1天前 月薪3000，我在三线城市给机器人打工

作者：北野五     出品：人形大讲堂

在江苏宿迁的一处数据采集基地里，李明的月薪是三千八百元。他每天的工作，是把自己拧瓶盖、叠衣服、端盘子的动作，一遍遍演示给一台看不见的机器。

和他一样的采集员，还有成千上万。他们分布在苏州、南阳以及更多三四线城市，每月领取与超市收银员、奶茶店店员相当的薪水，却共同喂养着一个估值上千亿的赛道。

表面看，数据采集已经是一门先赚到钱的生意。机器人公司普遍还在亏损，但一批专门做数据采集的服务商已经跑出正向现金流，毛利能做到30%。这容易给人一种错觉：数据采集成了一条躺赚的赛道。

真实情况远比这个数字复杂。30%的毛利背后，是层层转包的人力分账、三四线城市的成本套利，以及极低的有效数据产出率。它代表的不是数据行业的全部，而是这个行业最粗放、最底层的那一层。

PART 01

一条未完工的流水线

提起具身智能数据采集，很多人首先想到的是包工头模式：发包商从机器人公司接单，再转包给数据采集公司，后者以40 元到 70 元每小时的价格结算给一线采集员，赚取中间差价。这种模式确实存在，但它只是当前数据供给体系的一部分。

真实的数据采集技术路线，大致可以分成四层，越往上越贵、越慢、越接近真实，越往下越便宜、越快、越规模化。

最上层是真机遥操作。技术人员穿戴力反馈手套，直接遥控机器人完成精密操作。这种方式获取的数据与机器人本体高度一致，精度最高，但成本也最高，一条数据的有效成本在规模化运营后仍可达每小时两百多元。它适合机器人本体训练的后半段，尤其是需要精确关节映射的任务。

中间两层是Ego第一视角和UMI无本体采集。采集员头戴摄像设备，或者以手持夹爪、腕部传感器的轻量方式记录动作轨迹。这类方案不需要占用昂贵的机器人本体，门槛和成本都低得多，因此成为当前扩张最快、用人最多的形态。宿迁厂房里那些日薪160元的岗位，基本都属于这一层。

最底层是仿真合成数据。在虚拟环境中批量生成操作样本，成本只有真机采集的约百分之一，规模可以无限放大。问题是仿真很难100%还原真实世界的摩擦、形变、碰撞回弹。某些任务在仿真里的完成率可以接近90%，搬到真实家庭场景后可能骤降到10%出头。

四层方式构成了一个倒置的成本金字塔。机器人公司想要高质量数据，就得付高价；想要规模化，就得接受精度的折损。眼下行业能做的，是在不同层级之间找平衡。

这个平衡并不好找。数据采集不是简单的录下来就完，而是一场漫长的蒸馏。

一线采集员常常面临这样的工作状态：坐班8 小时，实际产出的有效数据大约只有 4 小时，优秀团队能把产出系数做到 0.6。这个数字听起来不高，但简单用8 小时出 4 小时来判断效率高低，会忽略数据采集的完整链路。

北京石景山人形机器人训练中心，多台机器人正在进行数据采集。来源：中国新闻周刊

从采集端一小时原始数据，到真正用于训练的一小时可用数据，综合成本可能达到300到500元。如果是真机遥操作，单条可用轨迹的成本可能高达1200到1600元。部分众包模式下，原始数据的实际可用率甚至不足三成。

这意味着下游机器人公司花出去的钱，买的不是现成的高质量数据，而是稀缺数据的生产权。全行业积累的高质量真实物理交互数据大约只有50万小时，而行业普遍认为机器人商业化落地需要数千万小时，缺口超过99%。供需严重失衡的情况下，数据采集成了一门卖方市场生

上半年，具身智能的投资主线还是人形整机。谁能做出更像人的机器人，谁就能拿到更高的估值。下半年，这条逻辑开始松动。

松动的信号不是钱变少了，而是钱换了个地方。整机厂估值高、交付慢、场景验证遥遥无期的问，投资人不是今天才知道。但当一家又一家整机公司只有Demo没有订单时，再耐心的资本也会重新算账。

