刚到上海一家数据采集工厂实习的王平（化名）是一名具身智能机器人数据采集员（以下简称“数采员”），工作内容是戴着数据采集设备为人形机器人采集数据。

　　和王平一样，张琪（化名）也在这家数据工厂实习，但她的工作是数据审核，她告诉《中国经营报》记者，尽管刚实习不久，但每天看着各种数据，“感觉很新奇”。

　　除实习生外，不少“宝妈”和退休人员也在通过数据采集赚钱。

　　觅蜂科技董事长、CEO姚卯青在日前举行的该公司第2万套MEgo系列设备下线仪式上表示，目前公司的数据采集已经不局限于数据工厂，而是推广到了社区。“不少‘宝妈’、退休人员在为公司生产数据。”

　　这背后是具身智能行业对数据的渴求，并且对数据的质量要求不断提高。姚卯青告诉记者，进入今年下半年，行业对数据的需求出现收敛，60FPS、1080P、双目、深度的需求越来越成为一种共识。

　　王平、张琪以及“宝妈”和退休人员不知道的是，他们所干的工作，最近被国家认定了新的职业和工种。

　　9月9日，人力资源和社会保障部发布第八批新职业，包括11个新职业和23个新工种，新工种中新增“具身智能机器人应用技术员”职业，下设“具身智能机器人数据采集员”“具身智能机器人训练师”2个工种。

　　“打工人”的新选择

　　“数据采集的流程是先接取任务，之后准备采集需要的物料，随后开始采集。”王平告诉记者，自己工作的一天中大概有11个小时是在数据采集工厂度过的。每天采集完成后会上报采集量，采集的动作与录制场景随任务的要求而变化，并且采集时的动作不得超出摄像头录制区域，没有绝对意义上重复性高的动作，“基本都要做”。

　　从开始实习到现在，王平在数据工厂内的各种采集场景都工作过。“除超市搬运外，还有奶茶店、打印店等场景。”王平进一步告诉记者，自己虽然每天在数据采集工厂待的时间长，但是数据采集的效率并不高。

　　“现在的实习工作是计时的，每天工作的任务由组长下发，每天的目标采集时长是5个小时。”王平告诉记者，尽管目标采集时长看似只有5个小时，但是采集员在采集过程中会感到疲劳，连续采集半小时后就需要休息一段时间，同时在数据采集过程中还会遇到网络连接失败的情况。

　　和王平不同，张琪的实习工作看上去显得稍微轻松一些。“工作的时间是每天早上九点到晚上七点，工作的内容是审核采集来的数据是否可用。这些数据除了数据工厂采集的以外，还有很多来自家庭、工厂等真实场景，由数采员通过佩戴无本体设备采集而来。”

　　除新奇和有趣外，不错的薪资水平也是吸引像王平、张琪这样的学生选择数采员实习的原因之一。王平告诉记者，自己每月的实习工资在4000~5000元。这比当下许多传统快消企业的实习月薪高出不少。

　　实际上，作为一个新职业，数据采集在一定程度上带动了就业。上海市的一家数据工厂就告诉记者，公司除了实习生以外，也有不少正式员工。

　　记者注意到，目前招聘平台上，不少具身智能企业正在招聘数据采集相关正式岗位。以一家企业的具身智能数据采集岗为例，该岗位需要负责EGO centric（第一人称）数据采集和遥控操作，确保高质量数据上传与设备管理等职责，薪资在8000元至1.2万元，同时缴纳五险一金以及保证周末双休。

　　不过，沂景资本董事总经理谢思远告诉记者，如果无本体采集依然局限在数据工厂的流水线模式中，数采员对采集过程中枯燥重复动作产生的疲劳会影响数据采集的质量和成本。从当前来看，数采企业并没有很好的解决办法，并且多次重复数采，对于具身泛化本身也没有太大的科学意义。

　　实际上，数据采集已经不只在数采工厂内进行。有不少“宝妈”、退休人员都进入了数据采集行业，一边赚钱一边提供数据。姚卯青在采访中就表示，数据采集需要更多发挥众包类型的作用，因为能够让很多人自发参与到数据采集中来，而且能够让各个行业的人、具备各种技能的人都参与到数据贡献的过程中来。

