2026-08-12 50%的毛利 vs 五元Ego数据，具身缺一份正经的RoadMap。

作者：瓦力    出品：天南具身公园

今天看到一个消息，才发现具身行业真的挺草台班子的。

拿着融资的钱去山东河南农村找农村大姨去采集Ego数据，好像还不给钱。

来自小某书「黄大荣叨叨叨」

呵呵呵呵，看完这个消息，我才想明白「具身数据的毛利都超过 50%了，看起来相当滋润」是怎么来的了。

除了上面提到的这种乱象，而据我们调研下来，卖数据的大概是当下行业里唯一能回血的产业。

我想说，如果因为信了这些信息而就想去干具身数据，那大概率要是末班车了。

因为从自驾来看，一般成熟的数据生意可能也就5-10个点，现在的数据赛道其实已经是红海一片了。

这就有几个问题。

这些数据企业真的对如何做数据有非常深刻的理解么？

未必，或许大家都是草台班子摸索着干，不然也不会出现白嫖农村大姨的劳动力这种情况了。

我们也希望能够帮助行业减少这种草台班子的情况，最近做了不少调研，刚好也看到了国外一家数采公司 UNIDATA 分享的 blog。我和天南评估下来这套系统还是蛮靠谱的。

所以有了今天的文章，系统地和大家过一下具身数据的全流程，从采集、标注再到训练等，也加上我的一些理解。

也希望各位具身数据的从业者，真的可以从里面学到一些「真」东西，真正踏踏实实的做些事情。

一、训练数据分几种，为什么要那么多传感器

先聊一个很基础的的问题：机器人训练到底要什么数据，粗略地可以分为三大类。

1）原始感知数据。

相机画面、激光雷达点云、麦克风的声音，是硬件输出的未加工信号，用来训练感知模型：目标检测、语义分割、深度估计。

其实现在图像方面的基础模型有很多了，像SAM分割/DINO检测还有各种VLM模型等。而这些标注在十年前，其实非常耗人力标注。现在的话，如果你不要求99%的准确性，基本上一些开源的模型就可以做得七七八八。

这也是大模型思路带来的改变。。

以及点云的话基础模型不太多，现在倒也不是强需求。如果要用到点云数据，不追求准确的标注，可以做一些聚类方面的工作配合图像标注使用。如果做点云上的的一些标注，标注投入还是比较大的。

2）低层级的周期信号。

关节角度、电机力矩、力传感器读数、触觉数据，采样频率从每秒 30 次到 1000 次，用来训动力学模型和底层控制器。这类量也不小，但标注负担极低，因为信号的时序结构本身就承载了绝大部分有效信息，不太需要人去解释。

但比较难的是如何把高频信息给加到模型中训练。

3）任务级遥测。

一整段从启动到成功或失败的完整任务日志/prompt之类的，是模仿学习和强化学习的核心输入。

这类看着最少，标注却最密：要划任务阶段边界、标成功失败、记物体状态，有时还得标操作员的意图。

一句判断：

只做固定拾取放置的工业臂，通常前两类就够；要从人类演示里学操作的灵巧机器人，三类缺一不可。
采集前把类别选错，可能钱就白烧了。

下一个问题，为什么需要这么多的传感器？

用人话讲，机器人干一件活，得同时知道三件事：我看到了什么（相机、雷达）、我身体现在什么状态（关节、IMU）、我碰到了什么（力和触觉），少一路传感器，它对世界的感知就少一环。

