众包式数据采集是“下一代人力平台”？

当下产业阶段，具身智能数据采集若不采用“群众路线”，恐怕会落后于人。

9月23日，觅蜂科技推出“觅蜂派”，这是一款面向大众的众包数据采集App，并投入1亿元用于推广激励。前一天，原力无限旗下的星河数据宣布投入5亿元，推动第一人称数据众包采集。更早之前，京东已在宿迁尝试将社区居民、工人和果农纳入数据生产流程，而中国移动与戴盟的合作也将营业厅等线下网络接入采集链条。

过去一年，具身行业的数据竞赛主要在数采基地展开。一家公司将几十万小时数据提升至百万小时，行业已认为规模可观。到今年下半年，“千万小时”这一数字愈发频繁出现，原本依赖职业采集员和固定场地的生产方式迅速遇到瓶颈：小时数虽能继续增加，但场景资源却日益稀缺。

觅蜂科技董事长兼CEO姚卯青在发布会后的采访中举了一个直观例子。早期大家主要采集家庭场景和叠衣服数据，如今这类数据已很丰富，模型接下来需要的是修水管、修车、理发、美甲等更分散的专业技能。“靠一家公司自己的BD团队挨个去找这些人、敲这些门，成本会越来越高”。众包的出现顺理成章，因为掌握这些技能的人本就存在于现实世界中。

因此，当前以Ego采集形式为主的众包热潮具有明确的产业价值。它既扩大了数据供给规模，也让过去难以被集中式数采覆盖的长尾场景有机会更快被组织起来。数据生产走向社会化，很可能是行业跨越百万小时后的必经之路。

但数据行业还有一个特点：模型不断进化，所需数据也随之变化。当前最紧缺的是大规模Ego数据和更多真实场景，未来可能转向更稀缺的技能、更高维的多模态数据、真机反馈乃至新的数据形态。对于率先走向众包的厂商而言，真正值得期待的不只是把这一轮Ego数据做得有多大，而是能否借助众包建立一套持续发现需求、打开场景、组织数据的能力。

从这个角度再看当前的众包热潮，几个问题值得深入探讨：具身模型全民采集数据的价值何在？它是否会像外卖、网约车一样，发展成庞大的众包劳动？如果此事能做大，谁最适合组织？以及今天被行业争抢的Ego数据，其黄金期还能持续多久？

综合这些问题来看，众包很可能成为未来几年具身数据的重要基础设施；但其发展路径，大概率不会复制美团和滴滴。

从百万到千万小时以后，缺的是“场景”

早期讨论具身数据，最直观的单位一直是“小时”。1万小时、10万小时、100万小时，每上一个数量级，似乎都意味着模型能获得更多经验。这套衡量方式在行业起步阶段很有效，因为那时大家几乎什么数据都缺，先把量做起来就能解决很多问题。

情况正在变化。今年开始，越来越多公司已接近百万小时，数据需求继续向千万小时迈进，单纯扩大采集员和设备规模带来的收益已不如之前直接。模型看过十个人擦桌子后，再给它看一千个人在同一房间、同一张桌子上重复相同动作，数据量虽增加，但真实世界的覆盖并未同步扩大。

行业现在越来越频繁地提到“多样性”。简智机器人提出了DPH（Diversity per Hour，每小时多样性）概念，试图计算单位时间内包含多少独立任务和不同环境。这个指标虽非通行标准，却点明了当前的数据矛盾：相同小时数的数据之间，价值差距可能非常大。

具身模型需要学会的是现实世界，而现实世界天然是长尾的。同样是拿杯子，家庭、餐厅、工厂的桌面环境不同；同样是维修，汽车、水管、电器背后是完全不同的工具链和操作逻辑。农业、护理、餐饮、制造、维修、零售，每个行业继续细分，都能拆出大量过去数采工厂未覆盖的技能。

但数据规模越大，公司越难靠自身搭建场景。数采厂可以轻易复制100间厨房，却很难凭空造出100种职业；可以招聘1000名普通采集员，却很难要求他们突然掌握焊接、汽修、美甲、护理或某种工业设备的维修能力。

