2026-10-09 戴头环的人，正在教机器人一种"没有家人"的生活！

作者：李鑫     出品：人形大讲堂

62 岁的王小华退休后领到一枚采集头环。在吉林白城的家里，她炒菜、擦桌、弯腰叠收衣物、刷洗锅碗瓢盆，设备自动回传，后台质检审核，第二天她就知道自己有多少有效工时，月底钱打到账户上。她跟老姐妹调侃，自己是"带薪做家务"。

这份工作今年 9 月有了正式名字。9 月 9 日，人社部发布第八批新职业，"具身智能机器人应用技术员"下面挂着两个工种：数据采集员、机器人训练师。半个月后的 9 月 23 日，觅蜂科技在上海发布众包平台"觅蜂派"——下载 App、租设备、领任务，在自己家里干完，按审核通过的有效时长结算。设备租金 39 元一天，推广期 19 元；平台上挂出的任务，按预计收益折算，每小时从不足 1 元到 30 元不等，多数在 20 元上下。

而在同一条产业链的另一端，数据正在变成另一种东西。今年 8 月，全国首个工业具身机器人数据资产入表示范项目在贵阳发布，跑通了从采集、清洗加工、合规登记、交易流通到确权入表、金融赋能的链路。数据在这里不再只是劳动痕迹，是可以登记、可以质押、可以作价入股的资产。

连接这两端的，是那枚头环。而它正在悄悄规定：什么样的生活才算数。

PART 01

孩子跑进画面，这段数据为什么就废了？

众包数采卖的是真实：真实家庭、真实动作、真实杂乱。可数据要能用，就得过质检。行业里公开的采集作业须知，本身就是对真实生活的一次修剪。

手部必须完整在画面内，因为模型的输入是画面里的视觉信息，手一出画，训练信号就断了。动作不能过快也不能过慢，过快丢帧间信息，过慢灌入冗余帧。画面里不能有第二个人——Ego 数据的处理流程依赖算法逐帧提取手部关节、身体骨架这类关键点，而算法提取关键点的前提是画面里只有一个人；一旦混进第三方的胳膊、手或脸，算法分不清这些关键点属于谁，三维动作重建的结果就是错的。此外还有光照、背景复杂度、物体摆放规范等多条标准。

一份面向供应商的采集须知写得更直白：拍摄全程双手连同小臂完整入镜，画面只能有拍摄者本人，戒指、手表、手链、纹身都不能出现。同一份须知里还写着另一条：操作要真实自然，禁止刻意摆拍。

两条要求同时成立，采集者能做的只剩一件事：在一个被清空的家里，真实地干活。

叠衣服时孩子跑进画面，这段废了；爱人从镜头前走过，这段废了；做饭时转身跟家人搭句话，这段大概率也废了。

一位亲历者记下过她的体感。戴着第一视角设备干活，"干起活来顾不上摄像头，伸手去够一个东西，手可能直接跑出画面"，而恰恰是这些出画的动作最有价值。她刚戴上 MEgo 时会本能地不转头，尽量让画面稳定。

今年 6 月复旦大学团队发布的 ActiveMimic 研究讨论的正是相反的结论：第一视角里，人为了完成任务主动转动视线、寻找下一个目标，这种 camera motion 不该被一概当成噪音，它本身包含"接下来应该看哪里"的主动感知信息。连转头找东西这种本能动作都还处在噪音与价值的模糊地带，采集者最理性的选择就是别转头。

于是悖论出现了：为了让机器人学会真实生活，采集者得先表演一种被修剪过的、原子化的、没有他人的生活。光线可以不同、桌面高度可以不同、衣物材质可以不同，唯独"有人在"这个变量被系统性剔除了。而真实家庭最核心的特征就是有人在。

一位行业从业者这样描述这个矛盾：你去超市收银，旁边有顾客；你去产线操作，旁边有同事路过；你在厨房做饭，旁边可能有人递东西。这些真实发生的场景，恰恰是 Ego 采集最头疼的地方。干净和真实，在这里是天然冲突的。