包括最近我们接触的触觉手套等，本质上也是再补机器人理解世界的信息源。这跟你闭着眼在包里摸钥匙一个道理，光靠眼睛不行，真的要手上的触感。

不同模态的标注成本也不一样。

得益于现在视觉的基座模型，图像的标注（分类/2D框/关键点等）单帧价格大多在毛的级别，分割的话会贵一些，要到元的级别。

点云的话现在标注还是很贵，3D 框的标注价格要到元的级别，一帧点云标下来要到两位数的价格。听起来点云标注要烧很多钱？

不是的，有了初始的标注之后，后面的标注可以依赖时序关系做位置移动，不是每一帧都要重新标注。

而 IMU 负责朝向和加速度，触觉和力传感器负责接触和压力，是精细操作绕不开的传感器，音频类的提供语音指令等等。

落地系统基本都至少有两种模态，这就出现一个硬约束。

所有数据流的标签必须时间戳同步，第 N 帧相机标注，得对齐同一时刻的雷达扫描帧或者IMU。

这里面的坑比想象中的更深，做不好同步，很多标注都会错位。对于模型来说不是说不能用，但算法肯定会很难受。所有的问题优化不上去都会甩锅到这里面。

采集这块，市面主流就两条路。

1）众包采集，派出去让很多人在各种真实环境里采。

好处是分布性好一些，家用机器人要适配不同厨房、光照、家具，单一实验室根本覆盖不全；

坏处是一致性差，录制质量、标注准确度参差，需要配一套标准化软件加自动质控，人工复核模糊样本。

也让我们想起来了印度工厂的ego采集

2）受控采集，固定场地固定流程。

好处是精准干净可复现，手术器械那种场景就得这么来，厨房里那点光照多样性对它毫无意义；坏处是数据多样性很差，换个场景就泛化不动。

实操上一个稳妥的起手式是：

先用受控采集把整条 pipeline 跑通、建立质量基准，再上众包做规模化。

Egocentric 的数据我们也有一些经验。

有头戴设备配合末端的夹爪，需要保证手全程在画面里，配动捕还能同步输出全身骨骼和单指关节位姿。

但它有个天生的短板：手部位姿追踪靠头戴相机，一旦抓杯子这种手被物体挡住的场景，位姿数据就会失真甚至丢失。

目前的解决办法不是换方案，只能在设计场景时尽量少遮挡，标注时把遮挡帧单独打标记，不当干净样本用（明天要分享的 DYNA-2 会有不一样的看法）。

但是吧，你能感觉到这玩意不合理，非常不合理。因为人不是这样的，正如我在写这篇文章的时候，我眼睛盯着的是显示器，根本不是我的手。

最后提一个采集前容易被跳过、但影响巨大的技术选择：动作表征。

你是用关节角度还是末端执行器位姿？用绝对坐标还是增量坐标？这个选型的影响远超多数团队的预期，而且一旦采完再改，历史数据基本要重来。

务必在开采之前，就跟模型架构对齐。

二、标注才是真正的脏活

如果说采集是体力活，标注就是又累又脏。

采集的要吐槽，标注的要吐槽，用的人也会吐槽。。。

但标注确实是 infra 层面很核心的一环，初版模型的性能很大程度上依赖标注的丰富度和精度，很多问题最后都会排查到数据层面。

大多数人以为机器人标注就是画个框、框个物体。真做过就知道，机器人标注有一堆普通 2D 图像工具压根适配不了的硬要求。我挑几个点说。

1）全视频帧内物体 ID 一致。

同一个杯子，在几百帧里得始终是同一个 ID，中间被手挡住、转个身又出现，还得能接上。物体互相遮挡时自动追踪一定会断，必须人工校正。ID 一乱，模型拿到的就是自相矛盾的追踪目标。

2）点云的三维空间精度。

激光雷达的长方体标注得贴合物体的三维边界，差几厘米，抓取预测就错。这意味着标注界面必须有 3D 可视化，只在 2D 投影上标点云，会带来系统性的精度偏差。

点云标注示意图

3）跨模态的毫秒级时间戳同步。

就是前面说的坑：第 N 帧相机标签必须对齐同一时刻的雷达扫描，偏差超过 50 毫秒，就会给融合感知模型灌进去鬼影一样的伪信号。这个事后处理救不回来，只能靠标注工具原生支持时间对齐。

4）物体的功能关联。

任务级学习不光要标物体是什么，还要标它们之间的关系：谁是容器、谁是支撑面、谁是工具。缺了关系标签，模型只认得物体，读不懂整个任务在干嘛。

5）最关键的是最后一个：任务阶段划分与意图边界。

一个抓取动作，得标清楚哪一帧开始算「接近」、哪一帧算「抓取」、哪一帧算「搬运」，这个边界是策略判断下一步该干嘛的依据。

任务阶段划分与意图边界

而实际项目里破坏性最强的错误，恰恰就出在这。

标注员 A 把抓取的起点定成手接触物体，标注员 B 定成机械爪闭合，两套标准混合训练，模型学出来的阶段切换决策边界就是模糊的，在最需要精准的抓取环节就会失败。

顺便说一下哪些注释错误对训练的影响最大。

说到这，正好回答大家问最多的一个问题：数据是不是越多越好，现在要不要拼命堆量。

我的看法是：量重要，但量已经不是当下模型的壁垒了。

三、你的场景到底需要什么数据

这一章是写给看项目的老师的。不同赛道，要看的数据不太一样，拿一个标准量到底，一定出错。

1）工业机器人。

环境固定、任务已知，要的是特定任务的高精度演示，外加产线高频故障的修复演示，标注精度优先于场景多样性。这个赛道标错的代价比别处都高，因为机器人没有额外环境信息兜底，标签一错可能直接是生产事故。

