“客户要求真实场景，但又不能拍到别人的手、脸或者其他部位，只能有第一人称的动作，但结账、流水线这种很难避免。”

既要真实场景，又不能拍到真实世界里一定会出现的人。这不是段子，而是来自Ego数据采集厂最真实的吐槽。

但这还真不能怪数据公司要求刁钻，而是 Ego数据路线天然决定了第一人称视频素材必须得干净。

“真实”和“干净”撞在一起，成了2026年具身智能数据采集赛道里一个矛盾的痛点。

01 数据饥渴，把采集员变成了“AI老师”

2026年，人形机器人集体进入“量产元年”的舆论场，但机器人真正缺的，不是胳膊腿，是“脑子”——准确说，是训练大脑的数据。

机器人学干活，跟人不一样。人看一遍就会，机器人要看成千上万遍。拿一杯水、叠一件衣服、扫一次地，都要有海量“演示数据”喂进去，它才学得会。

佐思汽研和水清木华研究中心联合发布的《2026年具身智能机器人数据产业布局研究报告》显示，2025年全球具身智能数据市场规模达2.42亿美元，同比增长181.4%，其中中国市场约5亿元人民币，同比增长203%；报告预计到2030年，全球市场总规模将攀升至52.5亿美元。

热钱闻着味就来了：光轮智能估值半年破150亿元，成了全球首个具身数据独角兽；京东在宿迁建起全国首个具身智能数据采集社区，计划发动10万+员工和50万行业人员；招聘平台上，“具身智能数据采集员”的岗位密密麻麻，标签清一色是“日结薪资、居家可做、无学历要求”。

于是，一批批普通人戴上设备，成了机器人的“AI老师”。

图1：Ego 采集员，京东

02 Ego是个啥？简单说，就是“用第一人称拍自己干活”

Ego，是 Egocentric（第一人称视角）的缩写。在具身智能圈，它特指一种数据采集方式：让人戴着头戴式设备，以自己“眼睛”看到的视角，把干活过程录下来，同步记录视觉、头部运动、手部动作和交互信号，形成一套“感知—行动”对齐的数据流。

Ego 采集第一视角，简智机器人

这套设备不复杂：头戴式RGB/深度相机当“眼睛”，IMU惯性传感器记“平衡感”，腕带/手套传感器捕捉手部关键点，讲究的还要加眼动追踪、肌电传感器。单台设备每小时能产出50GB到200GB原始数据——数据量大到存储本身就是个工程问题。

Ego 数据采集设备，奥比中光

为什么要费劲用第一人称？

因为机器人最终是从自己头部的摄像头看世界的，如果训练数据全是第三人称拍的“监控视角”，模型部署到机器人上，性能普遍下降20%到40%。反过来，第一人称数据的视角和机器人头部相机天然同构——机器人看到什么，和“老师”当时看到什么，一模一样。

那这些第一人称视频，是怎么变成机器人能学的动作的？

中间隔着三步：先提取、再重建、后投映。

第一步，数据公司用视觉算法从视频里逐帧提取关键点——手部关节、身体骨架；第二步，把关键点重建成立体的三维模型，还原人的动作轨迹；第三步，把三维动作“投映”（业内叫运动重定向）到机器人身上，让机器人照着人类的动作范式去执行。

关键就在第一步。算法提取关键点，靠的是画面里“只有一个人”。一旦镜头里混进第三方的手、脸、胳膊，算法分不清关键点属于谁，提取就乱了，三维模型重建出来也是错的，再投映到机器人身上，动作自然学歪。所以客户才反复强调“画面要干净”——这不是甲方洁癖，是技术链条的硬要求。

Ego 数据路线之所以受欢迎，是因为相比其他数据路线，它足够便宜。业内公开信息显示，真机遥操作（人远程操控机器人本体干活）单小时有效数据成本约500到1000元，最高能到1600元；而Ego采集，成本大约是前者的1/200。门槛低、可众包、居家就能干，Ego因此成了入局者最多的路线——也是卷得最快的路线。

03 数据好“采”，但“能用”是另一回事

然而，行业有多热，数据就有多“虚”。有媒体报道称，无本体众包数据的实际可用率普遍不足三成：动作不规范、场景摆拍、手部离开画面、设备抖动……采集时拍了100条，清洗完能用的可能不到30条。

数据采集员一天工作8小时，有效采集时长常常只有2到5小时，剩下时间在调试设备、重录、等场景。更扎心的是，“有效数据”的定义掌握在客户手里——客户说不行，就是不行。

数据“脏”还会传染模型。一位数据公司负责人举过一个经典案例：采集员习惯拿起茶杯先吹气降温，模型便以为“吹气”是拿杯子的必要前置动作，结果训练出的机器人每次抓握茶杯，都会对着空杯停顿一下——它以为自己漏了一步。

圈内流传一句大实话：“数据越多不一定越好，但数据越脏一定越糟。”数据不足可以补采，数据污染要先清洗再返工，相当于走回头路。

图2：生产线上的工位一个挨一个，想不拍到邻座同事很难（AI生成示意图）

04 回到那个矛盾：真场景，和不拍到别人，能两全吗？

客户要“真实场景”，本质是要数据有生态效度——机器人将来要进便利店、上产线，训练数据就得来自真实环境，棚里摆拍出来的数据，一落地就露馅。有媒体就报道过，很多团队在实验室跑通的算法，搬到真实产线或家庭场景就跑不通，根因不是算法不行，而是训练数据与真实场景的分布偏差太大。

可“真实场景”里，天然挤满了人。便利店结账，顾客的手就是画面的主角；生产线操作，工人们坐得近，就难免会拍到他人的胳膊、手甚至脑袋。画面里多出一只手，后面“提取关键点—重建三维模型—投映到机器人”的整条链路都会跟着出错，这一帧数据基本就废了。

于是两难闭环了：不拍真实场景，数据没用；拍了真实场景，就容易拍到别人；避开别人，数据又失真。

更别提成本账。做这行的人越来越多，客单价被卷得越来越低；而想进真实工厂合作，难度比想象中高得多——工厂怕泄露工艺、怕影响生产，谈一家真实产线合作，周期比采集本身还长。采集厂夹在中间，像极了那句玩笑：客户要“五彩斑斓的黑”。

05 热闹是真的，路长也是真的

把话说回来：Ego数据采集这行，确实站上了风口。10亿级预算、百万小时数据计划，行业喊得震天响；全球能用高质量交互数据据行业估算只有约50万小时，而让机器人“开箱即用”据说需要一亿小时量级——缺口就是机会，机会就是热度。

但热度不等于成熟。从“采下来”到“用得上”，中间隔着清洗、标注、质检、合规一道道工序；从“别人家的真实场景”到“自家能进得去的场景”，隔着谈判桌上一道道坎。数据采集看似热闹，实则粗活、脏活、慢活，赚的是辛苦钱，扛的是高不确定性。

那些涌进来的入局者，大概率会先经历一轮淘汰：低价接单的、粗制滥造的、拿“垃圾数据”反复流通的，都会被真实需求筛掉。留下来的，要么有稳定场景资源，要么有把数据做“干净”的真本事。

数据采集热不热，不重要；采出来的数据能不能用，才重要。这行要走的道路，比热搜上的“元年”长得多。

END