还有反向的那一半。从业者已经在改变行为去适配摄像头：不转头、手臂长时间悬空保持姿态、同一个动作重复几十次甚至上百次直到胳膊酸胀发麻。家不再只是家，也是一处要交付合格数据的工位。"带薪做家务"听着像白捡，被改造的那部分其实是生活本身。

既然这么别扭，为什么还有人干？因为这笔账在很多地方确实算得过来——前提是你能算清它。

PART 02

扣完租金和拒付，一小时还剩多少？

下游的报价是公开的。真机遥操作数据 500 到 1000 元一小时，UMI 夹爪数据数百元，第一视角无本体数据已经降到 100 元左右。觅蜂科技 CEO 姚卯青判断，无本体数据最终会收敛到真机数据的二分之一到三分之一。对模型公司来说，这是一条持续下探的降本曲线。

采集者面对的是另一套算法。

租金先扣一道。39 元一天，按每小时 20 元折算，每天得先干满将近两小时，才开始为自己赚钱。

有效时长率才是最不透明的一道。在数采工厂里，一名采集员每天工作 10 到 12 小时，最终完成 4 到 5 小时的数据采集；动作不能太快，光线不能太暗，镜头不能被遮挡；同一套动作一天要重复一百多次。众包侧的有效比例各家平台不公布，但从采集者晒出的收入反推，同样谈不上高。平台结算时用自动化方法切掉手部出画、中途休息、动作不规范、主观重复的部分，切掉的不计酬。觅蜂提到结算后超过 95% 的数据最终能被用起来，说的是计酬之后的数据有多少能被模型用上，不是付出多少时间能换来报酬。

渠道又切一刀。同样的劳动，有的直招岗位日薪 200 到 300 元；也有人通过中介接单，时薪 15 元，扣掉保险一天到手 147 元；还有企业给到 70 元一小时的有效采集薪资。同一份劳动在不同入口之间能差出几倍，决定差多少的不是熟练度，是你站在哪条渠道上。

在三四线城市和县域，扣完这些仍然是一笔能补家用的钱。一位有两个孩子的宝妈工作日采集六小时左右，一个月能拿四千多。问题不在值不值，而在定价权——标价时薪写在招募启事上，真实收入取决于一个采集者看不见也算不出的有效时长率。

而即便算清了，这笔账也只结算一次。

PART 03

同一段视频，能被卖几次？

数据作为一种商品，有个和其他商品不一样的属性：它卖不掉，也用不坏，可以卖很多次。姚卯青谈商业模式时明确讲过：采集侧通过众包让普通人在日常生活中顺便采集，成本结构优于专职雇人，叠加数据可多次销售的商业模式，商业上可以打正。

一次采集、多次变现。这是平台的飞轮，也是采集者收入结构的天花板：拿的是原材料的一次性报酬，对面拿的是资产的持续性收益。

入表、质押则发生在另一批主体身上——工业场景的数据集、地方国企、数据交易所，不是众包采集者手里那批居家数据。但两条线指向同一个方向：数据正在从一次性的交付物，变成一种可以反复产生收益、可以拿去融资的权利凭证。合肥具身数据运营管理有限公司自采的"2025 年至 2026 年合肥市智能机器人万物抓取数据集"在安徽省数据交易所完成产权登记，成为全省首张具身智能数据"身份证"——确权之前是资源，确权之后是资产。数据产权登记凭证有效期一般 5 年，可用于交易、融资担保、作价入股。贵阳那个示范项目更进一步，把从采集到入表再到金融赋能的闭环跑通了。

于是出现一个尚未被公开讨论的缺口。数据产权走的是三权分置：资源持有权、加工使用权、产品经营权各有归属，场景方、数据方、模型方各占一格。唯独生产数据的那个人，在这张产权图里没有位置。他拿走的那 20 元，是这道数据第一次流转的对价；它后来被登记、被质押、被入股、被反复授权，收益与他无关。

