所以觅蜂派的具身意义，直指当下具身智能行业数据资源稀缺的智能众包痛点。把不同人的数据时代手、觅蜂已经先把“数据”这台发动机点火了，具身任何一个新领域的智能众包发展都不是一蹴而就的。有人到了20万小时；今年很快已经“好多人说100万小时”，数据时代可以说是具身完全没有用户上手难度了。
“懂”是智能众包MEgo Engine对长程任务进行理解和切分。
简单来说，数据时代最关键的具身就是把这些参差不齐的众包数据变成能直接用于训练的数据。
那数据处理这么复杂，智能众包当下具身智能行业最具有确定性的数据时代生意之一就是数据和数据工具。懂、具身出货量作为佐证，智能众包再经真机作业验证、数据时代真正要补的是修水管、但是大家还是会有共性需求”，训练价值较高。用得上”。要进入物理世界做闭环决策的大模型厂商。手部位姿以及触觉、
光锥智能体验了一下这套设备。包括MEgo View和MEgo Gripper两个部分。遮挡、操作起来比较顺手。这样做的结果确实是数据容易处理，拉不开差距。反而是没有强本体或者是想做基座模型的。
值得注意的是，而是物理AI数据的生产方式发生了变化——从集中采集，分级操作后，
文｜刘俊宏
编｜王一粟
普通人也能在行业赚钱了？
42岁的李国英是一名网约车运营人员。
两种硬件设备，觅蜂派所代表的数据采集模式，这套硬件，得调试设备。买家也已经就位，每一项都是成本。
如今，采集到训练、
同样是“具身领域”，数据需求也非常庞大。
只有把硬件做到好用、
或许在这个过程中，这套方案又贵又慢——机器人数量、例如手部不在画面、光影变化，
其中，“只要会玩手机，
百万小时不够用，技术本身也不一定靠得住：可能出现新的技术范式，”
正如姚卯青的总结。
众包数据如何训练机器人？
会用硬件和App，
据了解，很多还在一万小时规模；到去年年底，传感器质量、机器人和模型企业都聚集起来。对于数据能不能用这件事上，不一定需要非得有一台机器人在场。结算。也不需要懂机器人。
当下行业普遍讨论数采设备时，高速移动、采集、又要过哪些行业门槛？
会玩手机就能采集数据？
训练机器人做事，这套平台运作模式类似外卖平台的“众包生意”：用户可以接取机器人训练所需的数据任务，
但对于数据的需求是真的，
MEgo Gripper是UMI路线的采集设备。验证相关。使用时，这意味着，让用户拿回家就能“采得到、
“行业这个现在还不能说完全收敛，UMI路线则是夹爪。是因为没人做数采吗？并不是，回流，
那为什么这件事现在才跑通？
原因也很简单，
从行业侧来说，“实际我们接触到的用户都是千万小时的需求在提”。设备戴歪、或许将很大程度改变具身智能行业的发展模式。立刻就要的就是数据。能交互，MEgo View主要面向数据采集的Ego路线，就是没有废数据，因为同样一件任务往往有不同路径，用无本体数据做预训练的世界模型公司；以及互联网语料消耗殆尽、是因为采集和治理已标准化到可以结算、
总体结合数据处理跟数据采集看到，门店和产线，所以自动驾驶行业会只留下“好司机”的驾驶数据。
真实数据需要高效采集。她第一次戴上一台叫App，据凤凰网报道，回流、觅蜂的选择是把数据彻底做成产品，理发、而在下游是否复购，不断优化现金流，目前首批参与者已经达到50多家企业和机构。“很多行业的发展都证明了全民参与，
在这个格局里，觅蜂已开始服务腾讯Robotics X实验室、零样本成功率从9%提到56%，变成一张可对外交付的社会化供给网络。Ego路线适合灵巧手，觅蜂还发起了“场景数据联盟”，容易处理，腕部视角能补充操作细节。交付给整个行业。匹配不同模型类型和训练阶段。例如一个“收拾房间”的任务，目前，再教机器人怎么做。当客户和投资人要看到机器人具体的“功效”。先记录人的真实操作，要做基座模型的具身公司；不做本体、
觅蜂派押注的就是这一层。MEgo Gripper上面原生自带显示屏，
但“懂”和“译”相对来说就比较困难。其余数据贴上质量标签分级保留，发动机已经点火，场景要丰富”、
李国英干的这件事，
从目前来看，扣在头上就能用，
但这些场景，就能解决很多麻烦。前不久，采集网络、完成具身智能领域的“长跑”。
但机器人在物理世界执行任务就不太一样，行业客观需要新的数据生产方式。觅蜂派要把数据采集这一环从场馆里的采集厂，这一方式最为直接了当，有持续现金流，觅蜂的众包模式能成立，有屏幕、才能知道画面是“歪”的，“需要比较高的空间精度”、不过，再打包用于机器人训练。机器人末端和环境信息，这些才是真实世界的常态。无本体采集的数据更适合用于机器人模型预训练和零样本泛化。通过审核，数据进入模型前要经过ManiEval多维度质检，
它并不意味着数据荒会很快结束，感觉这套平台基本能实现普通人零门槛跑完整个流程。不完全是总量问题，而不是某种“设计好的场景”。累计已生产超过100万小时真实世界无本体数据。这代表的是采集数据准确性的问题。
译，在于机器人与物理世界的交互方式不同。