众包解决的正是这种场景组织问题。农民、维修工、厨师等各类职业真实存在，平台无需重新制造劳动，只需让原本正在发生的劳动多出一条数据生产链。

觅蜂派目前已开始尝试任务认领制，热门任务达到需求量后停止收集，稀缺场景则通过更高激励调动供给。其内部甚至考虑进一步开放“场景申报”：平台未想到的任务，可由采集者主动提交，再匹配采购需求。这一点比“全民”采集更值得关注，数据平台因此多了一层发现场景的能力。

因此，判断一个众包平台是否有价值，不能只看麾下众包人数。十万人集中在家庭场景，可能还不如一万人分布在1000种职业中。真正稀缺的资源逐渐变为场景入口：谁能拿到普通采集员无法触及的专业技能，谁的数据网络才更有价值。

到了千万小时阶段，人只是载体，场景才开始成为供给侧的真正硬通货。

看起来很像骑手众包，但商业底盘却截然不同

“可以看到，第一名朱女士过去一个月，已赚取5111元的丰厚回报，即使是榜单第十名，她也收到了3595元觅蜂派的回报”。在觅蜂派发布会现场，姚卯青向外界展示了内测真实收益榜单。

众包、App、任务大厅、按单结算、普通人兼职增收，这套产品形态很容易让人联想到美团、饿了么等众包典型。社交媒体上，也有不少业内朋友留下“制造大量就业”“继网约车、快递、外卖之后的第四大人力平台”等乐观言论。

两者确实有相似之处。它们都需要将大量分散的人组织起来，用一套平台规则完成任务分发、质量管理和结算，实现“供需撮合”；平台本身不必雇佣所有劳动者，却需持续管理供需、信用、保险、评价和履约。觅蜂派现在讨论的许多问题，包括设备领取、任务匹配、采集保险、信用体系，在外卖和网约车行业都能找到相似历史经验。觅蜂团队也提到，外卖和打车经过近十年才把众包管理体系逐渐跑通，具身数据目前还处于非常早期的阶段。

但需要理清的是，二者的商业基础并不天然相同。外卖平台连接的是全国餐饮和零售市场。一座城市可能有几十万家餐馆、便利店、药店和零售商户，全国是数以百万计的经营主体，背后又有数亿消费者。吃饭、买药、买菜是每天重复发生的需求。一单外卖送完，明天同一家餐馆、同一消费者还会产生新订单。需求足够分散且高频，因此平台能长期容纳数量巨大的骑手。

具身数据的采购端则窄得多。据已退出具身赛道的数采厂商Eidon AI创始人Sam Padilla判断，整个赛道只有约200家核心数据采购方。从这种量级来看，真正拥有大额、持续数据预算的机构，主要是头部的具身模型公司、机器人公司、世界模型团队，以及少数向物理世界延伸的大模型厂商。

供给端可扩展到全国千行百业，采购端仍集中在几百家公司，且会随竞争持续收缩，这是一种不易察觉的“封闭生意”。这会直接改变众包平台的规模逻辑。美团增加10万名骑手，只要后续商户和消费订单继续增长，就有机会消化新增运力。具身数据平台增加10万名采集员后，还得先回答另一个问题：是否有足够多的新场景和新采购需求，让这10万人持续有单可做？

同时，模型对数据的消费方式也不同。同一家餐厅一天可发出1000笔相似订单；模型对1000小时高度雷同的数据，却未必有同等旺盛的需求。常见场景覆盖到一定程度，采购自然会向新的职业、新环境和更特殊的任务移动。

于是，众包数据行业容易出现一种特别现象：平台理论上可拥有很多注册用户，但真正活跃的人却不断变化。今年需要大量家庭数据，宝妈可能成为主要参与者；下一阶段突然缺农业和维修，任务就会迁移到另一批人；再往后如果模型需要医疗护理或工业操作，平台又要重新打开新场景。