2）家用服务机器人反过来。

环境天天在变，光照、摆放、人的行为都没规律，要的是广度不是深度，众包几乎是规模化落地的唯一路，同时标注和质控的工作量会陡增。

3）自动驾驶。

最大的负担是长尾极端场景的规模化覆盖：罕见天气、模糊路口、奇怪的行人行为，全是安全事故高发点，再加多传感器同步和海量轨迹、语义标注，是整个机器人领域标注量最大的赛道。

4）人形机器人，现在最难。

它要在人类专属环境里干全品类的人类活动，需要全身运动、多步骤演示、人机交互序列，绝大多数项目前期都低估了数据规模。

现在市面上的开源数据也是五花八门，暂时还没有形成最终共识。阶段性共识是人类视频做大规模预训练打地基。

五、真正拉开差距的，是数据 infra

以上差不多就是关于数据层面，我认为有价值的信息。

下面的部分我和大家重点聊聊数据 infra 为什么重要，就是昨天文章里面强调的「能转向的基础设施」。

坦白讲，我觉得这才是真正的分水岭。

机器人的数据 pipeline 是个闭环，不是一次性的流水线。

WAIC上看到穹彻展示的云端infra

其实各家都知道要做闭环，采集、处理、标注、校验、训练、部署、线上监控，再根据线上问题回头补采，这个最小闭环看起来就形成了。

如果有这么简单，就真好了。就我个人做算法的体感而言，规模化之后容易出现问题的地方有几块：多套设备没有统一格式，每次采完都需要人工对齐；标注前没有自动质量筛选，标注员大把时间耗在无效数据上；线上部署的故障没有机制回流到训练集。

我习惯把它拆成四条链路来看。

1）云端链路，负责海量原始数据的存储、传输和版本管理。
2）标注链路，负责数据从进来到标注的流转和质量监控。
3）训练链路，负责数据怎么组织成训练集、配比和复现。
4）推理链路，也就是部署之后的回流，这块也容易被忽略、也最能拉开差距。

我本来还想解释一下几块链路之间的协同关系，思考了之后还是删掉了，这块的 Knowhow 太大，我就不在这里班门弄斧了。举一个例子吧：

现在我有一个新的业务场景需要做，初步设计了需要采集的细则安排数采员采集。
OK，带着设备进场了，采集的数据是直接回传到云端还是拿硬盘到时候拷贝回去。 数据有了，进到数据工厂标注，前面的数据初筛、自动标注、版本管理、Log记录，再到后面的人工精修、质检筛选、算法抽检。
标注完了，进到训练的一环，新数据如何计算配比和老数据混合使用，如何保证模型已有的能力不掉点，并且新场景上性能提升。
模型产出之后，如何下放到业务端验证和做新一轮的数据回流。
针对业务端回流的模型表现，如何针对性挖掘问题场景，做问题分析和下一轮的需求设计。

这上面的每一个环节，都强依赖 infra 的能力。

我给大家提供个时间对比，在我没做好 Infra 之前，我可能需要2-3个月做一轮模型优化。

但如果有一套完善的 infra 之后呢，答案是 2-3 天，完全没见过的新场景可能要 10 天左右。

这就是 infra 所带来的护城河。

六、正在变的，和还没有答案的

科普到最后，聊聊这个方向正在发生的变化，再抛几个开放性的问题和大家一起探讨。

先说一个最容易被误读的趋势：具身的基础模型来了，数据是不是就不重要了？

答：不是的。基础模型改变的是数据人力投入的分配方向，不是减少数据总量。我们现在大多数使用的还是互联网领域的基础模型，具身的基础模型目前还没影子。像VLA、WAM仍然依赖大模型领域的基座模型。

如果具身的预训练没有了争议，那下一个阶段私有化场景可能会成为模型差异化的核心。

换句话说，拥有一套高效、高质量的数据 infra，优势反而可能会更大。

下面是几个我最近在思考的问题，和大家一起讨论下：

1）目前我们所设计的数据形式，是否能满足三年之内的具身模型发展需求？

2）人类可以做一些视觉不可见的操作，在数据层面我们还需要如何思考改进？

3）在具身模型基础模型确定之前，如何尽可能的保证现有数据的价值？

这些思考，与大家共勉。