互联网时代的数据是被发现的，具身智能时代的数据需要被制造。

过去十年，AI 数据产业最重要的生产资料，是“人”。

成千上万的数据标注员坐在电脑前，给图片画框、给语音转写、给文本分类。自动驾驶最火的时候，他们标车道线、红绿灯和障碍物；大模型爆发后，他们又开始做 RLHF、指令数据和模型评测。

但到了具身智能时代，数据生产的方式正在发生一次更彻底的变化。

「人不再只是坐在电脑前“标数据”，而是开始真正进入物理世界“生产数据”。」

一个操作员戴着 VR 设备，远程控制机械臂拿起杯子、叠衣服、整理货架；机器人完成一次动作，背后同步产生相机视频、深度信息、机械臂关节角、末端执行器轨迹、夹爪状态甚至力觉数据。

这也是为什么，一批传统数据标注企业正在重新审视自己的下一站：从“数据标注”进入“具身智能数采”。

表面看，这只是业务从 annotation 延伸到了 collection。

但真正的问题是：

「这是一次自然升级，还是一次跨行业冒险？」

本文看点

过去两年，具身智能行业最热门的话题一直围绕“大脑”和“本体”。

谁家的 VLA 模型更强，谁家的机器人更便宜，谁家的灵巧手自由度更多。

但随着机器人公司真正开始训练模型，一个越来越现实的问题浮出水面：

大语言模型可以吃互联网。机器人不行。

一个语言模型想学习“苹果是什么”，互联网上已经有几十亿张图片和文本。

但一个机器人想学会“把苹果从桌子上拿起来放进篮子”，需要的数据完全不同。

模型不仅需要知道苹果长什么样，还需要知道：

这类数据不是天然存在于互联网里的。

它必须被“做”出来。

这也是具身智能和上一代 AI 最大的区别之一。

于是，一个新的产业开始出现：

机器人数据工厂。

今天，一家机器人公司如果想训练一个泛化能力更强的 manipulation 模型，通常有几条路。

第四种，也是越来越重要的一条路径：

找外部公司帮助自己规模化采集真人示教数据。

这正好落在传统数据标注公司的能力半径附近。

很多人理解数据标注行业，第一反应是“廉价劳动力”。

但这恰恰低估了这个行业。

一家能够长期服务自动驾驶和大模型客户的数据公司，真正积累的能力通常有四个。

标注行业过去十年建立了一整套成熟的方法，包括任务拆分、培训、考试、抽检、复审、返工、golden set 和质量评分。

这些事情，恰恰是数据标注企业熟悉的语言。

所以，从商业组织形态来看，传统数据标注公司其实是目前最接近“具身数据服务商”的一类企业。

只是过去管理的是电脑和标注员。

未来要管理的是机器人、操作员和真实物理场景。

这也是最容易踩坑的地方。

很多数据标注公司进入具身智能以后，会天然认为：

既然都是数据生意，那就把机器人买回来，再招一批操作员就可以了。

真正跑起来以后才会发现，完全不是一回事。

传统数据标注的问题主要发生在软件世界。

具身数据的问题，大量发生在物理世界。

机械臂会撞。相机会漂。夹爪会坏。标定会失效。网络会掉线。

一台机器人可能上午还能正常工作，下午某个关节就开始异常。

更麻烦的是，很多问题并不会让机器人彻底停止工作。

它仍然可以采集数据。

只是采出来的数据已经不能用了。

在传统标注项目里，一个操作员做错一个 bounding box，返工即可。

但在具身数据项目里，如果机器人运行了三个小时才发现标定错误，意味着：

因此，具身数采真正考验的是一个新能力：

这也是未来数据公司的竞争壁垒所在。

所有进入新行业的公司都有一个冲动：

一上来就想做平台。

数据标注时代诞生过 Scale AI，因此很多创业者自然希望在机器人时代复制一个“Robot Scale AI”。

但对一家传统数据标注公司而言，更现实的路径可能恰恰相反。

原因很简单。

机器人行业现在最缺的不是一个新的数据管理 SaaS。

而是：

“我下个月需要 5000 个小时的 manipulation data，你能不能交出来？”

