昨天，国内具身智能数据行业发生了一件挺有意思的事情。

9月23日，觅蜂科技在上海发布了一个叫“觅蜂派”的平台。

玩法听起来有点像数据采集版的“滴滴”。

普通人下载App，领取任务，申领设备，然后在家里、商店、仓库、工厂这些真实场景里完成指定动作。

比如：整理桌面、擦玻璃、搬东西、做糕点，甚至以后可能是修车、理发、维修水管。

采集完成以后上传数据，平台审核，按照有效数据时长结算报酬。

一个月内测期间，觅蜂派已经注册了2万名用户，产生了1.3万份采集任务提交。

看到这里，很多人的第一反应可能是：普通人又多了一个兼职。

但我觉得，如果只是把觅蜂派理解成“做家务也能赚钱”，就把这件事情看小了。

它真正想解决的，其实是具身智能行业一个更大的问题：怎么把整个真实世界，变成一张可以随时调用的数据生产网络。

一、训练场不够了

过去一年，具身智能数据行业最流行的做法是什么？

建训练场。

• 搭一个厨房。

• 搭一个客厅。

• 搭一套商超货架。

• 再复制一个仓库、一条汽车产线。

• 然后买机器人、上设备、招遥操作员。

• 一天一天往里面“生产数据”。

我们以前也讨论过，全国已经建了大量机器人训练场。

这种模式当然有价值。

特别是机器人从0到1学习基础动作的时候，标准化环境、固定设备、统一SOP，非常适合规模化训练。

但它有一个天然的天花板：真实世界太大了。

你可以复制一家超市，但你不可能复制全国所有超市。

你可以搭一个厨房，但不可能把中国几千万个不同厨房全部搬进训练中心。

更不要说：

• 汽车维修厂。

• 养老院。

• 建筑工地。

• 餐厅后厨。

• 酒店客房。

• 农业大棚。

• 甚至理发、美甲、维修家电这些专业操作。

觅蜂科技在发布会后透露，现在连“家庭叠衣服”这类数据都已经开始趋于饱和，

客户更缺的反而是修水管、修车、理发、美甲这些专业技能数据。

问题是：

• 为了采修车数据，再专门搭一家修车厂？

• 为了采理发数据，再搭一家理发店？

• 为了采养老数据，再建一个模拟养老院？

显然不现实。

所以具身数据行业正在出现一个很重要的变化：以前是把场景搬到数据公司。现在开始尝试把采集设备送进真实场景。

二、真实世界开始众包

觅蜂派表面上是一款App。

但从整个产品结构来看，它实际上做了三件事情。

第一件：解决“怎么采”

采集人员佩戴MEgo设备，不需要控制一台真实机器人，而是直接记录人在真实环境中完成任务的过程。

视频、人体动作、手部位姿以及部分设备能够记录的触觉、力觉等信息，被同步保存下来。

第二件：解决“谁来采”

过去数据公司做一个项目，可能是：一个项目经理、100名采集员，集中到一个场地。

现在变成：平台发布1万个任务；把任务分发给全国不同城市、不同行业、不同职业的人。

谁拥有这个场景，谁就有机会成为数据生产节点。

第三件：解决“采完以后怎么办”。

这也是最关键的一层。

因为普通人拍一段自己拧瓶盖的视频，并不能直接拿去训练机器人。

按照公开信息，MEgo Engine还需要继续做数据处理、感知、标注和质量评价，并把真实世界操作进一步拆解成抓、拿、放、拧、按等120多种标准原子动作，再进行位姿重建和动作映射。

所以我认为，觅蜂派真正搭建的不是一个简单的“兼职平台”。

而是：采集硬件 + 众包调度 + 数据治理引擎。

它想平台化的，其实是：真实世界的数据产能。

三、Figure已经跑通

如果把视角拉到海外，这条路线其实已经有人跑得非常快了。

8月25日，Figure正式公开Index。

数据非常夸张，264,000次App下载，覆盖108个国家，超过44,000名周活跃贡献者；

累计上传超过1600万段视频，已经向数据贡献者支付1500万美元。

Figure还宣布，未来12个月计划在数据和算力上投入超过10亿美元。

更有意思的是，Figure一开始也尝试过：向外部数据公司买数据。

但最后它发现，现有供应商在数据规模、多样性和质量上满足不了Helix模型的需求。

所以它干脆自己搭了Index。

让全世界普通人在：

• 家里做饭。

• 餐厅收桌子。

• 商店补货。

• 工厂工作。

• 办公室整理东西。

然后把这些真实的人类行为变成机器人训练数据。

所以，从Figure Index到国内的觅蜂派，背后其实是在赌同一件事：机器人想真正进入千行百业，不可能只靠几百个训练场生产数据。

最终一定要进入真实世界。

但两者还有一个非常重要的区别。

Figure建立Index，主要是为了服务自己的Helix模型。

而觅蜂派目前选择的是第三方平台模式：根据不同机器人公司、模型公司和数据采购方的需求，组织外部数据生产。

如果打个比方：Figure是在给自己建一块巨大的“数据油田”。

觅蜂派想做的，更像是：一张公共的数据电网

四、人会干机器人未必会

写到这里，千万不能得出一个结论：以后大家戴个摄像头干活，机器人看视频就能学会。

没这么简单。

机器人学习里有一个非常关键的问题：Embodiment Gap，本体差异。

人的身体和机器人不是一个东西。

人的手有五根手指。

机器人可能只有两指夹爪。

人的肩、肘、腕活动范围，和机器人机械结构完全不同。

人拿起一个杯子的时候，很自然。

机器人却要解决：

• 机械臂能不能到这个位置？

• 夹爪角度对不对？

• 力度多大？

• 运动过程中会不会撞东西？

甚至身体重心是否允许这个动作。

卡内基梅隆大学今年一项研究，就把人类与人形机器人之间的本体差异，视为利用大规模人类演示数据的重要瓶颈：人类数据便宜而且丰富，但人与机器人处在不同的状态空间和动作空间，人能完成的轨迹未必满足机器人的运动学约束。

