AI时代最容易被忽视的苦力活：给机器人“擦屁股”的人

今年具身智能赛道融资规模已突破百亿，但一个关键数字几乎被忽略：训练一个能够抓取杯子的机器人策略，背后需要一个人花费大约六个月的时间来清洗数据。

不是采集，是清洗。

摄像头拍摄的原始素材中，大约只有三成能真正用于训练。其余七成是机械臂的无效抖动、传感器异常导致的鬼影，以及机器人“偶然”完成任务但因果链断裂的废轨迹。湖北人形机器人创新中心给出的数据更直观：一名训练师每天进行8小时真机操作，最终可用的数据只有两三个小时。

换言之，当下最前沿的机器人公司，其核心产能被一个听起来像上世纪90年代制造业才有的问题所制约——品控。

而这项“品控”的单价，已经被推高到每小时数百元，却依然难以找到愿意长期从事的人——真机遥操作采集有效数据的成本为每小时500到2000元，无本体头戴视频采集将成本压缩至三分之一，但清洗这一环节，无人能绕过。

这一场景几乎不会出现在任何关于具身智能的融资报道中。但正是这些“做品控”的人，决定了那些估值数十亿的机器人公司，能否真正让机器学会执行任务。

大模型饱食，机器人仍饥饿

要理解为何“数据清洗”突然变得如此重要，需要先看清AI数据工程的两条截然不同的路径。

大模型时代的数据标注，已是一台高度成熟的机器。给图片画框，Scale AI等公司按0.035美元一条简单框、0.84美元一张语义分割计费，复杂3D点云则需4.5到6.2美元一帧。在众包平台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据：过去一年1000万帧自动驾驶图像人工标定外包成本接近一亿元，换成大模型自动标注后，一年的工作量三小时即可完成。

整个行业正被“模型预标注+人工审核”快速吞噬。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显著，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。

这里处理的数据并非来自互联网的文本和图片，而是机器人在物理世界中摸索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，全部混杂在一起，还带有时间戳不对齐、传感器漂移、摄像头抖动等“物理世界的噪音”。

据媒体报道，Micro1目前每月从71个国家约4000名工人手中收取16万小时头戴视频，工人时薪因地区不同从约2美元到40美元不等；而真机遥操作工位单站硬件成本为5万到15万美元，完全摊下来的采集成本为每小时118到200美元，一天一个操作员产不出200条demo。

这些数据并非静态。

大模型标注一条样本，看完即可打标签；具身数据则是一条完整的“episode（任务回合/片段）”——机器人从尝试到失败再到调整直至成功（或干脆未成功）的全过程。清洗时不能只看某一帧，必须理解整条轨迹的因果链：哪一步做对了，哪一步是侥幸蒙对的，哪一步直接导致了失败。

π0预训练使用了约1万小时机器人遥操作数据。而π0.7在空气炸锅任务上从5%提升到95%成功率的飞跃，依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中“提示/因果”的清洗，比单纯堆叠采集时长更有价值。

一个用于抓取任务的episode可能长达几分钟，清洗一条数据要花费几十分钟甚至更久。而一个机器人策略要收敛，往往需要几十万条这样的样本。这就是为何大模型标注可以依靠人海战术堆量，而具身智能的数据清洗至今仍是“手工作坊”——并非不想规模化，而是难度太大。

人在闭环中：为何具身数据清洗无法外包

大模型标注能够实现众包，有一个前提：任务的评价标准相对清晰，且出错后可以重新标注。

给一张图片中的猫画框，十个标注员画出来的结果大致相同；判断一段对话是否有害，虽然主观，但至少可以通过标准对齐。标注错误时，模型训练过程中会自然赋予低权重，不会造成重大事故。

具身数据清洗不具备这些条件。

首先，它需要领域知识。让一个众包标注员观看一段机械臂的操作录像，他根本不知道什么是“抓取姿态合理”、什么是“关节限位内运动”、什么是“力控参数异常”。这不是贴标签，而是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：训练师将“送水”拆解为机器人数十个动作，每一帧都要人工标注成机器人能理解的动作语言，才能符合要求。

其次，它无法“错了重来”。具身数据的清洗结果直接决定了下游策略能否学习到正确的行为。如果清洗时将一段“偶然成功但因果链断裂”的轨迹当作正样本，模型就会学到错误的关联——例如认为“先抖动再抓取”是成功的关键。

这种错误在仿真中可能不明显，一旦上真机就会失败。

Sanctuary AI在汽车线束插接任务的概念验证（PoC）中实现了99.5%的成功率、单周期2.54秒，这一极高成功率的背后，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。

因此，目前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、回头分析数据问题——人在这个闭环中既是生产者，又是质检员，还是调试员。

一位具身智能创业公司的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——它应算独立承包商还是雇员？是否需要支付加班费？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推送给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佩戴JoyEgoCam拍摄物流和家庭场景，喊出两年1000万小时的目标，但清洗环节依然留在自有数据湖和合作方的工程团队中，没有下沉到众包。

空白比机会更刺眼

大模型标注行业走过的路径，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。

火山引擎将豆包VLM用于具身视频的原子动作级切分，帧级精度达到几十毫秒，自动生成语义标签、判断成功与否、检测夹爪交互，准确率超过90%，已接入星海图、穹彻智能的管线；

如祺出行将第一视角操作视频进行“手部检测→相机位姿估计→3D手部姿态优化”三段式AI预处理，再交由人工质检；

京东JoyEgoCam采集的视频进入AI数据湖后自动去畸变、深度重建、语义描述，宣称将“原始视频到开箱即训”的环节大幅压缩；

觅蜂科技MEgo Engine将预处理、空间重建、多模态标注、质量评测串联成自动闭环，称效率比纯人工高出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为小模型的数据打标签——都是数字世界中的信息加工。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目前能判断“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中最有害的噪声。

VLM打标后仍需人工校对，还需要探索用大模型进行数据查重和多样性检查。

纯自动化目前还不能让人放心。

更棘手的是传感器层面的问题。摄像头时间戳偏移了50毫秒、力传感器存在零点漂移、关节编码器偶尔丢帧——这些都不是“理解”层面的问题，而是信号层面的脏数据。处理这些问题需要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、生成长尾场景，但生成数据进入训练集前仍需经过物理一致性校验，否则就是给模型喂漂亮垃圾。

因此，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，并非发论文的人

具身智能行业目前存在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。

但如果你与创始人交流，他们私下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）》将数据采集、清洗、标注、审核、质检列为全生命周期，但全栈服务商中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损失函数，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”，薪资已经触及算法岗上限，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将“数据基础设施”单独设为一个团队，与算法团队平级。

据火山引擎披露，国内头部具身企业中有15家使用了它的“数据湖+VLM标注栈”；

鹿明机器人推出了“LumosUMI数据超市”，将清洗过的机器人数据按小时挂上货架；

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；

光轮智能依靠仿真合成数据一年营收增长10倍，2026年一季度单季预计超过2025全年。

这些公司卖的都不是算法，而是数据供应链。

也就是说，具身赛道正在复刻Scale AI当年的角色切换：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？

大模型标注的历史提供了一个参考坐标。

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，而是将整个流程标准化、工具化、规模化，ML-assisted labeling将人工压缩到质检位，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8亿至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”，而是要将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。

谁能将这三件事焊接在一起，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。

而今天那些花费六个月为机器人做品控的人，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。

本文来自微信公众号 “亿欧网”（ID：i-yiou），作者：刘政鑫，36氪经授权发布。