数采的水还是太深了，我们算了笔账。
「数据是具身智能的石油」——这话你大概听腻了。
但很少有人告诉你：这桶「石油」到底多少钱一桶，为什么有人几分钱就能灌满，有人却要花几十块。
差价，能到上千倍。
同样是教机器人学会一个动作：纯靠仿真在电脑里生成，一条只要几分钱；用便携设备让人示范叠件衣服，一条几块钱；换成真机遥操去采精密装配，一条就要几十块。
为什么差这么多？钱到底花在哪？哪条路又便宜又能用？
这正是 2026 年每一家具身公司都在算的一笔账。
因为大家心里都揣着同一个残酷事实——据行业估算，全球能用的高质量真实交互数据满打满算只有约 50 万小时，连大模型训练数据的两万分之一都不到；而要把机器人训到能「开箱即用」地干活，需要的量级是一亿小时——从几十万到一亿，中间差着 2 到 3 个数量级。
大模型这几年证明了一件事：能力提升高度依赖数据规模。
但机器人面对的是真实物理世界，它不光要知道「什么东西是什么」，还得知道「手怎么伸过去、力度多大、物体动了之后会怎样」。这些全要海量交互数据。模型是机器人的「大脑」，数据是喂大脑的「粮草」，而现在粮草又缺又贵。
怎么把它采得又便宜、又大规模、又足够真，就成了眼下这个行业真正的胜负手。
主流的数据生产方式有5条：真机遥操、UMI、Egocentric（第一视角）、Human-Centric（以人为中心）、仿真，外加叠在它们之上的触觉增强。这篇我们把每一种的账都摊开，数据从哪来、钱花在哪、一条到底多少。你会看到，价格差异的背后，其实是一场关于机器人数据生产方式的路线之争。
原文链接：数采的水还是太深了，我们算了笔账。
成本总账：越贴近真实，一条越贵
价格差得离谱，不是「采集方式不同」这么简单，而是背后的生产模式根本不是一回事：有人用 GPU 批量生成，有人靠人戴设备采动作，有人让机器人在真实环境里反复试错。
一条规律贯穿始终——离真实世界越近，数据越值钱、也越贵；越好规模化，越便宜，却离真实越远。 下面这张表，先给你一个全局。
（数据来源：亿欧智库（2026）、甲子光年（2026.06）；真机遥操成本及有效率据甲子光年，UMI叠衣成本据鹿明机器人；Egocentric据蚂蚁数科AoE及德马科技，印度时薪据CNBC（2026.06）；Human-Centric据京东众包与专业动捕设备报价，仿真平台及 Sim2Real 口径据 NVIDIA、DeepMind 等公开资料，触觉设备价参考 SenseGlove Nova 2 力反馈手套（约 4.4 万元），标注成本为行业估算。仅供参考。）
目前行业还没有一种路线能够单独解决所有问题。
更现实的路径正在形成：仿真负责扩大数据规模，Egocentric 和 Human-Centric 提供更像人类的参考，UMI 补上能直接迁移、拿来就用的操作数据，真机遥操负责最后一公里，触觉加持则解决复杂操作。
简单来说：便宜的数据负责“让模型懂个大概（广度）”，昂贵的数据负责“精细化模型任务（深度）”。
01 真机遥操：黄金标准，也最烧钱
如果把机器人训练数据比作石油，真机遥操采的就是最接近真实世界的那桶高品原油。
因为它直接来自机器人本体。
操作员通过 VR 手柄、力反馈主手、外骨骼或 UMI 夹爪操控一台真实机器人干活，系统同步记录视觉、关节轨迹、末端位姿、力反馈和物体交互状态。
所有数据都是机器人本体视角的真实物理值，几乎没有跨形态转换，也就不存在「人做得到、机器人身体却实现不了」的落差。
这就是它长期被当成「黄金标准」的原因。
但黄金标准，也意味着黄金价格。它最贵的地方不是机器人，是人。
举个具体画面就懂了：
一个熟练操作员戴着力反馈主手，一对一「人肉遥控」机器人，手上一快、机器人跟不上，这一条就废了；这么盯满一天 8 小时，采下来的片段漏斗一筛，往往只有一半能用。
设备那头，一套带力反馈的工业级遥操系统单台动辄二十几万，一个上规模的数采场投资更是普遍上亿、大部分还没盈利。摊到单条上：简单任务 3-5 元一条，一旦涉及精密装配这类复杂操作，一条几十元并不罕见，一小时有效数据的综合成本往往在 500 元以上。
那这 500 元 / 小时，大致花在哪几块？下面的构成比例为行业估算，仅供参考：
真机遥操的钱，近一半是砸在「人」身上的——这也是它最难靠堆设备把成本降下来的根本原因。
02 UMI：一把夹爪，便宜一大截
