让普通人给机器人喂数据：质量参差、隐私担忧、重资产投入，众包数采是门好生意吗？
9月23日，觅蜂科技在上海发布首个物理AI数据众包服务平台“觅蜂派”。
据介绍，数据采集不再是某家企业的工作任务，而是开放给了普通人。用户下载该应用后可以领取数据采集任务，并佩戴MEgo设备在零售、仓储、制造、家庭等真实场景中完成指定操作，按照审核后的有效数据时长获得报酬。这意味着，物理AI数生据产模式走进“全民数采”时代。数据经治理、分级后，用于具身模型训练，并服务于机器人真实部署。
但众包采集者都是普通人，让普通人给机器人当老师，质量参差不齐，隐私边界模糊，又是重资产投入，这到底是不是一门好生意？
▲发布会现场糕点师在指导体验者 众包便宜、广覆盖
但质量与隐私问题待解
数据采集的众包模式，此前美国企业Figure已有尝试。今年8月，Figure发布Index项目，通过向用户付费采集真实任务视频，构建多样化训练数据集。操作很简单：用户把手机一架，录一段自己擦桌子、叠衣服、切菜的第一视角视频并上传，企业就按数据采集的质量和时长付费。
Figure公布的Helix2.5实验显示，在30套陌生住宅中，不采数据、不额外训练，Index预训练让零样本成功率从9%提升至56%。这为众包数据提供了想象空间。
这样的数采优势显而易见。它把数据采集从集中式、雇佣式，变成分布式、社会化协作。用户不必专门花时间，而是在正常生活或工作中顺便采集，获得额外补贴。
据觅蜂派官方透露，其覆盖22大类场景、5000多个任务、50000多个真实环境，内测一个月注册用户2万人，累计1.3万份采集任务提交。
但疑问也明显，采集者都是普通人，质量参差不齐，数据的有效率如何保证？“集采的数据不会百分之百流到模型训练，但也不会损耗太大。”觅蜂科技董事长兼CEO姚卯青称，结算环节会用自动化方法提取有效时长，切掉手不在画面、休息、动作不规范、主观重复等无效部分；结算后超过95%的数据最终能被利用。
“数据质量分很多层，不是非黑即白。”姚卯青解释，不同模型有不同的训练阶段，可以利用不同质量等级的数据，采集到的数据一般会被贴上质量标签，尽可能地保留下来。
另一方面，隐私问题也是外界所关注的。觅蜂派称建立了敏感内容识别、人脸及个人信息脱敏、实名认证、电子签约、授权留存和分类分级管理机制，并联合发出《具身智能数据安全行动倡议》。但这能否覆盖众包场景的复杂性，仍有待考验。
为何是众包：
千万小时数据需求与 细分 场景缺口
过去三年，具身智能从“开发态”走向“部署态”，业界普遍认为，要实现具身AGI，数据至少要从百万小时扩展到亿级小时。
但具身模型没有大语言模型那样的海量文字语料，抓起杯子、拧开瓶盖、折好衣服，这些日常动作至今没有形成可直接训练的大规模数据。
此前行业的通行解法是真机遥操：人通过手柄、VR设备操纵机器人，把任务示范给模型。这样的采集速度受机器人数量、操作人员和场地约束，硬件、人力与运营成本随数据规模同步增加。
姚卯青在采访中直言，百万小时对今天而言已无法满足需求，不少模型和具身智能公司已达百万小时级数据需求，因此必须开启新的增长曲线。目前行业迫切需要数据的场景丰富度。“质量是基础，但在百万小时积累过程中已经打磨相对成熟了，接下来场景丰富度肯定是最关键的。”
他认为，现在行业需要的不是简单堆量的数据，而是往细分赛道和专业技能走。“叠衣服数据已经泛滥了，大家可能需要更专业的，哪怕你是去修水管、修车。”
姚卯青认为，众包方式更加灵活，可以更便利地进入到这些场景里，相较于专职雇人更有场景和成本优势。照他所述，当数据量越大，模型效果越好，后续人工的占比会更低，同时自动化程度更高。
但众包平台不是轻生意。姚卯青称，采集设备生产、人员结算、云端存储计算都是重投入，应对1000万小时数据需要数亿元固定资产级别的投入。这也意味着短期可以用补贴换规模，但长期的用户活跃度与留存率仍有待观察。