IJCAI 2026的一篇综述同样指出，人类视频确实包含大量真实交互信息，但要真正转化成VLA模型能够使用的机器人监督信号，还必须解决跨本体、视角差异以及动作映射问题。

所以：真正难的不是把人拍下来。

而是把“人怎么干”，翻译成“机器人怎么干”。

这也是为什么我认为，觅蜂派最值得关注的技术并不是App。

而是中间的数据处理和动作映射能力

五、真机数据依然值钱

现在行业里容易出现另外一个极端判断：既然真人众包这么容易扩规模，那以后还要机器人遥操作干什么？

我认为正好相反。

未来具身数据很可能会形成一个金字塔。

最底层是：大规模真人第一视角数据

它最大的价值是：便宜、场景多、任务丰富。

容易做到百万、千万甚至亿小时。

它非常适合让模型理解：这个世界里有什么、人想完成什么任务、一个任务大概应该怎么做。

往上一层是：更加精细的无本体数据

加入手部位姿、轨迹、触觉、力觉、深度、空间信息以后，数据越来越接近机器人的控制需求。

再往上一层是：真机遥操作数据

人直接控制机器人完成任务。

这种数据最贵，也最难扩规模。

但它最大的优势是：跟机器人本体天然对齐。

最后一层是：机器人真实部署数据

• 在哪里失败？

• 为什么失败？

• 什么时候需要人接管？

• 怎么从错误里恢复？

这些数据最终又回流模型。

所以未来真正成熟的具身数据公司，不会只押一种路线。

而是要把：真人数据 + 真机数据 + 仿真数据 + 真实部署数据

拼成一个完整的数据闭环。

六、“有人”不再是壁垒

我更关心的是：觅蜂派这种模式出现以后，传统数据标注公司的壁垒还剩什么？

过去我们接项目，经常跟客户说：我有500个人、有1000个人，我可以一周招到200个人。

这就是能力。

但如果一个平台能够同时调度：2万人、20万人、甚至未来200万人。

那“我有人”这件事情，本身就越来越不值钱。未来真正值钱的资源可能变成另外几样东西。

第一，真实场景

• 你能不能进汽车工厂？

• 能不能进仓库？

• 能不能进医院？

• 有没有100家餐厅愿意让你采数据？

这会越来越重要。

第二，专业人员

普通人都可以叠衣服。

但不是所有人都会：

• 修发动机。

• 焊接。

• 做糕点。

• 护理老人。

• 维修工业设备。

真正高价值的数据，很可能来自这些专业劳动者。

第三，质量体系

众包最大的风险就是：

• 人太散。

• 设备太散。

• 场景太散。

• 动作太散。

如果没有自动质检、用户分级、任务评分和数据筛选，众包越大，垃圾数据可能越多。

觅蜂科技披露，目前平台主要通过自动化完成结算前质检，之后还要经过标注、轨迹提取和人工抽检。

所以未来数据公司的竞争力，可能不是：谁能找到更多人。

而是：谁能从100万人产生的数据里，挑出真正对模型有用的那一部分

七、场景才是下一轮资源

前两天我们还在讨论：机器人数据“样板间”正在退潮。

现在再看觅蜂派，这两件事其实是一件事情的正反两面。

训练场解决的问题是：把现实世界复制进来。

众包解决的问题是：直接走进现实世界。

两条路线最后都指向一个趋势，具身智能的数据生产正在从：

集中式走向分布式。

从专门为了采数据搭场景走向在人原本就在工作的地方采数据。

所以未来最大的“机器人训练场”，可能根本不是一栋楼。

而是：

• 中国几百万家工厂。

• 几百万家商店。

• 无数物流仓库。

• 酒店。

• 餐厅。

• 家庭。

• 以及每天正在真实世界里工作的每一个人。

写在最后

我觉得觅蜂派最值得行业关注的，并不是它内测一个月有2万用户。

也不是普通人以后能不能靠“训练机器人”赚多少钱。

真正值得关注的是：具身数据终于开始尝试复制互联网众包的扩张逻辑了。

过去的数据标注公司，是：

• 客户给我一批数据。

• 我把数据拆成任务。

• 再把任务分给人。

而下一代具身数据平台可能变成：客户告诉我机器人不会什么。

平台把真实世界拆成无数个任务。

再去寻找：真正拥有这些场景、真正会这些技能的人。然后把他们的经验变成数据。最后再把数据送回模型。

所以未来数据公司的核心资源清单，可能真的要改一改。

以前我们问：你有多少标注员？

以后可能要问：你能进入多少真实世界？

但这场比赛最后真正决定胜负的，也不会是平台注册了多少人。

因为：能拍下来，不等于能训练。

能采回来，也不等于机器人能学会。

谁能把散落在千行百业里的真实人类经验，稳定地转化成机器人能够理解、能够训练、能够执行的数据，

谁才真正有机会把整个现实世界，变成一座巨大的数据工厂。

我是AI数据标注猿刘吉，

跟着我，用数据视角看AI世界。