当前位置：首页 > news >正文

具身智能卖铲人：数据标注与采集半年融资170亿背后的技术逻辑

news 2026/8/28 1:22:06

具身智能这条赛道，现在最赚钱的可能不是做机器人的，而是给机器人“喂饭”的。

半年时间，这个群体融了超过 170 亿元人民币。这不是整车厂的故事，也不是大模型公司的故事，而是数据标注与采集公司的故事。业内把这类角色叫“卖铲人”——别人淘金，他们卖铲子。具身智能的铲子，就是数据。

这篇文章不聊“具身智能多伟大”这种宏观叙事，直接拆三件事：数据为什么成了具身赛道的硬通货，数据生意的技术门槛到底在哪，以及作为技术开发者和创业者，怎么接住这波数据红利。

1. 半年 170 亿：数据标注公司凭什么成为资本焦点

先说一组能看到的行业事实。

2025 年上半年，具身智能领域的数据采集、标注、合成相关公司融资节奏明显加快。综合公开披露信息，围绕“具身智能数据”这一环节的融资规模累计已超过 170 亿元人民币。这个数字放在整个人工智能融资大盘里也很突出。

为什么资本突然盯上数据生意？核心逻辑只有一个：数据缺口已经超过算力缺口，成为具身智能落地的主要瓶颈。

大模型时代，文本数据几乎被互联网存量吃干榨尽，各大厂开始用合成数据续命。但具身智能不一样，机器人需要的是物理世界的交互数据——机械臂怎么抓杯子、双足机器人怎么上下楼梯、服务机器人怎么避开障碍物。这类数据互联网上没有，必须要到真实世界去采，或者用工程手段合成。

而采集真实物理数据又慢又贵。一个熟练的遥操员一天可能只能采集几十条有效轨迹；一条高质量的“抓取—移动—放置”数据，从硬件调试到人工标注，成本可能达到几十元甚至上百元。对比之下，CV 时代的一张图片标注只要几毛钱。

数据标注行业，等于从“劳动密集型”直接跳到了“高技术密度 + 重资产”阶段。

2. 具身数据生意的三个技术环节：采集、标注、合成

从技术开发者的视角看，具身智能数据不是“拍视频 + 框物体”这么简单。它是一条完整的流水线，拆开看有三个核心环节，每个环节都有对应的工具链和岗位需求。

2.1 数据采集：遥操作、自动采集、多模态对齐

具身智能训练数据的采集方式，目前主流有三类。

第一类是人工遥操作采集。操作员通过 VR 设备、主从机械臂或示教器，远程控制机器人完成动作，同时记录关节角度、力矩、视觉图像、语音指令等多维数据。这种方式数据质量高，但成本也最高。

第二类是自动化采集。在固定工位上布置多台相机，让机器人反复执行同一任务，利用视觉算法自动切分有效片段。这种方法适合数据量要求大、动作相对固定的场景，例如分拣、码垛。

第三类是异构机器人数据复用。同一个操作轨迹，通过运动学映射迁移到不同构型的机器人上。这条路径对算法要求高，但能显著摊薄单台设备的采集成本。

技术上的关键点在于多模态对齐：视觉流、关节角度流、力觉流和语言指令需要精确到毫秒级同步。很多团队初期只关注图像质量，忽略了关节角度的采样频率，结果训练出来的策略一上真机就“手抖”。这属于典型的数据采集环节经验坑。

如果你的团队要自建数据采集流水线，优先检查三个指标：

指标	建议基线	说明
关节角度采样频率	不低于 100Hz	低于 30Hz 会导致动作轨迹失真
视觉与关节数据时间差	小于 10ms	超过 50ms，策略学习会出现明显偏差
单条数据有效长度	3s 到 30s	过短无法学习完整动作，过长引入冗余噪声

2.2 数据标注：从 2D 框选到 3D 语义理解

传统 CV 标注用矩形框、多边形、关键点就能交差。具身智能数据的标注维度复杂得多，至少包括五层：

2D 视觉标注：目标检测、分割、追踪，这是基础层。
3D 空间标注：点云分割、三维包围盒、物体位姿估计。
动作语义标注：把连续的动作流切成原子动作，例如“伸手”“抓取”“移动”“释放”。
任务级标注：标注整个任务的目标、约束条件和成功标准。
语言对齐标注：把自然语言指令和对应的视觉、动作片段关联起来。

