务，可以由不同公司承担。
还有一类企业，则将设备、采集、处理和交付整合到一套生产体系中。
Maxinsights在多个国家组织采集人员，将数据生产拆成采集、检查、标注、筛选和交付等环节。据公司披露，其通过当地人力服务机构招募人员，再直接管理采集流程。
觅蜂围绕MEgo设备组织生产，并通过「觅蜂派」平台将任务分发、设备使用、质量验收和报酬结算整合成线上流程。
Mecka则自研多传感器采集设备，在真实环境中组织人员，再通过内部模型完成动作追踪与三维重建。
看起来都在卖数据，但它们实际经营的是几种不同的生意。它们既可能在同一条供应链上合作，也可能争夺同一笔数据订单。
供应商名单很长，买家名单很短
顺着订单链路向上追溯就能发现：数据供给网络虽庞大，能持续吃下大额具身数据订单的终端买家，依然高度集中。
两家国内头部Ego数据供应商告诉我们，它们各自最大的客户都来自海外大模型公司。
已经关停的机器人数据创业公司Eidon AI，其联合创始人Sam Padilla曾估计，全球大型实验室里，能够批准百万美元级数据采购的决策者，可能只有20至50人。
公开披露的供应关系也能看到这些数据流向。
正是在这样买方集中的格局下，早期的数据生意机会来自于信息差。
消息灵通是一种优势：更早拿到实验室需求，就能快速调配人员、场地、设备，接单分包。
但对接实验室的核心服务商，价值早已不止拿单。难点在于把模糊的模型需求，翻译成采集员可执行的任务标准，并且管控多层分包下的数据一致性。
一位国内头部数据供应商创始人将这一市场分成两个世界：「接单是比较好的，那叫上游，落地下面就是卷价格。」
随着供给持续涌入，渠道之间互相压价，单纯靠扩人力的模式越来越难赚钱。而核心买家的需求本身也在发生变化。
走向深水区
行业从业者告诉我们，不少前期大批量采购通用Ego数据的实验室，第一轮采购已经收尾。新订单越来越偏向指定场景、指定任务。哪怕是定制采集，报价单位依旧按小时结算，但买家开始深究：这一小时视频里，到底承载了什么信息。
大规模、多样化的人类操作数据仍然重要，但对模厂来说，同质化操作视频的边际增益正在下滑。早在9月，市场上的居家场景采集订单已经停了很多。
头部模型公司的采购规模扩大的同时，希望更具体地定义数据构成与交付标准。觅蜂科技董事长姚卯青在9月的媒体交流中透露，一些头部客户要求每周交付5万至10万小时数据，已有客户提出千万小时级需求。与此同时，部分客户正在从同时尝试多家供应商，转向更稳定的定点合作。
他给出的一个原因是，不同来源的数据混合后，质量和规格一致性难以控制，增加了后续清洗与训练的难度。
Figure发布INDEX数据采集平台时，除了公布视频规模，还披露了另一组指标：每1,000小时视频包含约373种任务、1,146种被操作物体和116种环境。Figure通过去重、任务配额和分布调整，减少高度重复的内容。
2026年8月，已经停运的美国廉价航空公司Spirit Airlines，在破产资产拍卖中吸引了多家AI公司竞购。Google以1,000万美元成为企业数据的中标者，Mercor出价750万美元。
它们看中的是包含约1亿封内部邮件、5亿条Microsoft Teams消息，以及企业运营、财务、人员管理和项目资料的数据资产。
这些记录的价值在于，它保留了一家企业如何处理真实工作的上下文：任务怎样提出，不同部门如何协作，问题如何处理，最终形成什么结果。参与竞购的AI数据公司micro1，在10月进一步宣布，计划未来一年投入10亿美元采购和授权企业运营数据，将其用于构建模拟真实业务流程的强化学习环境。
可见，AI公司不仅需要大量真实世界记录，还希望从中提取可以用于训练和评估的任务过程。
对于已经部署机器人的企业，这类需求还会进一步细化。物流机器人公司Pickle Robot购买Encord的服务，主要是解决包裹轮廓标注不完整、多边形相互重叠等问题，减少工程师审核和返工。Weave Robotics则需要随着机器人进入不同家庭和商业洗衣环境，持续更新任务定义，处理此前没有覆盖的失败案例。
姚卯青在公开交流中提到，部分头部客户对手部姿态重建精度的要求已经达到毫米级，甚至提出5至7毫米的标准；帧率、时间同步、空间定位和语义标注也都有相应要求。
供应商的产品也随之向细粒度、多模态方向迭代。觅蜂区分裸手Ego、Ego+Wrist、Ego+UMI数据；光轮智能按任务场景组织多视角采集；Maxinsights推出MaxGlove传感手套，补充力感知、重量信息。
而此前留给模型公司处理的部分工作，成了供应商出售的产品。Encord、Scale AI、光轮智能等公司，也开始在不同程度上将数据管理、质量控制、模型评测等环节纳入自身产品或服务。
买家要求越来越具体，不意味着供应商的利润也能随之提高。
