寶媽行業狂飆科技，其的高實靠0億

　　來源：中國新聞周刊

　　2026年具身智能融資蜂擁而至，狂飙方案層出不窮，亿的业市場在等待屬於機器人的高科ChatGPT時刻。

　　但在此之前，技行機器人首先要學會最基礎的实靠事——怎麽拿東西、怎麽疊衣服、宝妈怎麽把手精確伸進抽屜。狂飙教會它們這些的亿的业，有可能是高科失業的白領、照顧孩子的技行全職媽媽、想在家門口掙一份工資的实靠農村婦女。他們戴上頭顯和數據手套，宝妈把自己最日常的狂飙動作重複幾百遍，再折算出售。亿的业

　　標準化的高科工作

　　7月，南京市一間民宿內，老葛和其他5名學員正對著桌上一堆散亂的毛巾，慢慢地把它們疊好又打亂，再疊一次。

　　這是一個培訓課，兩天的課程後，學員們可以領到設備，帶回家做具身數采。培訓內容不複雜：戴設備、拍視頻、傳係統。三個設備，頭戴一個，左右手各一個，每個設備上都要架一個手機，算下來身上至少綁著三斤重的東西。任務是疊毛巾、疊衣服、撕貼畫、把錢塞進紅包，都是日常生活裏最基礎的動作，一遍又一遍地重複。

　　培訓教程說，戴著設備可以做一切家務，但特征點必須超過100個，動作要勻速，背景要複雜，光線要均勻，手不能出畫麵，鏡頭不能遮擋。

　　老葛正在采集的是無本體數據，即不經過機器人本體，人穿上可穿戴設備或手持夾爪等采集設備，在真實環境中直接示範，通過把人的動作記錄下來，映射到機器人身上，達到預訓練的目的。 

　　從上至下：

　　老葛在民宿內接受培訓。

　　一套完整的數采設備：頭顯、兩隻夾爪。

　　常見的任務：將硬幣放進盒子裏。以上圖/受訪者提供

　　實際工作比老葛預想的要累得多。所有動作都需要戴著夾爪完成，而模擬機械手的夾爪彈簧特別緊，得一直用力捏合。做了1個小時，老葛的虎口就開始酸痛腫脹。錄完2個小時，他的手、腰、肩都酸得不行。這時候取下頭套，可以摸到滿腦門的汗。

　　吳曉芳今年1月接觸這一行時看到了類似的宣傳語：“簡單活，做飯、洗衣、打掃衛生，幹活的同時，錢也掙了。”和老葛一樣，她接受培訓後，領到了一個帶手機攝像頭的頭套。不過，和宣傳的隻需隨手做家務不同，她在任務庫裏看到的家務都比較冷門，而且要重複很多遍。她說，一天如果要達到4個小時有效時長，前提是工作8小時，一個動作需要重複拍10條。

　　第一天，老葛的工作有效時長被認定為0。算薪資的話，一分錢都沒有。群裏的AI助手告訴他，評價有效數據，最重要的一項指標叫“01係數”，包含17條紅線規則。隻要有一條違規，總時長就作廢。他做的任務裏，有一條規則是：取出和放回不能在同一個動作裏完成。把毛巾從A筐拿到B筐，算不算同一個動作？培訓時組長說可以，因為放的不是同一個筐。他照做了，但係統卻判定違規。

　　為了拍攝動作，他們還要搭建場景。手冊要求，每個視頻都需要打亂場景，比如要在桌子上鋪一塊桌布，或者放幾本書。

　　老葛算過一筆賬，效率達標的前提下，一天做5小時，前3.5小時大概能賺120到150元，後麵1.5小時賺70多元。剛入門的人，效率為60%到70%，實際到手可能隻有120到140元，做熟了效率能提升到80%左右，到手價勉強接近200元。“聽起來很科學，但問題是規則不透明。沒有反饋就沒有改進，勞動者隻能靠猜測、靠試錯去摸邊界。”

　　“補足組織”

　　老葛此前做了多年投流運營，2026年初離職後，他一直在家學AI相關知識。招聘軟件上，一家機器人公司聯係了他，對方說招數據采集員，要求年齡50歲以下、有高中以上學曆，一天可以賺兩三百元。後來他才知道，這些公司並不是具身智能公司，它們隻負責招人、對接數據、轉交培訓。