当前行业里最缺的是第 3 层和第 5 层标注能力。原因很直接：这两层既需要理解机器人运动学，又需要理解自然语言意图，普通标注员经过短期培训很难达标。

这种复合型标注团队的搭建，本身就是数据公司的核心壁垒。资本看好的不是“人多”，而是“懂机器人又懂标注”的团队密度。

如果你在做相关项目，这里有一个实操建议：优先用半自动标注工具分流 70% 的简单工作量，把人力集中在动作语义和语言对齐这两个高价值环节。比如先用预训练模型生成 2D 检测框和 3D 点云伪标签，再让标注员修正，效率能提升 3 到 5 倍。

2.3 数据合成：仿真引擎与真实数据混合训练

真实数据太贵、太难采，行业自然走向仿真合成。具身智能中常用的合成方案包括：

物理仿真引擎：如 MuJoCo、Isaac Sim、Genesis，在虚拟环境中大规模生成交互数据。
随机域泛化：随机化纹理、光照、物体形状，让策略学到任务本质而非场景特征。
扩散模型生成数据：利用大模型生成物体的多视角图像，再投影到三维空间。
大语言模型驱动的任务生成：用 LLM 自动生成任务描述和指令，再驱动仿真环境自动执行。

仿真数据的问题也很明显：Sim-to-Real Gap（仿真到真实迁移差距）。在仿真里学得再好，一到真实世界就“水土不服”。当前工程界的通行做法是混合训练——真实数据做底，仿真数据做量，比例大概从 1:1 到 1:10 不等，具体要看任务复杂度和真机验证反馈。

这里要泼一盆冷水：合成数据不是“免费午餐”。它只是把采集成本从硬件侧转移到了算法侧。如果团队没有足够的真实数据作为锚点，大量合成数据反而会引入系统性偏差。

3. 端到端模型时代，数据成了新的军备竞赛

目前具身智能模型的主流技术路线，已经从“感知 + 规划 + 控制”的分层架构，逐步转向端到端模型，其中最典型的是 VLA（Vision-Language-Action，视觉语言动作）模型。

VLA 模型的训练逻辑和 LLM 高度相似：给它海量的“视觉输入 + 语言指令 + 动作输出”三元组数据，让它学会直接输出动作。问题在于，LLM 的训练数据是互联网海量文本，而 VLA 的训练数据还没有形成规模效应。

这也是为什么科技巨头和头部创业公司都在疯狂囤数据。

从数据规模看，行业头部玩家已经展示出明显的“数据飞轮”效应：

数据规模	策略表现	参考场景
千条级	单一场景、固定物体可完成，泛化差	实验演示
万条级	同一场景多物体可完成，仍受场景限制	初步试产
十万条级	跨场景泛化明显，初步具备通用操作能力	规模化测试
百万条级	接近通用操作，可处理长时序复杂任务	商业探索

上面这个表格是从多份公开技术报告中归纳的相对量级，不是某个具体模型的官方参数。但它反映了一个趋势：具身智能模型的智能水平，直接受数据规模驱动。谁的数据管线更高效，谁的模型迭代就更快，谁就能拿到下一轮融资。

这就是数据公司“暴利”的本质——它们不是靠卖一次数据赚钱，而是靠持续构建别人无法轻易复制的高质量数据管线。

4. 数据采集和标注企业的核心壁垒不是数据本身

仔细看这轮融资中跑出来的公司，会发现它们的共同点不是“数据量大”，而是**“数据闭环能力强”**。

数据闭环指什么？简单说就是四个环节循环起来：

在真实或仿真环境中采集数据。
清洗、标注、增强、格式化。
输入模型训练，在真机上评测。
把失败案例返回数据管线，补充标注和采集。

闭环能力的核心是工程效率。同样训练一个“拿起水杯”的任务，A 公司可能需要 3 万条数据、6 周时间；B 公司通过数据增强和仿真优先策略，可能只用 8000 条数据、2 周时间就达到同等效果。差距不在模型结构，而在数据管线的工程调度能力。

