人形机器人数据采集基本没前途

寂静回声

2025年到2026年，人形机器人行业涌入了上百家数据采集公司。
融资PPT里写着同样的话术：
"机器人需要海量真实世界数据"；
"我们是人形机器人时代的Scale AI"；
投资人买单，媒体吹风。热闹。
这些公司正在做一件从第一天就注定失败的事，因为世界是瞬间变化的，你不可能采集到所有数据。

ChatGPT能横空出世，是因为互联网已经替你采了几十年的数据，一分钱没花。
从1990年代第一个网页上线开始，到2023年GPT-4训练完成，三十多年间，全球互联网上自然沉淀了天文数字级别的文本数据。维基百科、Reddit帖子、GitHub代码、学术论文、新闻稿、论坛讨论、电商评论。这些数据是"用户自发生成，顺便成为了训练语料"，而不是"为了训练AI而专门去写"。
Common Crawl一个快照就有400TB以上的网页文本，RedPajama数据集仅开源部分就超过1.2万亿token。仅中文互联网公开文本量级也在数十万亿token级别。
没有人为了训练GPT去额外花钱写文章、发帖子、编代码。这些数据是在互联网商业活动、社交行为和知识分享时"顺便"产生的。
这就是大模型成功的根基：海量数据 + 零采集成本 + 非监督学习。

一个token代表一个词或子词，ChatGPT训练用了大约13万亿个token。但一个机器人的一个动作，比如说"拿起杯子"，涉及的物理量包括：六自由度位姿、关节力矩、接触力、摩擦力、视觉深度、物体形变、时间序列……这不是13万亿的问题，是13万亿再乘以N个数量级的问题。
具身智能先驱Pieter Abbeel的团队曾在论文中测算：要让一个机器人学会"抓取任意物体"这个单一技能，大约需要数百万次真实物理交互。而一个完整的通用型人形机器人，至少需要数百亿乃至数千亿次交互数据。
截至2026年初，全球高质量真实物理交互数据总量仅约50万小时，不足大语言模型训练数据的两万分之一。1小时真实数据的采集成本，约等于仿真10万小时的生成成本。
这个量级的数据，绝无可能靠人工采集完成。

现在市面上的数据采集公司，商业模式大概是这样的：
1. 搭建一个"数据工厂"，部署几十到几百台机器人或机械臂
2. 雇佣大量操作员通过遥操作（teleoperation）让机器人执行各种任务
3. 记录下操作过程中的视觉、位姿、力反馈等数据
4. 把这些数据打包卖给机器人公司做训练

一个遥操作数据采集工位：硬件成本约5万到20万元（机械臂+传感器+采集系统），一个操作员一年的工资约8万到15万元。每个操作员每天有效采集时长最多4到6小时。一个工位一年产出的有效数据量大概在几百到几千小时级别。
而要让一个机器人学会"通用抓取"，需要数百万小时的数据。也就是说，一个50人规模的数据工厂，连续运转一年，连一个技能的数据都不够喂。
特斯拉Optimus至少需要数百万小时的数据才能完全准备好，这期间可能需要至少5亿美元的数据采集成本。一台遥操设备投入约35万元，每人每天大约只能采集500条数据。
你让一个工人在桌子上反复抓杯子、抓积木、抓苹果，场景太单一，泛化能力极差。
要覆盖真实世界的多样性，理论上你需要采集的数据场景是无穷尽的。
本质矛盾在于数据的价值量级要求"多到免费"，而人工采集的成本决定了它"少到昂贵"。这条裂缝无法弥合。

风雨同行

哈哈，大侠最近关注人形了。
之前老板也想搞这个数据采集，跟他讲数据采集这活太低端，根本炒不起来股价，也是为他人做嫁衣，哈哈，老板去打听一圈之后就没搞了。