　　連接機器人公司和采集者的是數據服務商，在行業裏，他們被稱為“賣鏟子的人”。根據分類，具身智能領域數據包括海量互聯網數據、仿真合成數據和真實數據三大類，而最後一項最能反映機器人實際行為，質量最高，但采集效率最低，此前往往依托大型訓練場獲取，以真機數據為多。

　　中國信息通信研究院發布的《具身智能發展報告（2025年）》（以下簡稱《報告》）顯示，截至2025年12月底，國內已建成的具身智能訓練場超過30家，其中公開披露的21家訓練場總麵積超過10萬平方米，覆蓋製造、醫療、零售、服務等場景。

　　《報告》指出，訓練場的實際效用仍有待進一步驗證。一方麵，真機數據采集尚未實現規模效應，對真實場景的覆蓋廣度有限；另一方麵，各訓練場數據采集、標注方式與部署本體構型不統一，數據訓練的模型效果與本體構型高度相關，跨訓練場數據難以整合和共享。

　　此外，算力成本也是難題。據億歐智庫報告估算，當前全球高質量具身交互數據僅約50萬小時，而要想達到具身智能的ChatGPT時刻，業內普遍認可需要百億小時級別。極佳世界創始人朱政曾給出過成本剖析：“第一，現在采一小時數據成本約200元，幾百億小時根本負擔不起；第二，數據利用效率太低，訓幾十萬個小時就要幾千萬GPU（圖形處理器）成本。”

　　因此，在真機數據之外，無本體采集被認為是一種解法。一位具身智能從業者對《中國新聞周刊》說，今年開始，多家公司開始布局無本體數據采集，因為無本體數據突破了真機采集的產能約束。真機遙操作需要機器人、遙操作設備、專業人員和專用場地，還涉及機器磨損、故障維修、場景複位和安全管理，難以快速複製。無本體采集設備成本相對較低，可以進入家庭、商超、工廠等自然場景，並通過分布式采集和眾包方式快速擴大規模。

　　“此外，無本體數據並不對應特定機器人，有更大的市場，一份數據能重複賣給不同的機器人廠商。”前述從業者表示。

　　夏林是山東省某縣的一位村支部書記，一次跟某民辦大學的校領導聚餐，對方提到自己正在做數據采集項目，缺農村、社區居家的真實采集場景。實地考察後，夏林覺得項目可行，在村裏建了一個培訓基地，對外招募村民。

　　目前，這個項目有100多人，大部分是30至45歲的女性。她們每天的工作時間以孩子上下學的時間為節點，通常是上午8點到11點，下午2點到5點，有的晚上也來做一兩個小時。“為了照顧孩子，她們不能全職去周邊廠子幹活，做數據采集工作後，全職媽媽們每天都有收入。”他告訴《中國新聞周刊》。

　　2019年，數據標注行業開始興起，浙江大學社會學係副教授吳桐雨和華東師範大學傳播係副教授夏冰青走訪各地的標注基地，研究的也是這樣一群“媽媽工人”。負責組織這群工人的，是夏林這樣的中介角色，研究者們用“補足組織”來描述：產業鏈下遊的研發團隊有一套抽象的工程邏輯，與真正做標注的工人之間存在鴻溝。這些中介組織理論上可以在鴻溝裏發揮“補足”作用，幫助工人理解和執行抽象規則，讓數據生產實際運轉。

　　具身數采的中間層中介更多，而且是完全線上、單向派發指令的模式。吳桐雨解釋，模型訓練對數據的需求往往很難預測，而且波動很大。有時，工程師隻需要少量特定數據來測試模型的某項功能，測試結束後需求就會消失。而另外一些時候，為了提高模型的準確性和穩定性，又會突然需要海量數據，甚至不斷追加。這種不斷試驗和迭代的開發方式，使數據需求具有很強的波動性，也意味著大廠需要一個能夠隨叫隨到、隨時可以調動大量勞動力的結構。這個結構，恰恰就是補足組織提供的。

