具身智能赛道今年融了上百亿，但有一个数字几乎没人提：训练一个能抓杯子的机器人策略，背后大约需要一个人花六个月的时间来清洗数据。
不是采集——是清洗。
摄像头拍到的原始素材里，大概只有三成能真正拿去训练。剩下七成是机械臂的无效抖动、传感器抽风产生的鬼影，还有机器人“碰巧”完成了任务但因果链完全断裂的废轨迹。湖北人形机器人创新中心给出的口径更直观：一个训练师每天真机操作8小时，最终能用的数据只有两三个小时。
也就是说，今天最前沿的机器人公司，核心产能卡在一个听起来像20世纪90年代制造业才有的问题上——品控。
而这份“品控”的单价，已经被提到每小时几百元还未必有人愿意长期做——真机遥操采集有效数据每小时成本500到2000元，无本体头戴视频采集把成本砍到三分之一，但清洗这道关，谁也跳不过去。
这个场景，几乎不会出现在任何一篇关于具身智能的融资新闻里。但正是这些“做品控”的人，决定了那些估值几十亿的机器人公司，到底能不能让机器真正学会干活。
大模型吃饱了，机器人还在挨饿
要理解为什么“擦数据”这件事突然变得这么重要，得先看看AI数据工程的两条完全不同的轨迹。
大模型时代的数据标注，已经是一台高度成熟的机器。给图片画框，Scale AI们按0.035美元一条简单框、0.84美元一张语义分割来计费，复杂3D点云4.5到6.2美元一帧，众包平台Amazon Mechanical Turk上，简单图像分类标注的官方指导底价为每张图1.2美分（$0.012）。
标注员分散在全球各地，通过Remotasks、Appen接单，像富士康工人一样完成微任务。2023年理想汽车披露过一组数字：过去一年1000万帧自动驾驶图像人工标定外包成本近一个亿，换成大模型自动标注后，一年活儿3小时干完。
整个行业正在被“模型预标注+人工审核”快速吞食。目前简单图像分类标注的官方底价已低至$0.012/张，而复杂标注（如边界框）价格仍在$0.08–$0.13，不同任务类型的价格差异巨大，不宜简单计算跌幅。
但具身智能的数据清洗，完全是另一个世界。
这里处理的数据不是互联网上爬来的文本和图片，而是机器人自己在物理世界里摸爬滚打产生的多模态时序流——RGB-D视频、激光雷达点云、关节角度、力反馈、IMU数据，全部搅在一起，还带着时间戳不对齐、传感器漂移、摄像头抖动这些“物理世界的噪音”。
据媒体报道，Micro1现在每月从71个国家约4000名工人手里收16万小时头戴视频，工人时薪随地区从约2美元到40美元不等；而真机遥操工位单站硬件5万到15万美元，完全摊下来的采集成本每小时118到200美元，一天一个操作员产不出200条demo。
这些数据不是静态的。
大模型标注一条样本，看完就能打标签；具身数据是一条完整的“episode（任务回合/片段）”——机器人从尝试到失败到调整再到成功（或者干脆没成功）的全过程。清洗的时候你不能只看某一帧，你得理解整条轨迹的因果链：哪一步做对了，哪一步是碰巧蒙对的，哪一步直接导致了失败。
π0预训练用了约1万小时机器人遥操数据。而π0.7在空气炸锅任务上从5%提升到95%成功率的跳跃，靠的是研究人员花费约30分钟优化自然语言指令（prompt engineering），并未新增任何训练数据——这恰恰说明具身数据里“提示/因果”的清洗，比单纯堆采集时长更值钱。
一个做抓取任务的episode可能长达几分钟，清洗一条数据要花几十分钟甚至更久。而一个机器人策略要收敛，往往需要几十万条这样的样本。这就是为什么大模型标注可以靠人海战术堆量，而具身智能的数据清洗至今还是“手工作坊”——不是没人想规模化，是太难了。
人在闭环里：为什么具身数据清洗没法外包
