文｜ IT时报 沈毅斌

编辑｜郝俊慧 孙妍

在具身智能兴起的几年间，大量具身智能数据采集中心拔地而起，人形机器人在其中反复练习行走、抓取，获取最基础的场景训练数据。但今年下半年，业界对数采中心的热情开始降温。

坐落于北京首钢园的北京首家人形机器人数据训练中心近期停运，原运营方睿尔曼智能撤出全部自有设备与机器人，成为数采中心第一轮洗牌的缩影。

与此同时，觅蜂科技发布觅蜂派App，以众包模式扩大数据采集网络。在杭州、苏州等数十个城市，许多普通人开始戴上轻量化头戴设备，把做家务、理货、做手工的日常过程记录成数据。不用懂算法，不用进实验室，只要按任务要求完成操作，就能按有效时长获得报酬——分散在千家万户的真实场景，正在成为具身智能数据新的供给源。

一边是集中式数采厂的关停潮，一边是全民众包的新生路，具身智能的数据采集赛道，正经历商业模式的深层重构。

数采中心泡沫破裂

2025年，具身智能从概念快速走向落地，真机交互数据、第一视角动作数据的需求集中爆发，使得集中式数采中心成为最先跑通的商业模式，不少地方产业园甚至将数采基地作为招商标配，“建数采厂”一度成为赛道风口。

调研机构Interact Analysis报告显示，截至2026年4月底，国内已有至少90个人形机器人数据采集和训练中心处于使用或规划建设中；中国信通院人工智能所发布《具身智能训练场研究报告（2026年）》也显示，截至2026年6月底，全国建成启用超70家训练场，在建或规划中的训练场46家。

租下一片场地，搭出家居、仓储、分拣等模拟场景，采购一批机器人本体或动捕设备，雇用专职操作员做动作示范，采集完成的数据打包卖给模型厂商。这套标准化的复制路径，让“月产千小时数据”的故事在行业里反复上演。

场景建得多，但真正能让具身智能落地的应用数据却极其稀缺。

近日，被称为“具身智能眼脑手第一股”的企业梅卡曼德，其创始人兼CEO邵天兰在朋友圈发文表示，行业里有很多“攒局型”具身智能企业，利用所谓“数采中心”和与投资方、供应商的关联交易来制造虚假的、不可持续的收入。

此番言论刺破了数采中心的泡沫，也让业内开始重新审视这种重资产模式的合理性。而数采中心集中式采集模式的困境，本质上是三重天生短板的集中暴露。

首先是成本刚性难题。一座标准的真机数采中心，仅机器人本体、动捕设备、场地装修的前期投入就达数百万元，再加上人员薪酬、设备折旧、运维损耗，单小时数据的采集成本长期居高不下。更关键的是产能几乎没有规模效应，要提升数据产量，必须等比例增加机器人、场地和操作人员，投入和产出基本呈线性关系，很难通过扩张来摊薄成本。

其次是场景同质化困局。绝大多数数采厂的模拟场景都集中在叠衣服、搬箱子、包裹分拣等少数通用任务中，数据重复度极高。“很多单个模型和具身智能公司都在使用百万级小时数据，但类似叠衣服的数据已经泛滥，不需要了。”觅蜂科技CEO姚卯青在接受《IT时报》等媒体采访时直言，真正稀缺的精密装配、非遗技艺、特殊工况等细分场景，要么搭建成本极高，要么根本无法在封闭的模拟场地里复刻。

最后是质量参差不齐。行业仍处于野蛮生长阶段，不少团队用手机、运动相机凑数，帧率不达标、空间精度差、时间同步错位等问题普遍存在。随着头部模型厂商对数据要求提升，这类“水货数据”迅速失去市场。“年初大家还广撒网试各家数据，现在头部客户都开始定点独家采购，数据杂了反而会‘毒’模型。”姚卯青说。

当然，集中式数采并非就此失去价值。针对特定机器人本体的后训练数据、高精度真机遥操作数据，依然需要通过专业数采中心完成。只是这一市场容量有限，且已被头部玩家瓜分，大批跟风入局的中小玩家，自然成为泡沫破裂后最先出清的部分。