　　“我們當時在重慶做田野調查，當地管這些層層轉包的中間人叫‘串串’。‘串串’的繁榮，是讓整個數據鏈條能夠存活下去的重要環節，因為他們解決了大廠需求波動和穩定勞動供給之間的根本矛盾。”不過，吳桐雨說，每一層都要把風險外化、把成本壓低，越往鏈條的末端走，勞動者的議價能力就越低，權益保障就越差。鏈條越長，可替代性越強，工人就越沒有議價權。

　　陳之昂在河南省一家數據采集供應商擔任質檢員，她對《中國新聞周刊》說，她所在的公司負責收集數據和審核，客戶收到數據之後還會初驗和終驗，最後，同一套數據很可能會經手好幾個公司。她發現，客戶的要求看似離譜，實際上是沒有溝通好導致的。畢竟，邊采集標注邊確定規則，隻要一環沒理解對、話傳錯了，就會導致大批量的返修。

　　機器人的ChatGPT時刻

　　2026年被稱為具身智能的“部署態元年”。一個明顯的特征是，行業內湧入的公司大都很年輕。去年11月，國家發展改革委政策研究室副主任、新聞發言人李超在談及具身智能產業發展現狀時表示，我國目前已有超過150家具身機器人企業，其中半數以上為初創或“跨行”入局。

　　與此同步的還有資金。據IT桔子數據統計，截至2026年7月30日，具身模型領域年內發生195起融資，覆蓋108家企業，累計金額達754.63億元。僅前7個月，融資金額已超過2025年的4倍，約為2024年的22倍。

　　劉浩所在的公司成立了六年，原本是為自動駕駛企業提供數據，去年，上遊企業開始轉型做人形機器人，他所在的公司也跟著轉型了。

　　盡管站在“豬也能飛”的風口，選擇投資什麽采集路徑，對於所有“賣鏟子”的數據公司來說，都相當於摸著石頭過河。三個月前，市場還在大談特談機器人遙操，行業內稱之為“昂貴的木偶戲”。劉浩所在的公司押注了這條路徑，大量投資，“投資回報比很慘，現在你已經看不到機器人上‘職校’這樣的新聞了，說明市場的風向已經變了”。

　　無本體數據的采集看似站上了風口。不過，前述具身智能行業從業者表示，采集的有效性可以被驗證，但質量的差距是客觀存在的。無本體數據難以完整表達機器人的動力學約束、接觸力、執行延遲和失敗恢複，大量來自眾包的普通人數據主要用於預訓練階段。

　　多位受訪的從業者都提到同一個問題：目前各家對數據質量的標準並不統一，采集設備的硬件接口也是各自為戰，更關鍵的是，人類動作數據到機器人可執行策略之間的遷移模型，還沒有一套被廣泛驗證有效的方案。換句話說，行業目前更像是處在野蠻生長的早期。

　　這種不確定性，讓人聯想起數據標注行業走過的路。標注行業曾經也經曆過一輪從“有多少人工，就有多少智能”到對標注質量、專業度要求越來越高的轉變，“媽媽工人”式的、門檻幾乎為零的用工需求，如今在成熟的標注細分領域已經很難再見到。

　　吳曉芳還在一邊帶孩子一邊做數采，她對《中國新聞周刊》說，之前，每天的數采任務可以隨便挑選，但這兩個月裏，每天接任務需要靠“搶”。

　　劉浩對此有更深的感受。在他看來，行業對采集人員的要求呈現清晰的金字塔結構：底層基礎采集門檻低、參與人數多，越往上專業度要求越高、從業者越少。他觀察到，目前頭部模型公司已經隻和受過專業訓練的家政阿姨合作居家場景采集，這是模型迭代進入下一階段的明確信號。

　　做了十五天，老葛決定不做了。一方麵是他的手疼得不想再碰設備，另一方麵是，他找不到這份工作的意義。“某種意義上，我們是在‘蒸餾’自己。把人類最基礎的能力提煉出來，喂給機器。機器學會這些動作，取代我們去做這些工作。”老葛說。

　　（老葛、吳曉芳、陳之昂、夏林、劉浩為化名）

(责任编辑：探索)