大模型标注能做到众包，有一个前提：任务的评价标准相对清晰，而且错了可以再标。
给一张图片里的猫画框，十个标注员画出来的差不多；判断一段对话是否有害，虽然主观，但至少可以靠标准对齐。标注错了，模型训练时自然会给低权重，不会出大事故。
具身数据清洗不具备这些条件。
首先，它需要领域知识。你让一个众包标注员去看一段机械臂的操作录像，他根本不知道什么叫“抓取姿态合理”、什么叫“关节限位内运动”、什么叫“力控参数异常”。这不是贴标签，这是在理解物理交互的含义。湖北人形机器人创新中心的描述很直白：训练师把“送水”拆成机器人数十个动作，每一帧都要人工标注成机器人看得懂的动作语言，才符合要求。
其次，它没法“错了重来”。具身数据的清洗结果直接决定了下游策略能不能学出正确的行为。如果清洗时把一段“碰巧成功但因果链断裂”的轨迹当成了正样本，模型就会学到错误的关联——比如以为“先抖一下再抓”是成功的关键。
这种错误在仿真里可能看不出来，一上真机就翻车。
Sanctuary AI在汽车线束插接任务的概念验证（PoC）中做到99.5%成功率、单周期2.54秒，极高的成功率背后，是对失败轨迹的严格剔除——这正是具身数据清洗价值的体现。
所以现在的情况是：几乎所有做具身智能的实验室和公司，清洗数据的都是自己的工程师和研究生。他们采集数据、清洗数据、训练模型、部署验证、发现失败、回头分析数据哪里有问题——人在这个闭环里既是生产者又是质检员还是调试员。
一位具身智能创业公司CTO算过一笔账：他们团队五个人，每周能采集并清洗出大约两千条有效样本。按这个速度，攒够一个中等规模策略训练所需的数据量，需要大半年。“而且这还是我们全力扑在数据上的结果，”他说，“算法迭代反而成了次要矛盾。”
更深层的问题在于，“数据演示工人”这个工种在法律上还没有明确的劳动关系定义——它该算独立承包商还是雇员？要不要支付加班费？拍摄的视频中出现的人脸是否构成生物识别信息？
全行业都没有答案。
DoorDash的反应就是一个缩影：它将Tasks App推给800万骑手拍摄家务视频时，主动剔除了加州、纽约市、西雅图和科罗拉多州——这四个正是全美零工工人分类法规最严苛的司法管辖区。DoorDash宁愿放弃这些市场的潜在数据，也不愿冒“因新增用工场景而被重新认定为雇主”的法律风险。
国内京东在宿迁发动十万市民戴JoyEgoCam拍物流和家庭场景，喊出两年1000万小时目标，但清洗环节依然留在自有数据湖和合作方的工程团队里，没下沉到众包。
空白比机会更刺眼
大模型标注行业走过的路，某种程度上预示了具身数据清洗的下一步——自动化。
现在已经有一些探索。
火山引擎把
如祺出行把第一视角操作视频做“手部检测→相机位姿估计→3D手部姿态优化”三段式AI预处理再交人工质检；
京东JoyEgoCam采回来的视频进入AI数据湖后自动去畸变、深度重建、语义描述，宣称把“原始视频到开箱即训”的环节压缩掉一大截；
觅蜂科技MEgo Engine把预处理、空间重建、多模态标注、质量评测串成自动闭环，称效率比纯人工高10倍。
但落地难度完全不在一个量级。
大模型标注的自动化，本质是让一个更大的模型给小模型的数据打标签——都是数字世界里的信息加工。具身数据清洗的自动化，需要模型理解物理世界中的因果关系。
一段轨迹看起来“动作流畅、目标达成”，但可能只是因为桌面的摩擦力恰好让物体滑到了正确位置。VLM现在能判断“动作是否成功”，但分不清“做对了”和“碰巧对了”——后者恰恰是具身数据里最毒的噪声。
VLM打标之后仍要人校，还需要探索用大模型做数据查重和多样性检查。
纯自动目前还不能让人放心。