因此，一个数据公司的第一阶段产品，最好不是平台，而是一项非常具体的服务：

机器人遥操作数据采集。

客户提供机器人和任务。数据公司提供场地、操作员、SOP、质检和数据交付。

比如客户希望训练机器人整理桌面。数据公司需要在几十个不同桌面环境里，让操作员完成：

每完成一次任务，就产生一条episode。

模型真正需要的，可能不是 1000 条完美轨迹。

而是几十万条包含不同物体、不同光照、不同桌面、不同初始位置的数据。

这恰好进入了传统数据公司的舒适区：

规模化复制。

未来具身数采产业真正可能产生利润的地方，不是单纯卖操作员小时。

如果一家企业只做：

客户给 20 台机器人；企业派 40 个操作员；然后按人天收费。

那么它最终仍然会变成传统外包业务。

价格竞争几乎不可避免。

真正应该建立的是一套“数据工厂能力”。

比如一个 50 工位的数据中心，可以像工厂一样计算：

最终甚至可以算出：

当这个数字可以持续下降，规模效应才真正出现。

一个成熟的机器人数据工厂，本质上应该像富士康。

客户给的是任务定义。工厂负责把任务拆解成可以规模复制的生产流程。

区别只是富士康生产的是手机。机器人数据工厂生产的是：

行为。

这是这个市场目前最大的现实。

数据标注行业曾经可以服务互联网、电商、金融、安防、地图、自动驾驶等大量行业。

但真正大规模采购机器人数据的客户，在今天仍然高度集中。

这些客户数量可能不算多，但单个客户的数据需求可能非常大。

原因是机器人训练存在一个非常残酷的规律：

如果一家机器人公司发现，模型能力随着真实示教数据增加仍然持续提升，那么它的数据采购预算很可能迅速放大。

这会让具身数采呈现一种和自动驾驶数据非常类似的市场结构：

客户少。项目大。认证周期长。供应商一旦进入供应链，合作粘性很强。

因此，对于传统数据公司来说，第一个目标不是获取 100 个客户。而是：

拿下 3 个真正有模型训练能力的客户。

如果今天是一家传统数据标注公司的老板，最危险的事情可能是：

先租一个 3000 平方米厂房。然后买 100 台机器人。再成立一个“具身智能事业部”。

更合理的方式，是做一个非常小的MVP。

第一阶段甚至只需要：

总共大约 10 人。找一个 100—200 平方米的场地。场景也不用复杂。

桌面、货架、厨房台面。

选择 20—30 个高频 manipulation task：

拿。放。移动。整理。开抽屉。关抽屉。倒水。折叠。装箱。

然后验证三个指标。

第一：一天到底可以稳定采多少有效小时？

第二：数据有效率能不能稳定超过 90%？

第三：客户是否愿意持续购买？

如果这三个问题没有跑通，就不要扩张。

因为具身数据真正的商业模式，从来不是卖机器人。而是：

设备利用率 × 人员利用率 × 数据有效率。

数据标注公司过去最喜欢讲一个指标：

有多少标注员。

10 万人。20 万人。覆盖多少城市。

但到了机器人时代，这个数字的重要性会下降。

因为机器人操作员是可以快速培训的。

真正有价值的是企业积累了多少：

举个例子。“把杯子放进洗碗机”看起来只是一个简单任务。但工业化以后，会拆成大量变量：

杯子材质。杯子大小。杯子位置。洗碗机高度。门打开的角度。环境光照。左右手。抓取姿态。失败恢复方式。

这些变量组合以后，本质上就是一个巨大的任务空间。

因此，未来优秀的数据公司可能会建立一个“机器人任务库”。

客户说：我要训练家庭机器人。数据公司不是从零开始设计采集方案。而是直接调用：

Kitchen Pack。包含 300 种场景、2000 个任务组合和对应的质检规则。

这时，公司卖的就不再是“操作员”。而是：

具身智能数据行业最终可能出现三个阶段。

第三阶段一旦成立，商业模式就会发生巨大变化。

因为服务业务卖一次赚一次。数据资产可以卖很多次。

比如一家数据公司积累了 100 万条家庭场景 manipulation episode。其中包括厨房、卧室、客厅、货架、仓储等大量任务。

如果这些数据足够标准化，它未来可能会像今天的图像数据集一样，成为机器人基础模型的训练资产。

那时，这家公司就不再是一家传统意义上的外包公司。而更接近：

具身智能数据服务现在最大的机会，恰恰来自一个短暂的不平衡。

模型公司的数据需求增长速度，大概率会快于自己的数据基础设施建设速度。

早期机器人创业公司最重要的任务是：

做机器人。训模型。找融资。拿订单。

它们不一定愿意同时管理几百个操作员、几十个场景和上百台设备。

于是第三方数据公司获得了窗口期。

但这个窗口不会永远存在。

当一家头部机器人公司的数据需求达到足够大规模以后，它一定会考虑自建。

因此，第三方数据公司必须在客户自建之前建立一个足够强的理由：

这个答案不应该是：“因为我们人工便宜。”而应该是：

最终让客户发现：自己建一个数据中心，需要管理机器人、场地、招聘、培训、设备维护和质量体系。

而找你，只需要提出一个需求：

过去十年，数据标注行业经历过两次巨大的机会。

一次是计算机视觉。一次是大模型。

很多公司抓住过第一个周期，却错过了第二个。

现在第三个周期正在出现。

只是这一次，数据不再只存在于硬盘里。它发生在真实世界。发生在机械臂拿起杯子的那一秒。发生在机器人推开抽屉的一瞬间。发生在人类把自己的动作，通过遥操作设备传给机器人的过程中。

对于传统数据标注公司来说，具身智能最大的机会，并不是把“数据标注”四个字换成“具身智能”。而是完成一次更彻底的能力迁移：

未来几年，这个行业或许会诞生一种新的公司。

它没有最先进的机器人。也没有最大的基础模型。但它拥有几千台持续运行的机器人、数万个真实场景，以及每天稳定生产数百万条行为轨迹的能力。

如果说大模型时代最重要的基础设施之一是 GPU 集群。那么在具身智能时代，另一种基础设施可能正在形成：