这种劳动关系更接近一种“随需求点亮”。采集者仍保持原有职业，只在自己的技能恰好成为模型需要的数据时参与生产。

因此，具身数据是否会创造大量就业，其实不是最重要的问题，也不必给予如此厚望。真正决定这个行业能做多大的，是全国到底有多少场景可被组织起来，又有多少场景能持续匹配模型公司的采购需求。

一家食品厂是否愿意让人戴着摄像头进入产线，一个维修车间能否接受采集，医院、养老院、家庭等隐私敏感空间如何授权，许多专业劳动是否允许外部设备记录，这些问题都会卡住场景供给。

觅蜂在发布会上谈到“场景联盟”时，也把问题讲得很具体：客户过去可能只提“我要工厂数据”，现在需求已细化到某条生产线上的某个操作，数据公司必须真正找到对应工厂，并获得进入和采集许可。

这才是众包数据和外卖平台最值得讨论的差异。外卖平台的网络效应来自越来越多商户、骑手和消费者同时进入平台，这种商业模式围绕“人”；具身数据众包采集则可能来自越来越多现实场景被数字化、标准化并获得长期进入权，这类商业模式要吃“关系”。谁能掌握这种进入权，谁才真正拥有平台。

这门生意最后会落到谁手里？

如果把竞争重点从“谁的人最多”换成“谁能打开更多场景”，今天几类玩家的优势就会清晰很多。

第一类仍是头部数据公司。它们已离模型客户最近，知道什么样的数据真正有人买，也拥有从设备、采集、质检到后处理的一整套基础设施。据姚卯青透露，“为应对今年1000万小时的数据产能，需大几个亿固定资产投入”，包括采集设备的生产制造、人员雇佣、费用结算，以及数据后处理的整套云端基础设施建设，海量存储、计算设备等，都不太适合几个人创业、融几百万或一千万就能把规模干起来。

更重要的是，第三方数据公司的开放属性允许它们同时服务多家客户。一家公司收到十家模型公司的需求，可将不同任务汇总，再向全国场景网络分发，需求密度和复用性自然高于模型公司自建众包体系，这种规模效应未来会越来越重要。

第二类是京东、运营商这类已拥有庞大线下组织网络的企业。它们的优势不在于今天体量有多大，而在于许多数据公司最难搭建的东西，它们已存在十几年。京东有仓库、配送员、零售场景及大量一线员工，还拥有管理重人力业务的经验。如果未来将头戴设备甚至其他传感器进一步融入仓储、配送、家政等现有作业流程，数据采集可直接附着在原有业务之上。

运营商的逻辑又有所不同。遍布全国的营业厅和基层渠道，可承担设备发放、培训、维护、回收和人员组织。戴盟与中国移动合作的意义多半在此：对于数据采集而言，全国性的线下服务网络本身就是一套很难重新建设的基础设施。

这类公司还有一个容易被忽略的优势：场景信任。数据公司想进入某个社区、工厂或地方机构，往往需重新建立合作；而已深度参与产业链和地方服务体系的平台，进入门槛可能低很多。

第三类则是目前尚未真正大规模入场的短视频企业。抖音、快手值得纳入讨论，一方面是因为Ego数据本质上也是视频；另一方面，过去十年真正将全国普通人组织起来持续生产视频内容的，正是这些公司。平台上已存在厨师、农民、维修工、木匠、理发师、工厂工人和大量职业创作者。数据公司如今费尽力气寻找的长尾技能，很大一部分本就以内容创作者形式存在于短视频生态中。

坦白说，当前短视频公司还需跨过一层较深的技术鸿沟。面向人观看的视频可剪辑、加速、选角度；机器人训练往往要求完整连续的过程，需稳定记录手部、物体和空间关系，未来甚至要同步深度、姿态和触觉。原有视频不能直接等价为高质量具身数据。

不过，人、技能和场景已在那里。如果未来数据采集进一步轻量化，一副眼镜、一台手机或新的穿戴设备能承担更多采集任务，内容平台参与进来的可能性会越来越高。

从这个角度看，众包Ego的最终竞争很可能是多方混战。专业数据公司掌握采购和加工能力，京东、运营商掌握线下组织和场景入口，视频平台掌握庞大的内容生产者网络。哪类玩家能将自己的原有资源改造成模型所需的数据基础设施，现在还没有答案。