更麻烦的是传感器层面的问题。摄像头时间戳偏移了50毫秒、力传感器有零点漂移、关节编码器偶尔丢帧——这些都不是“理解”层面的问题，是信号层面的脏数据。处理这些需要的是信号处理和数据对齐的工程能力，不是AI模型能直接解决的。
Seedance这类视频生成模型能补视角、换机械臂构型、造长尾场景，但生成数据进入训练集前仍要经过物理一致性校验，否则就是给模型喂漂亮垃圾。
所以现状是：自动化工具在个别环节有突破（VLM粗筛、视频生成补数据、AI数据湖做对齐），但端到端的自动清洗pipeline还不存在。这个空白既是痛苦的来源，也是机会所在。
最缺的，并不是发论文的人
具身智能这个行业现在有一个微妙的人才错配。
打开任何一家具身智能公司的招聘页面，算法研究员和工程师的岗位永远最多。
但如果你跟创始人聊，他们私下里抱怨最多的往往不是算法不行，而是“没人能搭好数据pipeline”。
工信部《人形机器人与具身智能标准体系（2026版）》把数据采集、清洗、标注、审核、质检列成全生命周期，可全栈服务商里既懂机器人学又懂信号处理还懂分布式数据工程的“数据基础设施工程师”，市场存量极小。
过去十年AI教育资源高度向算法倾斜。
一个CS硕士可能熟练推导扩散策略的loss function，但让他写一套能自动对齐多路传感器、分割episode、检测异常并生成质量报告的数据处理工具链，他可能连从哪里开始都不知道。
反过来，能做好这件事的人技能组合很杂：懂机器人学（知道关节数据意味着什么）、懂信号处理（能处理传感器噪声）、懂分布式数据工程（能管理TB级的时序数据）、最好还懂一点机器学习（知道下游模型对数据格式和质量的需求）。这种人在招聘市场上被叫作“数据基础设施工程师”，薪资已经摸到算法岗上限，但供给量差两个数量级。
一个信号是：越来越多具身智能公司开始把“数据基础设施”单独设为一个团队，和算法团队平级。
据火山引擎披露，国内头部具身企业里15家用了它的"数据湖+VLM标注栈"；
鹿明机器人搞出"LumosUMI数据超市"，把清洗过的机器人数据按小时挂货架；
湖北人形机器人创新中心已完成千小时级企业间具身数据交易，每小时数百元；
光轮智能靠仿真合成数据一年营收翻10倍，2026年一季度单季预计超2025全年。
这些公司卖的都不是算法，是数据供应链。
也就是说，具身赛道正在复刻Scale AI当年的位置切换：当大家发现“模型架构谁都能抄，数据飞轮谁有谁赢”时，数据层公司的议价权会快速超过算法层小团队。
谁先跑通，谁就是下一个Scale AI?
大模型标注的历史给出了一个参考坐标。
2016年前后，数据标注也是手工作坊——大学生兼职、小团队接单、质量参差不齐。Scale AI做的事情不是发明一种新的标注方法，而是把整个流程标准化、工具化、规模化，ML-assisted labeling把人工压到质检位，最终吃下OpenAI、Meta、英伟达的统一供给底座。
据多家分析机构估算，其2025年营收在8亿—20亿美元区间，毛利率约60%。
具身智能的数据清洗正站在类似的起点上。工具空白、流程未标准化、人才极度稀缺、劳动关系未定——这些恰恰是平台型公司的土壤。
而且这一次的单数据小时售价（数百元）远高于大模型标注的单条单价（几分几毛），天花板更高。
不同的是，这一次的壁垒更高。
它不只是“把人的活儿变成软件”，而是要把物理世界的复杂性编码进自动化系统里：VLM懂语义但不懂力矩，视频生成懂画面但不懂摩擦系数，信号对齐懂传感器但不懂任务因果。
谁能把这三件事焊在一起，谁就不只是下一个数据标注公司——他可能定义的是整个具身智能时代的基础设施。
而今天那些花六个月给机器人做品控的人，也许正在做的事情，比他们以为的更重要，只是他们还不知道而已。
耗材化不是终点，被耗材化才是。
简体中文
English