一位数据供应商告诉我们，一个项目第一轮采集了1,000多条数据，最终只有约300条通过验收。同一个任务可能需要重复做三遍，客户的标准还可能按月调整。
「甲方要的不是数据，是替他试错。」另一位供应商这样形容。
对模型公司来说，调整采集任务和筛选标准，是寻找有效训练数据的过程。但对实际采集者而言，人员、设备和场景成本在生产开始时就已经发生。
复杂多模态数据的加工背后，还有不小算力成本。一位数据清洗从业者告诉我们，在他所用流程里，手部重建开销很高：一分钟视频大约需要单张GPU跑三分钟。
而重资产路线的风险，在Eidon AI的失败案例里体现得淋漓尽致。
这家公司运营两年多，2025年转向机器人训练数据，开发上肢追踪设备、手指追踪手套和第一人称视频采集方案，组织人员在真实家庭中完成任务。
联合创始人Sam Padilla在关停后的复盘中称，从寄出第一批追踪设备，到累计采集约3,000小时数据，团队花了约五个月。其中一半是纯第一人称视频，另一半是与追踪设备同步记录的数据。但潜在客户希望的交付速度，是每个月、最好每周达到类似规模。
Eidon报价并不便宜，视频加运动追踪数据，以1,000小时为单位销售时约每小时60美元；包含更精细手指动作信息的数据，价格最高约每小时100美元。
但Padilla计算过，采集人员报酬只占售价约一成，其余收入还需要覆盖设备制造、损坏和更换、跨境运输、组装、质量审核、不合格录制，以及研发和运营投入。
更难预测的是，客户未来究竟需要哪一种数据。Padilla在复盘中提到，Eidon选择了通过惯性传感器推导人体关节角度的方案，但不同实验室对数据格式存在明显分歧。对一家已经投入设备研发、制造和跨地区采集网络的公司来说，这些差异无法通过调整任务清单解决。如果模型公司改变数据路线，部分前期投入便难以复用。
停留在通用Ego，容易被众包网络压价；向上做硬件、多模态、治理闭环，资产变重、试错成本得自己扛。这门生意的难点，从能否生产足够多的数据，变成了能否持续生产客户需要、又能够摊薄成本的数据。
买家自己也在建工厂
当模型公司越来越清楚自己需要什么，它们也开始考虑哪些环节要握在自己手里。
Figure AI早期也曾向外部采购数据。后续它判断第三方供应商很难同时满足Helix模型对采集速度、任务多样性、样本一致性的要求，因此搭建了和训练闭环绑定的自有数据生产体系。INDEX上线四个月时，已经拥有超过44,000名周活跃贡献者，累计上传超过1,600万条视频，向贡献者支付约1,500万美元。
和一次性采购数据集不一样，通过这种方式，模型团队可以根据训练反馈动态调整采集任务，定向补齐样本缺口。
Optimus思路相近：一部分来自工厂员工完成真实任务时的记录，另一部分来自专门采集团队提供的高质量操作示范。Tesla还计划在拥有足够多机器人之后，通过Optimus Academy让机器人自主练习，从成功和失败中获得训练数据。
家庭机器人公司Sunday Robotics同样把采集能力纳入自身体系。今年3月，Sunday宣布完成1.65亿美元B轮融资时，披露其数据运营团队规模扩大了五倍。公司将自研Skill Capture Glove、真实场景采集、模型训练和机器人评测视为一套内部体系，并希望未来通过机器人部署持续积累专有数据。
自建不等于全部自给自足。Generalist依旧同时与多家外部数据工厂合作，并在相关研究中比较不同来源的数据，用模型增益决定下一轮采什么。
国内也出现了一种路径。蚂蚁灵波与简智机器人计划围绕LingBot全系具身模型开展数据协同，联合研发专属数据采集设备。简智此前已开发GenDAS数采设备与数据治理平台。与直接购买现成数据不同，这类合作让供应商的硬件和生产流程深度对齐模型迭代节奏。
模型方正在把任务定义、数据标准、训练反馈这些核心环节握在手里。这一变化已经引起金融机构关注。
野村证券在一份全球机器人研究报告中提出，独立数据采集企业可能还有约三年的持续采集窗口，并预计到2027年底，市场上的数据供应商数量将开始减少。随着数据工厂及海外众包网络扩大，采集价格也可能继续承压。
模型公司未必包揽全部采集工作，但会保留顶层决策权，这也重新划分了第三方数据供应商的机会。只是供应商要证明，这些能力能够比客户自行建设更高效，或者能够提供客户内部体系难以覆盖的资源和专业服务。
更长远的变化，则可能来自机器人自身。
随着实际部署规模扩大，任务中的失败、人工接管和恢复，有机会成为新的数据来源。不过，能否像自动驾驶车队一样形成持续的数据反馈体系，仍取决于机器人部署规模、数据质量和模型训练效果。
但对于今天的供应商来说，能够生产多少小时数据，只是衡量竞争力的一部分。
回到开头那位渠道商的订单。他不知道一小时工作最终能换回多少钱，因为哪些数据能够进入结算，很大程度上取决于买家的验收标准。
而买家自己，也在通过训练和实验，判断下一批数据究竟应该采什么。
百万小时是规模叙事的起点，不是生意的终点。