真机遥操那么贵，第一个想给它「减负」的方案，就是 UMI。
说白了，UMI（通用操作接口）就是把机器人从采集里整个拿掉，让人手持一个「和机器人的手一模一样」的夹爪，自己上手叠衣、抓取、开抽屉。因为夹爪和机器人末端同构，采下来的数据几乎不用转换，机器人拿来就能用。
好处也很对「省钱」这个主题的胃口：不用机器人本体、不用力反馈主手，一套设备从几千到一两万，比真机遥操便宜一两个数量级；数据还不挑机型，同一份能部署到不同机器人上。
把 UMI 做成生意的，最典型的是鹿明机器人。它的 FastUMI Pro 把叠衣数据压到 0.6 元一条、综合成本降到传统遥操的 1/5，这就是 UMI「便宜」的最好注脚；穹彻智能等也在用「手机+夹爪」把它往全民众包推。
当然它也有边界：手持夹爪只覆盖「夹取类」末端任务，灵巧手、全身动作都够不着。
但正因为“无本体、数据可跨机型直接用”，业内通常把 UMI 单列成一条路线，视为无本体采集里最接近真机质量的一支。不过，自由度一高，质量就难保证，且各家公布的“数据有效率”口径不一，横向基本没法比。
不过说到底，UMI 那个夹爪终究只是「末端」，够不着第一视角和全身动作。想更贴近「人到底怎么干活」，就轮到下一条更彻底的无本体路线——Egocentric。
03 Egocentric：省掉机器人，一条几块钱
Egocentric（第一视角） 最大的省钱点只有一句话：不需要机器人。
它是这么省的：把机器人从采集链路里整个拿掉，采集员戴上头显、腕部相机和数据手套，在工厂、家庭、仓库里边干活边录，系统把第一视角的画面和手部动作记下来，再迁移给机器人。
省掉了机器人本体、也省掉一天只跑几百条的遥操，人力还能大规模并发。一条动作数据因此能压到 1-5 元、一小时也就 50-60 元，比真机便宜整整一个量级。
成本能压到多低，看蚂蚁数科的 AoE 就懂，一部手机加一个 144 元支架就能采，理论上人人都能当一个采集节点。这条路国内外都挤满了人，国内有德马、觅蜂、千寻，国外有 Figure、Meta，对算账来说，关键只有一句：Egocentric把采集成本从「买机器人」变成了「雇人」，规模的天花板一下就打开了。
但 Egocentric的软肋也很直白，最核心的一条：它记的是「人怎么做」，不是「机器人怎么做」。
人的臂长、关节、力量都和机器人不同，数据得经过跨形态映射才能用，精度还会掉，行业至今没有统一解法。所以现阶段，Egocentric 更适合当通用能力的「主食」（比如预训练），喂给模型的是大量真实世界经验，而不是机器人最终的执行答案。
04 Human-Centric：成本跨度最大的一条
如果说Egocentric 是「人类第一视角」，Human-Centric 更宽，只要数据围绕「人的行为」都算。可以是固定相机拍人做饭，也可以是专业动捕记录全身运动。所以它的成本跨度，是五条路里最大的。
到底能差多大？
举两个极端就懂了。便宜那头是众包：京东拉了 60 万人拍视频，几乎不花设备钱，一条摊下来才一两块。贵那头是专业动作捕捉——就是影视、科研里那种，在房间里架一圈摄像头、给人穿上带反光点的紧身衣，把全身动作精确记下来，光一套设备就要几十万到上百万。
同样叫 Human-Centric，一条能从近乎免费一路贵到按百万设备摊——算下来大概 1-10 元一条、30-500 元一小时。这也是它独一份的特征：成本结构随方案彻底翻转，从人力密集（众包）一直滑到设备密集（动捕）。
它的价值，是人类已经攒了海量操作经验，机器人不必从零探索，直接从人的行为里学规律就行。
但挑战和 Egocentric一样：怎么把「人的动作」翻译成「机器人的动作」，那道跨形态映射仍得靠算法补。
所以 Human-Centric 最擅长的不是精密活，而是打底——教机器人通用套路，或者从人体运动里学走路、跑跳；这两年人形的全身控制，很多就是这么拿人的动捕和视频喂出来的。
05 仿真：几分钱一条，却不够真
真机、UMI、Egocentric、Human-Centric，说到底都还得靠真人一条条去采。想彻底甩开人力、把数据量做到近乎无限，就只剩最后一条路——仿真。它要解的是另一个问题：机器人要的数据太多，真实采集根本供不起。
