在觅蜂科技的数采工厂里，机器人训练师小纯（化名）正盯着屏幕上一段家庭厨房的画面。

相关画面

视频里，一位中年女性正站在洗碗池前忙碌，双手在水流和碗碟之间来回穿梭。画面角落里，两条红蓝相间的动态线条实时追踪着手部移动轨迹，咬住每一个动作。对于物理AI数据而言，“采下来”只是第一步，准确重建人类手部动作和捕捉全身姿态，是将真实经验转化为机器可学习数据的关键。这是系统自动生成的手部位姿，也是判断数据是否合格的第一道门槛。

小纯告诉我们，这段家庭洗碗的视频，来自佩戴MEgo设备采集的原始数据。审核的标准很具体：手上的红蓝投影线不能消失，如果画面里手部识别丢失、投影线断掉，这一段就算失败，无法通过；动作要自然合理，不能过快或过慢，场景布置也要符合真实家庭环境的状态。

这一套数据处理基础设施，覆盖数据处理、感知、标注和质量评估等环节。数据经过验收，最终被上传到平台，成为机器人学习真实世界操作技能的素材。

这样的每一帧画面，都在为当前的物理AI模型积累着最原始的学习素材。

数采的需求正在爆发

物理AI当前面临的最大瓶颈已不是算力或算法，而是数据。

此前曾有行业人士告诉观察者网，当前的语言大模型从人类的思考和思想中飞速进化，用短短数年的时间消化掉人类几千年的智慧结晶，主要靠的是抓取互联网文本信息和图片，但这对物理AI并不完全适用，物理AI需要从人类的真实生活和行为中逐渐模仿、学习人类几十上百万年进化的结果。

这一判断背后，与语言模型天然存在于互联网和资料中不同，机器人要学的是动手干活的能力，这些经验在数字世界并不存在，必须从真实场景中一点一滴采集。

一年多以前，行业还在依赖有本体遥操作进行数据采集，一个员工佩戴本体在工厂里工作八小时，有效数据可能仅有一小时，电费、人工、场地成本居高不下，还要计算数据的标注成本、本体成本、维修成本等等，产能极为有限。

如果按照这样的规模进行数采，那成本耗费巨大到难以想象的地步，有行业人士告诉观察者网，表示如果这样做，“把全世界的钱烧光了也没用”。

而在实验室中条件有限的数据采集效果，也并不算好。

北京首个人形机器人数据训练中心于8月28日被曝停运，此前它曾被视为规模化真实机器人数据采集的标杆。该中心最初由睿尔曼智能运营，相关负责人此前受访时表示，此次停运实为主动升级。

他表示，尽管中心已积累千万级轨迹片段，但这些数据本质上仍停留在实验室层面；他强调，具身智能要真正“干活”，数据必须来自真实的生产与生活场景，而非模拟环境。

机器人的数据荒已经空前严重，而无本体数据采集的兴起或许能给困境的改善提供希望。

8月31日，觅蜂科技举办了第20000套数采设备的下线仪式，并称已累计生产超过100万小时数据。MEgo设备在采集形态上，包含裸手、Ego+Wrist腕带、Ego+UMI夹爪三类数据体系，分别对应人类自然操作、腕部姿态与连续运动轨迹，以及机器人末端执行等不同数据需求。

在此次发布会上，觅蜂科技董事长兼CEO姚卯青介绍，无本体数据采集成本已降至真机的一半甚至三分之一。

同时，数据的有效率也有提升，姚卯青举例表示，公司的一个保洁阿姨在食堂工作时顺便佩戴设备，八小时便可产出五六小时有效数据。

“无本体数据需要在各个场景、各个行业、各个城市之间流转，人也是不同的人，需要对他们进行培训，还要能够进入那些真实场景。”姚卯青表示。

他认为，真实数据的采集量从当前的百万小时扩大到亿小时，依靠复制数采工厂的路线并不现实，更可行的路径，是通过便携式设备和众包网络，把采集任务分散到不同地区和行业，让数据直接产生于家庭、工厂和商店等真实场景；平台则负责统一任务设计、质量控制、标注和验收。

目前，数采行业的格局正从野蛮生长的环境中走出。

姚卯青谈到，年初时，市场参与者鱼龙混杂，有人拿手机和运动相机采集数据就能售卖。但到下半年，头部客户的需求已开始收敛，60FPS帧率、1080P分辨率、双目视觉、深度信息等参数逐渐成为行业共识，对设备重量、无线便捷性、时间同步精度、空间标定精度都提出了专业级要求。

