把摄像头戴在人头上，能解决机器人“数据荒”吗？

【文/胡祥熙 编辑/吕栋】

一个简单的动作，机器人要怎么学？答案是数以万计的真实操作数据。

全球可用真实物理交互数据仅约50万小时，连千万小时级训练数据的十分之一都不到。缺口就是市场。

2026年，Physical AI赛道的热度空前，上半年国内具身智能赛道融资总额超过935亿元，仅具身数据这一细分领域就吸走了约170亿元。

近百个数据玩家涌入赛道，七成在做采集。

但集中式数采工厂成本高昂，真机遥操单小时成本500到1000元，一套工厂的硬投入包括设备、操作员薪酬和场地三项，没有规模化订单摊薄很难自负盈亏。

就在这种背景下，一种把摄像头戴在人头上的新路径爆发：普通人佩戴头戴式设备，在日常生活和工作中顺便采集第一人称视频数据，上传后按有效时长获取报酬，日薪120元到250元不等，成为机器人训练师。

全职宝妈、外卖骑手、退休老人......普通人头上戴着摄像头，日复一日地叠衣服、倒水、擦桌子、遛狗。他们采集的第一人称视频，正在成为机器人学习物理世界规律的教材。

这场全民数采运动轰轰烈烈地铺开，但问题依然悬而未决：把摄像头戴在人头上，真的能喂饱机器人的数据胃口吗？

从夹爪到手机，数据采集路线的急速转向

把时间拉回2025年。那时，数据采集还是一个存在于实验室和集中数采厂里的专业工种。在北京石景山首钢园，占地3000平方米的北京首个人形机器人数据训练中心里，100多台机器人被部署在家庭康养、汽车装配等十大实景场景中，工作人员戴着VR头显、手握夹爪，遥控机器人反复完成抓取、分拣等动作。这种真机遥操模式的成本极高，单有效小时成本在500至1000元区间。

2025年底，UMI通用操作接口路线从海外传入，用通用夹爪配合GoPro相机，让采集人员在真实场景中缓慢、标准地执行任务，成本有所下降，但夹爪操作门槛依然不低。

真正的转折发生在2026年3月。英伟达GTC大会上，EgoScale框架横空出世，用2万小时带动作标注的人类第一人称视频预训练，再加4小时灵巧手机器人实操数据微调，就让机器人学会了拧瓶盖、叠衬衫、转移液体等操作，成功率88%。这一结果颠覆了行业此前的认知：机器人不一定非得模仿机器人的动作，它可以观看人类做事的视频，从中学习物理世界的因果规律。

互联网上有万亿级token的文本语料，但机器人可用的真实物理交互数据全球满打满算不过50万小时；而训练一个具备泛化能力的具身大模型，业内主流观点认为至少需要1000万小时，要实现智能涌现则或许需100亿小时。

这个缺口决定了两个事实：第一，需求远超供给，头部客户的心态是即产即买，几乎不设数量上限； 第二，纯粹靠集中式工厂用真机遥操采集，根本填不上这个天文数字。

于是行业经历了三次迭代：最早是真机遥操，人通过VR设备操控机器人，重复执行任务，成本最高、精度也最高；随后是UMI路线，用通用夹爪配合相机记录操作轨迹，把机器人本体换成了廉价工具；再到如今的第一人称人类视频，普通人戴着头戴设备或直接用手机拍下日常操作，上传即完事。

每一次迭代，都朝成本更低、门槛更低、规模更大的方向跨了一大步。

这背后还有一条更深层的技术转向。早期业界主流的VLA路线要求数据像机器人一样精准，每个关节角度、每毫秒力矩都是标准答案，廉价数据的噪声会被模型放大到无法使用。

但从2025年下半年开始，世界模型路线迅速崛起，它主张机器人从海量人类第一人称视频中学习物理世界的因果规律，重力让杯子下落、不同力度拧瓶盖结果不同等等，再只需少量真机数据微调，就能泛化到未见过的任务上。

这一转向意味着数据可以“脏”一点、场景可以乱一点、操作可以不标准，只要够多、够真实、够多样，反而是好事。于是工具从精密夹爪降级为手机支架，采集要求从动作必须精准变为正常记录就好。

这正是头上长摄像头能站上舞台的技术前提。

目前，全球已形成一条清晰的众包采集产业链：普通人每天工作6到8小时，按有效时长拿到20到50元每小时的报酬；经过采集平台审核、标注、算法处理后，这些数据以200到400元每小时的价格出售给机器人厂商或模型公司，毛利甚至可达100%。

京东发动10万员工及外部50万各行业人员即戴即采；蚂蚁数科研发手机加颈挂式支架的AoE框架；纵横物理推出售价899元的数采AI眼镜。

这条赛道已经到了“战国时代”，每个月都有新方案替代旧方案。

“物理AI最好的老师，是每一个认真生活的人”