　　推倒数据高墙

　　一线数采员的日常与薪资变化，正是整个具身智能数据市场爆发式增长的缩影。

　　据亿欧智库发布的《中国具身智能数据采集与数据产业发展展望》，在2024年，全球具身智能数据集市场规模大约为7.37亿美元，预计2031年达到70.14亿美元；到2031年，中国具身智能数据集市场占全球市场的比重将达到约50%。

　　实际上，尽管潜力十足，但目前对于数据采集而言，面临着成本、标准化、效率、复杂度、异构等核心挑战。

　　谢思远告诉记者，和大语言模型可以低成本获取海量互联网文本不同，具身智能需要的是真实物理世界交互数据。这类数据无法从公开网络直接抓取，采集要动用硬件、人力、真机环境，获取成本极高。

　　据了解，数据采集面临着高昂的成本。以仿真数据为例，具身智能行业的仿真数据虽然边际生成成本低，但存在较高的初始搭建门槛与前期投入成本。姚卯青告诉记者，仿真数据需要购买数字资产，通过手绘、建模以及运用GPU算力渲染。

　　记者注意到，使用不同的采集方式，也会对数据采集的成本带来影响。当前行业内主要有本体真机遥操作、无本体EGO第一人称数据、便携UMI以及仿真数据四种采集方式。其中，有本体真机遥操作采集数据质量最高，但是成本最大，效率也较低；而无本体EGO数据采集依靠头戴式或颈挂式设备，成本较低，规模化潜力最大。

　　在谢思远看来，当前行业内数据采集从真机采集到无本体采集的变化，对采集成本而言只是“两害取其轻”，“事实上，数据采集最终仍然离不开真实真机数据做校准”。

　　另有业内人士告诉记者，有本体真机数据采集与无本体数据采集，两者并不是互相替代而是层层递进。

　　“无本体数据采集和有本体数据采集，两种数据的使用场景不太一样，所以并不是完全互相替代的关系。”姚卯青告诉记者，数字模型训练会经历非常多的阶段，像预训练、中训练、后训练、再训练等，真机训练比较适合在偏后端阶段的训练，前面预训练学习通用表征阶段会用无本体更多一些。

　　不过，随着数据采集设备在硬件标定和无线传输上的自动化程度提升，即使是非专业人员佩戴，也能稳定输出符合行业标准的高质量数据。“现在数据采集设备已经‘撒’得很广，已经有很多社区里的退休人员、‘宝妈’帮公司产生数据，不是只局限在采集厂、专业BPO公司，而是真正发动各行各业的人帮公司采集。”姚卯青告诉记者，截至目前，该公司已借助Mego系列产品实现了百万小时有效数据采集。

　　记者了解到，目前部分经过去重清洗的高质量具身智能数据，已逐步实现上架交易。不过，数据采集后如何变现，存在不同的路径。

　　“由于数据并非有形的物理实物，商业模式存在特殊性。”姚卯青告诉记者，目前数据的商业化有两种模式，一是最终使用数据方出售使用权，但产权属于数据采集方，同时使用方也不能对数据进行二次商业化；二是数据产权归属买断的用户，可以使用、再次出售都是可以自由支配的。对应的数据提供商要把数据从服务器上移除。“如何确保在过程中数据产权版权的正确使用、转移，这确实相比实物来讲更难一些。”姚卯青说。

　　谢思远也告诉记者，数据能够资产化，并且对于后训练有价值。“经过清洗加工后的数据集，对模型后训练具备明确价值。隐私问题可能比较好解决，机器自动打码和隐私计算，这些在以无人驾驶为代表的领域已经足够成熟，他们可以为具身智能提供可用的技术工具箱。”不过，谢思远也强调，技术不等于彻底解决全部风险。

　　就整个数据行业的商业化而言，业内人士认为，数据产业可能比模型更快迎来产业化。“在未来两年，数据行业会变得越来越成熟、越来越规范，在技术侧随着众多技术方案的出现，以及中国有完备的从数据到模型的生态闭环，能在实际使用过程中得到越来越多的反馈，逐步收敛和沉淀出一套非常标准化的数据从格式到质量标准的定义。”姚卯青表示。

（文章来源：中国经营网）