人人都能成为机器人“训练师”

集中采集模式难走通，行业开始向分布式要答案。Figure公布的Helix 2.5实验证明了众包模式的价值：在30套陌生住宅中，不采数据、不额外训练，Index的预训练让零样本成功率从9%提升至56%。

觅蜂打造的众包模式同样如此，让数据生产从“专人专职的成本项”变成“顺路产出的增量项”。宝妈做家务、餐厅服务员备餐、产线工人装配零件，动作本身就在日常生活中发生，采集只是额外增加一个记录环节，就能在原本8小时的工作时间里，产出5到6小时的有效数据，采集成本压缩到集中式采集的几分之一，甚至更低。

接单方式和外卖、网约车的众包逻辑异曲同工，平台方统一发布采集任务，大众通过觅蜂派App申领设备，在自身生活或工作场景中完成指定动作，数据经平台校验处理后交付客户，采集者按有效时长获取报酬。

《IT时报》记者在觅蜂派App上观察到，平台目前覆盖了22大类场景、5000多项任务，包括车间生产、商超理货、农业生产、医疗护理，甚至非遗技艺、体育运动等技能，也能成为训练机器人的数据来源。每次工作时长和报酬因内容不同有所区别，大致为2分钟到90分钟不等，价格从6元到30元不等。

其中最受欢迎的是居住类场景，包括物品收纳、家居清扫、厨房整理等。这类场景贴近普通人的日常生活，采集门槛极低，任务完成自由度高，大部分名额已经被抢空。

42岁的网约车运营人员李国英是较早一批参与数据采集的众包用户。结束白天的跑车工作后，他回到家就会戴上平台提供的MEgo数采设备，记录浇花、擦玻璃、整理桌面和文件的过程。大约15分钟后，他将数据上传至觅蜂派App，通过审核后获得任务收益。

众包模式的两道必答题

在数据如何被使用、最终服务于谁的问题上，Figure的Index与觅蜂派的方向各不相同。Index主要围绕Figure自身的模型训练需求建立数据闭环；觅蜂派则面向不同模型厂商、机器人企业和数据采购方，根据客户训练需求组织数据生产，将处理后的数据作为产品与服务对外交付。

能否跑通这套商业模式，觅蜂需要回答两个问题：一是谁会买数据、用数据？姚卯青将目标客群归纳为三类。第一类是具身智能企业，需要大批量的无本体众包数据用于基座预训练，帮模型建立通用的动作表征与环境感知能力；也需要对应本体的真机数据开展场景后训练，定向优化特定任务的成功率；第二类是世界模型创业公司，高度依赖第一视角的真实交互数据学习物理规律、动作逻辑与空间表征；第三类是头部大模型厂商。“大模型企业要进一步提升模型本身的智能能力，必须要进入真实世界去闭环、去决策这些数据。”姚卯青说。

据了解，觅蜂百万小时级无本体数据已开始服务腾讯Robotics X实验室、蚂蚁灵波等头部客户，根据不同模型训练需求提供相应的数据产品与服务。

另一个问题是，众包模式能够快速扩大产能，但分散在全国各地的采集者，如何保证数据输出质量？

觅蜂给出的方法是“硬件统一打底+自动化质检为主+分级价值复用”的全链路管控。所有众包人员使用MEgo系列采集设备，从硬件端就拉平采集标准；其次，端侧设备做基础合规校验，云端引擎自动完成画面切片、动作识别、隐私脱敏和质量打分，再辅以人工抽检。同时，按质量打上分级标签，匹配预训练、微调等不同阶段的模型需求。最终通过结算环节的数据，超过95%能进入模型训练环节。

从全球范围看，Figure的Index平台、国内的觅蜂派等玩家，都在验证众包数采的可行性，但赛道远未到终局，数据确权、定价标准、安全合规等行业共性规则仍待建立，从百万小时到亿小时的规模跨越，还需要更多模式创新。

可以确定的是，具身智能的数据供给，已经告别“一拥而上建工厂”的野蛮生长阶段，正在走向分工更清晰、模式更多元的成熟期。

排版／ 季嘉颖