具体观察会发现，数采行业中的企业也在给出自己的答案。

9月23日，觅蜂科技董事长兼CEO姚卯青抛出了一个判断：物理AI最好的老师，是每一个认真生活的人。

据了解，觅蜂科技当天发布了全球首个全品类高质量物理AI数据众包服务平台“觅蜂派”。觅蜂派面向社会开放物理 AI 数据采集任务，用户通过觅蜂派App领取数据采集任务，佩戴 MEgo 设备在零售、仓储、制造、家庭等真实场景中完成指定操作，按照审核后的有效数据时长即可获得相应报酬，成为一名“机器人训练师”。

在发布会当天的一场对话中，关于数据缺口，姚卯青对观察者网等媒体表示，目前需求远大于供给，而且只会越来越大。

他提到，头部客户的数据需求已从去年的几十万小时跃升至千万小时级别，很多客户都已经到了预算1000万小时的水平。而要做到千万小时规模，需要几万套采集设备同时运转。但他同时认为这还不是终点，整个行业对数据的依赖变得越来越大，而且是在不断地往更大规模快速突进。

为什么增长如此迅猛？他解释，随着行业从VLA模型向世界模型乃至世界推理模型演进，对真实世界数据的需求只会成倍放大，这是不可逆的趋势。

关于众包模式的核心竞争力，姚卯青给出了一个反直觉的回答：真正难的不是技术，而是运营。他指出，这个赛道不太适合几个人出来创业，融了几百万、一千万就能把这个事规模干起来。要应对千万小时级别的数据需求，需要大几个亿固定资产投入，设备生产制造、人员雇佣、云端基础设施，每一环都是重资产。

姚卯青提到，快速规模化运营人、运营场景、运营设备的能力才是真正的门槛。行业资源极度摊薄后，整合是必然，未来会出现明确的分工，有的公司做硬件，有的做运营，有的做后处理技术服务。

关于数据质量，贯穿姚卯青观点的一条主线是数据质量分层理念。

他表示，行业不能把数据简单分成好和坏两类，而是应该给数据贴上不同质量标签，让不同模型、不同阶段的训练各取所需。在觅蜂派的操作中，结算环节之后超过95%的数据最终能被用起来，而不是简单丢弃，这在行业内是极高的利用率。

针对外界对第一人称视频到底有什么用的疑问，姚卯青给出了清晰的定位：Ego数据不是针对单任务Demo优化用的，而是在大模型、世界模型的预训练阶段，用来提升基础模型的零样本泛化能力。小数据量时效果不明显，但到百万、千万小时级别后就会逐步涌现。真机数据则用于后续的动作适配、部署验证和数据回流，两者是分层互补的关系，而非替代关系。

关于商业模式，姚卯青的回答中提到：即使单次出售，也已经有比较好的毛利率。他算了一笔账：采集侧通过众包让普通人在日常生活中顺便采集赚补贴，成本结构优于专职雇人；后处理侧从标注、切分到空间信息提取，所有模型全部自研，数据量越大，模型效果越好，人工占比越低，自动化程度越高，形成正向飞轮。叠加数据可多次销售的商业模式，他明确表示商业上是可以打正的。

答案或许不只是能或不能

回到最初的问题：把摄像头戴在人头上，能解决机器人的数据荒吗？

从数字上看，众包模式确实正在突破集中式采集的产能天花板。觅蜂派内测仅一个月，注册用户已突破2万，累计产生1.3万份采集任务提交； 其MEgo设备已于8月底下线第20000套，累计生产超100万小时的真实世界无本体数据。 姚卯青测算，1万台设备一天工作十多小时，产出4小时有效数据，一年250个工作日，就能产出1000万小时，这个量级已经可以满足头部客户的年度需求。

而且这种模式的商业可持续性正在被验证。即便单次出售已能实现较好毛利率，数据还能反复多次销售给不同客户，降低行业和社会的重复造轮子的成本。

但硬币的另一面同样不容忽视。

科技树的方向仍在摇摆。世界模型路线让脏数据变得有价值，但这不等于说所有脏数据都有用。业内尚未形成统一的仿真数据质量验证公共基准，Sim to Real的虚实差距依然存在。

真实世界的操作经验成为最稀缺的训练资源，众包确实提供了一个从10万小时到1000万小时乃至100亿小时的可操作路径。但路径终归只是路径，不是终点。数据是土壤，但种子，也就是世界模型、VLA架构、物理仿真引擎，才决定这片土地上能长出什么。

把摄像头戴在人头上，能缓解数据荒。但要真正解决数据荒，还需要更多：行业标准的统一、数据质量的闭环验证、商业模式的真正独立，以及那个所有人在等待的具身“GPT时刻”的到来或不来。

在当下，这个答案还没有人真正写出来。