而且，我们还要追问这门生意的更大变量：时间。

Ego会火多久？

眼下谈Ego，容易形成一种错觉：模型今天从百万小时走向千万小时，未来自然还会走到亿小时、十亿小时，数据公司只需不断扩设备、扩人、扩场景即可。

规模增长很可能还会继续，但数据形态却未必长期停在今天。Ego在现阶段很重要，有一个很现实的背景：机器人自己产生的数据还远远不够。全世界真正持续部署、每天稳定工作的通用机器人数量有限，让机器人依靠自身运行经验去训练下一代模型，数据量短时间内很难提升。人类已分布在全球几乎所有真实场景中，因此让模型先观察人如何工作，成为最快获得大规模物理经验的路径。

随着机器人部署量增加，这个比例会逐渐改变。未来的机器人会在工厂、商场、家庭和服务场景中持续产生真机数据。模型失败在哪里、执行到哪一步出了问题、什么动作真正完成了任务，这些数据相比单纯观察人类，会带来更直接的闭环反馈。

另一边，模型对互联网视频的利用能力也在提升。具身智能要真正出现语言模型那样的Scaling Law，仅依赖专门采集的数据很难实现。语言模型能走到今天，很大程度上建立在整个互联网文本之上；视频生成模型同样吸收了巨量公开视频。具身模型迟早也要进一步利用人类已积累的海量视觉内容。

这一判断已有例证。10月初，视频模型厂商Runway发布Praxis-1世界动作模型，它建立在支撑通用世界模型的同一套大规模视频预训练基础上，这种世界模型模拟的机器人策略能以0.95的相关性预测真实世界结果。在博客中，他们判断“最好的策略模型将从视频中学习，并利用视频的规模，将具身智能带到地球上的每一个行业”。

当然，专门采集的Ego数据仍有自身优势。它第一视角稳定、手物关系清晰，可针对任务设计，也容易增加深度、位姿等额外信息。互联网视频则胜在更宽泛、更易得。

因此，我们更愿意把未来几年理解为Ego数据大规模扩建的黄金窗口。今年整个行业刚迈过百万小时，许多技能几乎还是空白，数据公司面对的是一个巨大的“补课期”。常见家庭操作、职业技能、工业场景、农业场景都需从零开始建立数据库存，需求自然非常旺盛。

随着这轮库存不断补齐，采购逻辑也会随之变化。三年、五年之后，模型可能已不再大量购买最普通的擦桌子、叠衣服、做饭视频，新订单会越来越集中于以前没见过的专业技能、更复杂的任务、更细的失败样本，以及触觉、力觉、空间信息等更高密度的数据。届时Ego仍然存在，但今天这种“什么都缺”的市场不会永远持续。这也是第三方数据公司现在就需要考虑的问题。

在具身智能数据采集迅猛发展中，我们看到“觅蜂派”这种先锋产品诞生，也看到海外数采公司Eidon AI项目的结束。Eidon给这个行业留下了一个很有价值的提醒：第三方采集在很多时候承担的是模型数据飞轮的启动环节。客户早期什么都没有，需要外部公司快速补数据；当硬件部署、内部采集和模型能力逐渐建立起来，纯粹卖采集小时数的价值就可能被压缩。

这当然不意味着数据公司最终都要去做机器人、做模型。重要的是，厂商们要让自身能力跟着数据需求一起移动。今天价值最高的可能是大规模Ego数据，未来也可能是高精度多模态数据、稀缺场景、数据清洗和评测，又或者是机器人部署后的反馈处理、仿真、合成数据和持续学习基础设施。

如果把视野放长一些，2026年出现的这轮众包热潮，或许意味着具身智能第一次开始尝试把散落在人类社会里的劳动经验系统地组织起来。这些过去没有理由被完整拍下来的过程，如今第一次拥有了新的买方。

众包能够让这些经验快速被看见。只是当今天缺失的数据逐渐被填满，行业很快还会面对下一道题。

本文来自微信公众号“具身研习社”，作者：彭堃方，36氪经授权发布。