另一条赛道上已经演过一遍。海外一批按条或按分钟收购个人音频、视频、通话录音来训练大模型的平台，要求用户签署不可撤销、免版税、允许永久派生使用的授权——上传之后无法撤回，公司可以无限期使用，不必再付第二次钱。其中一家在 2025 年因安全漏洞导致用户的电话号码、录音与转录文本可被任意访问，平台随后关停；那些卖掉与家人通话录音的人既无法追回数据，也无从知道它现在在谁手上。语音、图像这类生物特征一旦泄露，基本不存在真正的重新匿名化。牛津大学教授 Mark Graham 对这类劳动的定性是：一场逐底竞争，也是一条死胡同——没有稳定性，没有晋升通道，可持续的价值全被平台捕获。

具身数采和它们不是同一件事。国内有产权登记、合规凭证、三权分置这些制度设计，是海外野蛮生长时不曾有的。但制度设计里缺的那一格是一样的：在三权分置里，采集员的那一权叫什么？

这个问题迟早要回答，因为行业要往更难的地方走了。

PART 04

修水管、理发，谁给机器人当老师？

姚卯青说过一句被引用很多的话：行业重点已经不是简单堆量，而是往细分赛道和专业技能纵深走，"过去大家扎堆做家庭场景、叠衣服，这类数据已经泛滥了。现在更需要的是更专业的技能，如修水管、修车、理发、美甲，正等待被一个个点亮、解锁"。

往下推一步，问题就来了。

全民数采能成立，靠的是一个很脆的前提：采集者的时间本来不值钱，所以顺手变现是净赚。叠衣服、擦桌子、洗碗，机会成本接近于零，20 元一小时就是白捡。一旦任务换成修水管、修车、理发、美甲，前提直接塌掉——水管工的一小时有市场价，理发师的技能是几年学徒期换来的。更要命的是这类劳动的价值在判断里：哪里漏、为什么漏、该从哪儿绕开。判断不在手部轨迹里，在人的脑子里，第一视角画面拍不到。

所以低价众包的尽头是一堵墙。它的成本优势来自冗余时间，一旦数据需求从冗余时间走向稀缺技能，价格就得从补贴逻辑切换成报酬逻辑，而众包的价格优势会在切换那一刻消失。

这也解释了为什么行业在上量之后，注意力迅速转向能不能用、是否好用。长尾场景——金属高光反射、异形件意外跌落、零部件公差累积——出现概率小于 1%，真机采集几乎捕捉不到，模型就卡在这 1% 上。决定机器人能不能真正上岗的，恰恰是众包最难够到的那部分。

两个结构性问题还悬着。数据容易复制、难自证溯源，供应商多了之后已出现重复转售，同一批数据多次转手，质量就没人负责。跨本体的有效性标准也还没建立：摄像头数量、数据格式、时间戳这些技术指标容易统一，难的是拿出一套能跨模型、跨机器人本体的有效标准。标准一天不立，今天采的数据就随时可能因路线再次变更而贬值——而技术路线在过去一年多里已经转过一次向了，从 VLA 到世界模型，从夹爪到手机。承担这次转向风险的，是那些自费租设备、按有效时长计酬的人。

规模会继续涨。觅蜂派内测一个月注册用户 2 万、提交 1.3 万份，MEgo 设备下线第 20000 套，累计生产超 100 万小时无本体数据。这些都是真的。只是当行业从叠衣服走向修水管，从家庭场景走向工业长尾，它会遇到自己的物理极限——它能采到的，是被批准过的那部分真实。

9 月，Figure 把机器人开进 30 套从未进入过的住宅，整理客厅、叠毛巾、铺床，420 次测试完整成功 237 次，成功率 56%——铺床 67%、叠毛巾 62%、整理客厅 40%。整理客厅这项要求把 13 到 15 个玩具全部收进篮子，最后一步没完成，整次就算失败。Figure 把这条曲线称作"人类到人形机器人的迁移规模定律"，机器可以从人类经验里学习。Sunday Robotics 联合创始人 Tony Zhao 的回应是：一半时间失败，算不上在做真正有用的工作。

三项任务里整理客厅最差。它是否与那类最难清场、最容易被质检剔除的画面有关，眼下没有证据能回答。

等机器人终于走进家门的那天，它认识的那个家，是谁的家？