与此同时，客户体量也在快速放大，姚卯青透露，目前已有客户一次性提出上万套设备的需求。

千军万马，入局数采

当前具身智能行业的数采赛道，呈现出前所未有的热闹局面。

本体硬件价格持续下探、大模型架构路线逐渐收敛，行业的核心瓶颈已经从有没有身体、有没有大脑，转向了有没有足够多、足够好的数据来教机器人干活。

谁能把高质量真实交互数据的获取成本打下来，谁就握住了下一阶段的话语权。

正是在这一背景下，数采赛道从幕后走到台前，从一个机器人产业的配套服务环节升级为战略入口。

目前行业内形成了五路大军同场竞技的差异化格局。包括上游供应链企业、主机与模型公司、数据原住民公司、灵巧手公司、科技互联网大厂。

通常来说，第二类公司往往依托自有机器人与核心传感硬件搭建数采体系，数采首先服务于自研模型迭代，形成数据飞轮，在满足自用后也将标准化数据集对外销售作为业务增量。

其中，智元走的是较重的真机采集路线，在上海浦东建有超过4000平方米的数据采集工厂，复刻家居、餐饮、工业、商超和办公五大类真实场景，上百台机器人同时作业，通过人工遥操作采集每一条自带机器人运动学和动力学约束的高质量数据。

而“智元系”觅蜂科技推出的是无本体采集方案，某种意义上可以视作智元重路线的轻补充。采集员只需佩戴头戴和腕部双视角设备、手持二指夹爪，不依赖特定机器人本体就能在真实环境中记录数据，把采集门槛和成本降了下来。

这样一来，就是一头用真机工厂做高质量数据压舱石，一头用无本体方案放量扩张，用两条腿走路。

从行业来看，其他主机厂在数采上也各有布局。

其中，宇树科技则走的是卖工具的路子，推出G1-D数据采集训练全栈方案，把轮式人形机器人和标准化软件平台打包出售，宇树自己不冲在最前面采数据，但给所有想采数据的人提供基础设施，支持数百台机器人7x24小时并行采集。

优必选在自贡、柳州、九江等地布局数采中心，联合牵头制定数采场建设标准。星海图把R1机器人投放到酒店、食堂、商场等场景自然采集数据。帕西尼在天津建数采基地，150个采集单元覆盖15个场景，以触觉传感器为核心量产全模态触觉数据。千寻自研uDAS可穿戴设备，宣称将采集成本压下，强调数据多样性。鹿明自研SenseHub穿戴式手套加全景相机，数据服务自研大模型。傅利叶自建科研级数采实验室，覆盖医疗康养和工业制造场景。

此外，资源雄厚的大厂，也在凭借海量真实场景和全栈生态能力入局，如京东正在建设全球最大的具身智能数据采集中心，计划两年内累计采集超过1000万小时高质量真实场景数据。

数采行业必然走向“寡头化”

9月1日，北京市政府网站披露，改造后的北京石景山人形机器人数据训练中心将引入多视点4D光场采集和世界模型，利用真实数据推演、生成更多仿真场景，并与仍在运行的二期、三期形成协同，贯通数据采集、仿真生成、模型训练、本体验证和应用落地。

类似的变化也在其他地区出现。2026年7月，国家地方共建人形机器人创新中心与华为在世界人工智能大会期间发布具身智能实训场样板点。该方案将云端部署、数据处理和开发工具组合起来，既可以在室内运行，也可以进入生产现场，打通数据采集、模型训练、真机实训和应用部署等环节。

当数据平台覆盖的环节越来越多时，竞争门槛也随之提高。一家企业不仅要量产采集设备，还要组织采集人员、获取真实场景、建设存储和处理系统，并完成数据治理、模型评测及客户交付。数据采集由设备生意转向基础设施生意，也意味着资金、工程和运营能力将变得更加重要。

产业经济学理论提出，资本密集型+技术密集型行业必然走向寡头垄断。

数采行业就是一个例子，这类行业必然走向寡头分布，在姚卯青的判断中，这是一个重投入领域，数万套设备意味着数亿元资金，存储数百PB数据的数据中心建设又是数亿到十亿元级别的投入，大规模部署设备可以摊薄固定成本，包括研发、设备采购、数据中心建设、运维等。规模越大，单位数据采集成本越低。

寡头能通过大规模投资获得更低的边际成本，从而在价格竞争中占据优势，挤压小企业生存空间，加上对工程能力和运营能力的高要求，领军龙头将拥有显著优势。

在姚卯青看来，无本体数据与真机数据并非替代关系，而是分工明确。无本体更适用于预训练阶段的通用表征学习，让模型理解人类在各种场景中的操作方式，形成对物理世界的底层认知；真机数据则对应后训练阶段的具体任务落地，让模型在特定本体上实现精准控制。两者互补，共同构成从预训练到部署的完整数据链条。

当无本体数据达到千万小时以上规模时，行业对互联网视频数据的依赖有望大幅降低，原生从头训练的具身模型将成为可能。

物理AI已经立起了第一根电线杆，而围绕这根杆展开的商业叙事，才刚刚开始。