它的成本优势全来自自动化：场景一旦搭好，一块 GPU 就能同时跑上千个机器人实例，源源不断吐数据、还自带 100% 标注、零人工；主流平台（Isaac Sim、MuJoCo 等）又清一色免费开源。所以钱几乎全压在 GPU 上，一台 3-5 万的工作站就能起步，云租也就 15-30 元一个 GPU 小时，单条成本随之压到几分钱。
和真机照个镜子：真机一人累死累活一天喂几百条，仿真一晚上就能生成几十万帧。说白了，它把真机那三块大头（人力、设备、标注）一次性抹掉，只留电费和折旧——便宜和量，就是它压倒性的长处。
但便宜也有硬伤：它毕竟不是现实。
摩擦力、物体形变、光照噪声这些细节，仿真都很难复刻。这就是老大难的 Sim2Real 问题。在仿真里练得再漂亮的策略，一搬到真机上，成功率往往大幅跳水，甚至直接失灵。
说到底，仿真数据用得越多、离真实越远，坑就越深。所以行业共识从来不是「仿真替代真实」，而是仿真负责扩规模、真实数据负责纠误差。
把仿真数据做成生意，中国这批公司跑在前头——光轮智能主打合成数据、已跑成全球首个具身数据独角兽，极佳科技（GigaAI）则用「世界模型」直接生成训练数据。它们吃的其实是同一口饭：仿真的边际成本够低，才撑得起「按需批量造数据」这门生意。
仿真真正解决的，是「用最低成本把机器人训练从千小时推向百万小时」。但不管走哪条路，采到的多半是「看得见」的信息；要让机器人真正会「拿捏」，还差一维摄像头给不了的东西——触觉。
06 触觉增强：不单算钱，是道加法
严格说，触觉不是第五条独立路线，而是叠在真机遥操、Egocentric 或 Human-Centric 之上的增强层。
道理很简单：机器人干精细活，光靠视觉不够。摄像头能告诉它「看到了什么」，却答不了「物体快滑了吗、抓握力是不是太大、接触面压力匀不匀」——这些只能靠触觉传感器和力觉系统补。
触觉为什么贵？很多人第一反应是传感器贵，其实恰恰相反。
比如市面上常用的一款开源触觉传感器，指甲盖大小，一个才两千多块。
贵的是后面。一是标注：要把「这一下是握稳了、还是快滑了」这种手感，一点点标成机器人能学的数据，比纯视觉费不少人工。二是设备：光一副能做力反馈的数据手套就要四万多，再配上触觉传感器、灵巧手，一整套奔着小几十万去。再加上各家格式互不通用、没个统一标准，用起来更费劲。
所以触觉不好单算「一条多少钱」，它的成本更像一道加法：基底路线的价 + 一笔额外的标注人工 + 一批触觉设备。
触觉至今撑不起主数据，全行业的触觉数据集规模还太小，没法单独训练一个模型。所以现阶段它更像机器人进精细操作后的「高级燃料」：谁要抓鸡蛋、拧螺丝这种精细手感，谁再往上叠一层。
07 写在最后：没谁能通吃，得打组合拳
把这几条路线摆到一起，规律很明显：越便宜越好规模化，但离真实机器人执行越远；越接近真机执行，价值越高，成本越难降。仿真最便宜，却要真实数据校准；Egocentric 和 Human-Centric 规模最大，但要解决人机迁移；真机遥操精度最高，却撑不起未来的数据量；触觉信息最丰富，可规模又不够。
所以未来的数据体系不会属于某一条路，而是一座金字塔：底层最宽、最便宜——仿真和 Egocentric / Human-Centric 管「广度」，用海量廉价数据让模型见多识广、建立对世界的基本理解；越往上越窄、越贵、越精——UMI 补上操作细节，真机遥操坐在塔尖做「最后一公里」的精调，触觉再往上叠一层「手感」。
便宜的数据打底，昂贵的数据收口。
这已经是行业共识。
未来机器人的竞争，很可能不再只是模型之争，而是谁手里有一套更高效的数据生产体系。
重磅！
全网首个！具身智能开源知识库来啦（技术/产业/投融资/上下游）
推荐阅读
我们用低成本的机械臂完成pi0/pi0.5/GR00T/世界模型等VLA任务～
VLA+RL方向首个系统教程来啦！Online RL/Offline RL/test time RL等～
VLA/VLA+触觉/VLA+RL/具身世界模型等！具身大脑+小脑算法与实战全栈路线来啦~
1v1 科研论文辅导来啦！
DAMO开发者矩阵，由阿里巴巴达摩院和中国互联网协会联合发起，致力于探讨最前沿的技术趋势与应用成果，搭建高质量的交流与分享平台，推动技术创新与产业应用链接，围绕“人工智能与新型计算”构建开放共享的开发者生态。
更多推荐
2
0- 0
已为社区贡献130条内容
所有评论(0)