在觅蜂科技的数采工厂里，一名数据采集员头戴传感器头盔，佩戴腕部相机，把桌子上的积木拼成指示图所示的样子。

任务不难，但他必须以正常速度的一半完成，不能有任何多余动作。拼好后按下结束键，一次任务完成，再把积木推倒，如此重复多次。

数据是 AI 时代的石油，训练的 “原油” 就是这样被开采的。

无本体采集是近两年增长最快的数采方案。21 世纪经济报道记者在现场了解到，一名采集员每天要工作大约 10 至 12 小时，最终完成 4 至 5 小时的数据采集。采集过程中必须遵循严格的标准操作程序 —— 动作不能太快，光线不能太暗，镜头不能被遮挡。

“这一套动作一天要重复一百多次吧。” 一名数据采集员向记者表示。

目前工厂内的数据采集，更多是让采集员在受控环境中执行标准动作 —— 背景单一、光线可控、动作规范。这种模式能保证数据的 “干净” 和完整。

而外部采集则是把设备发放给 C 端用户，让他们在做家务、干本职工作的同时 “顺便” 采集数据。这种分布式采集模式的好处显而易见：数据带着现实世界的 “噪音”，恰恰是机器人形成泛化能力亟需的 “养分”。

8 月 31 日，觅蜂宣布累计产出超过 100 万小时高质量无本体数据，全部来自开放环境中的真实采集，其数采设备已陆续进入家庭、办公、零售、生产、餐饮等真实场景。

觅蜂科技的一位负责人向记者打了个比方：人类不是只在驾校里学会开车的，而是在长期置身于各种真实场景中才具备了应对不同路况的能力。机器人也一样，真正的泛化能力要靠外部采集来支撑。

目前，数据仍然是具身智能发展的核心瓶颈。统计显示，国内真实物理交互场景合规数据仅 50 万小时，而机器人商业化落地需要数千万小时数据，缺口超过 99%。

上述负责人向记者表示，具身智能比大语言模型更难，不仅需要推理和语言能力，还涉及动作和现实世界的物理交互。这需要的不仅仅是更多数据，更是更多样、更真实的数据。

（来源：21 世纪经济报道）