对于想入局的技术团队，这里有几个可执行的方向：

4.1 面向中小机器人团队的“数据工具链”外包服务

很多机器人创业团队有硬件能力、有算法能力，但数据基础设施一塌糊涂。你可以提供标准化的采集 SDK、标注平台、数据格式转换工具，按项目收费或做 SaaS 订阅。这是典型的“卖铲子”生意。

工具链应该包括：

多传感器同步采集 SDK（相机、IMU、关节编码器）。
数据可视化回放工具（同时显示视频和关节角度曲线）。
标注任务分发与质检后台。
模型训练结果反馈接口，形成闭环。

4.2 垂直场景数据集建设

与其做大而全的通用具身数据，不如在细分场景深挖。比如：

零售货架拣选数据集。
医疗陪护机器人交互数据集。
物流分拣场景的包裹操作数据集。
餐饮场景的餐具抓取与摆放数据集。

垂直数据集的商业价值是很明确的：机器人公司落地时都需要场景化数据冷启动，它们往往没有时间和成本自己去采集，采购垂直数据集比自建便宜得多。

4.3 数据合成与增强工具平台

如果你熟悉仿真引擎和生成式 AI，可以做一个面向具身智能的数据合成平台：用户上传 3D 物体模型，平台自动生成带标注的全场景仿真数据。这类平台有两条路可以走，一是做通用平台，二是和仿真引擎厂商深度绑定，做垂直集成。

5. 数据清洗与数据增强：具身数据治理的工程实践

上一部分讲了商业机会，这部分落到具体工程师的日常：拿到一批原始具身数据后，怎么处理才能用于模型训练？

具身数据的原始形态通常是一堆文件夹，包含图像序列、深度图、关节角度 JSON、语音指令等。直接丢给模型训练大概率效果很差，必须经过清洗和增强。

5.1 数据清洗四步走

第一步：时间戳对齐。检查图像帧和关节角度的时间戳，偏差超过阈值则丢弃或用插值修补。这一步最常见的坑：相机缓存导致图像流延迟，做完对齐后发现动作提前于画面。

import numpy as np def align_timestamps(image_timestamps, joint_timestamps, joint_data, max_diff_ms=10): aligned = [] for idx, img_ts in enumerate(image_timestamps): # 找到最近的关节数据帧 diff = np.abs(joint_timestamps - img_ts) nearest_idx = np.argmin(diff) if diff[nearest_idx] <= max_diff_ms: aligned.append((idx, nearest_idx, joint_data[nearest_idx])) # 偏差过大则丢弃该图像帧 return aligned

第二步：质量筛选。图像模糊、遮挡过重、机器人执行失败的数据直接过滤。这里建议用 CLIP 或自监督模型做嵌入相似度筛选，人工只复核边界样本。

第三步：任务切片。把连续数据流切分成“单次尝试”样本。判断依据通常是执行器状态变化、任务完成信号的跳变，以及动作序列的停顿点。

第四步：格式标准化。统一图像分辨率、归一化关节角度范围、统一语言指令模板。格式不统一会在训练时引入大量隐性噪声。

5.2 数据增强的具身版本

传统 CV 的数据增强（随机裁剪、翻转、色彩抖动）在具身数据上基本不够用。具身场景更有效的增强方式包括：

视角扰动：随机平移/旋转相机位姿，模拟相机安装误差。
动力学参数扰动：修改仿真中的摩擦力、质量、电机力矩系数，生成对抗性样本。
语言改写增强：用 LLM 把同一条指令改写成多种自然表达。
时序裁剪与拼接：从长轨迹中随机裁剪不同长度的片段，同时改变任务起始状态。

def augment_language_instruction(instruction): """利用 LLM 生成语义一致但表达多样的指令""" prompt = f"""请将下列机器人操作指令改写为 5 种不同的自然语言表达， 要求语义完全一致，句式多样，适合用于具身智能模型训练。指令原文：{instruction}""" # 这里对接企业内部的 LLM API return response

这层增强做得好，可以用更少的真实采集成倍数扩大有效数据量。从公开案例看，做得好的团队，数据增强带来的效果提升甚至超过增大模型参数量。