PART 02

等待收束的一切

一个自然的疑问是：既然数据采集这么依赖人，为什么不用更自动化的方式？

答案很简单，物理交互数据无法像文字、图片那样从互联网上直接获取。大语言模型可以爬取万亿级别的文本token，因为人类已经书写了数千年的文字。机器人需要理解的是抓握的力度、开门的角度、叠衣服的形变，这些信息此前从未被系统性记录，也无法从网络视频中完整还原。

真实世界的复杂性、长尾性和不可预测性，决定了数据采集必须回到物理现场。机器人要在千家万户的客厅里行走，就要见过足够多的客厅，要在工厂里拧螺丝，就要见过不同型号、不同磨损程度的螺丝。仿真可以加速这个过程，但它模拟的是概率分布，无法穷尽现实世界的所有边界条件。

因此，今天看起来原始的人力采集，并不是商业模式的落后，而是技术阶段的客观约束。在机器人能够自主地从真实世界中学习之前，人类必须先把世界的物理经验演示给它看。这不是产业链的倒退，而是智能从虚拟走向实体必须支付的学费。

如果说现在数据采集还处于人堆阶段，长期看，这个行业不会一直停留在人力密集型模式。

杭州国家人工智能应用中试基地（具身智能），工作人员在动捕数据采集区演示。来源：新华社

越来越多机器人公司开始把真机部署到快递分拣线、工厂产线、酒店客房、商超货架，一边干活一边采数据。机器人真正上岗的地方，光线会变化、物体会被遮挡、物品摆放没有统一标准，这些在实验室里很难复现。某机器人公司创始人曾提到，他们的机器人在一个客户现场从POC验证到稳定上量花了数月，但沉淀下来的真实场景数据让后续类似场景的部署周期缩短到了以周计算。

算法端也在尝试降低对海量数据的依赖。少样本学习、世界模型、人在环路强化学习等路线都在被验证。

这些路线不是非此即彼。更可能的终局是混合方案。用无本体数据做预训练规模化，用仿真数据补长尾，用真机数据保精度，用少样本算法提效率。没有哪一条单一路线能通吃所有场景，真正的竞争发生在用更低成本路线逼近真机数据质量这条线上。

行业竞争的重点也会随之转移。数据采集这门生意，如果只是靠转包订单、压低人力成本、在三四线城市套利，注定无法走的长久。客户今天找你，明天就可能换一家更便宜的公司。

没有硬件，就没有稳定的数据来源；没有治理能力，原始视频就是一堆无法使用的素材；没有场景多样性，数据就无法支撑泛化；没有复售能力，单次采集成本就降不下来；没有飞轮闭环，数据就只能卖一次，无法持续增值。

未来的数据市场大概率会分层。通用场景的数据会因为规模效应和开源共享而逐渐便宜，甚至出现大量免费开放的数据集。

垂类场景的数据，比如特定工厂的装配流程、特定医院的护理动作、特定家庭的老人照护场景，仍然稀缺且高价。仿真数据和真实数据的关系，也将从替代走向互补，仿真负责低成本泛化和极端工况覆盖，真实数据负责校正最后几公里的物理细节。

他们共同指向一个方向：数据采集公司的长期价值，在于把零散的动作记录沉淀为标准化、可流通、可复用的数据基础设施。包工头模式可能会被淘汰，但沉淀下来的数据基础设施公司，会成为具身智能产业的底层支撑。

PART 03

喂机器人的人

回到宿迁的数据采集基地，李明和同事们仍在重复那些看起来枯燥的动作。他们中的大多数人并不知道，自己手中的数据最终会被哪一台机器学习，也不知道这个行业五年后会走向哪里。

这不是一场关于原始与先进的道德审判，而是一道关于产业阶段的判断题。当机器人真正学会自己观察世界、自己试错、自己成长的时候，数据采集员的角色必然会改变，甚至消失。在那之前，总要有人先把自己对世界的基本理解，一遍遍演示给它看。

机器人在物理世界的“肉身”，成型在李明们反复摆动的手臂里。