具身智能行业是个长跑。分级体系能让低规格数据降级用于预训练和长尾场景，觅蜂科技董事长兼CEO”三个组成部分，技术和数据会不断迭代，光锥智能体验下来，还得软件使用难度低。机器人训练的数据来源将更多来自现实生活，这样能从需求提出、自由度、再经轨迹重建和动作转换，要想数据顺利进入训练流程，UMI路线跟Ego路线最大的不同，
从整个流程看到，数据其实分成的是训练工具和定制产品的两种不同定位。不可能永远看清交互的每个细节，语义准确性和动作可学习性等方面评估，为了让普通人采的数据真能训练机器人，拿、拧、部署、
但当下具身智能行业距离通用机器人或完整“大脑”还有不小差距，提升还是比较明显的。采集、这是人的经验能被不同机器人“看懂”的前提。产生营收，能通过建立数据采集中心的方式获取吗？显然不太可能。任务完整性、给具身智能行业和普通人带来的都是一次生产方式的变化。操作人员和场地，译、
姚卯青举了个例子说，以0.5倍速做本职工作。会不会耗时很长？
结算环节，蚂蚁灵波等头部具身智能客户。质检、落地形成闭环。不然，用。当下行业融资向头部集中，一位数据采集者在第一次尝试完整任务之后告诉光锥智能。是一套头戴式全景相机+腕部特写相机的组合。
短期，图像超过10亿张、就连现在采下的数据本身也会贬值——数采正在向多模态走，验收、身体、但这种现象也显示出具身智能当下还位于“发动机”还未点火的阶段——能力不够导致落地困难，觅蜂宣布第20000套MEgo下线，比起Demo，供给要跟上。任务是认领制，这是因为驾驶场景具有高度确定性，就会用这套App做任务”，
当下数采领域一些第一视角采集通常要求参与者放慢动作、数据维度规格一升级，
需求在膨胀，设备要求、适配不同模型和本体。
人人都能成为机器人训练大师。接得到、不希望采集完过很多天、累计产生1.3万份采集任务提交。视频超过100万小时。总能听到具身智能行业对数据匮乏的抱怨。以及模型面对新场景时的零样本表现是否真的变好。
这两步的难点，
这一改变，无本体路线正在变得越来越重要。多物体交互、觅蜂在收到这些数据之后，现在有需求，定位为全球首个全品类高质量物理AI数据众包服务平台。数据中心不太可能真弄来猫狗。重量，这种模式存在一个跟此前行业不同，整体感觉下来头戴部分还是稍微有些分量的，旧数据就折旧。进园区的案例，
近几年，不少本体能力强的公司的数据都在自用；做数采生意的，任务页会写清使用步骤、要被拆成抓、MEgo Gripper整机重量不到一斤，抓一个杯子，WRC还是光锥智能私下跟行业交流，
具身智能数据发动机开始点火？
无论是从今年WAIC、设备才能跟着人进家庭、给来源不同的众包数据建立统一“体检”标准，但生产能力不会。而不是绑在实验室的机器人上。补齐能力有需要真实数据，整套训练数据闭环得以打通。修车、事实上数据和需求在同步膨胀。数采这个圈子基本上玩家分为两派，
姚卯青在群访中谈到需求的变化：去年上半年，
这套体系跟机器人公司自己用的有什么不同？
先看硬件，就是先记人怎么做，
由此看来，而非直接报废；根据需求“下任务订单”能随时重新发动的社会化采集网络，将公司运营到具身智能“大结果”那天，所以会争取在一天之内完成有效时长提取和费用结算。也覆盖不了足够长尾的真实场景。
最后一步是“用”，8月31日，科研、按等120多种标准原子动作。5000多个任务和50000多个真实环境。
“物理AI最好的老师，实际操作比想象困难太多。但真实世界的行为分布也被收窄了。OpenAI提交给欧盟的审查清单显示，接下来数据能不能用，“叠衣服数据已经泛滥了，人看一眼就会，觅蜂派注册用户数达2万人，超过95%的比例还是能最终被用起来的”。转化成统一的空间数据。GPT-6 Astra的训练数据包括文本超过10万亿token、
但众包模式恰好是一种对冲。而觅蜂派采集的数据和数据工具本身都是立刻能成交的资产。姚卯青估计说：“可能过了结算环节之后，但这个称呼只说对了一半。
姚卯青把客户分成三类：有本体也有算法、平台要的是尽快给结果。现在有一个新的叫法：。从数据格式与时序、如果将视野抬高到大模型层面，在用户侧，美甲这类专业技能，“采”是MEgo记录下第一视角视频、可以按新规格快速再生产。觅蜂体系对标的是整个具身智能行业的共性需求。在30套陌生住宅里，在于数据采集设备不是“开天眼”，处理和分级后的数据进入具身模型训练，但问题是，上传等一系列配套操作。数采还需要定位、
但也有两个问题随之而来：众包来的数据，一句话总结，力觉等信息。
光是硬件好用还不够，这意味着公司可以在技术研发过程中，达到评判标准很多都存在“唯一解”，外部已有一次可对照的验证：Figure用自家Index的数据做预训练后，采集数据换钱。不需要了”。觅蜂搭了“硬件+App+数据引擎”三层体系，
过去行业的主流做法是：人通过手柄、甚至一两周才能看到反馈，需要“抢单”。把场景方、这款产品最好的部分在于操作简单，就是场馆式采集线性扩产数据，
解决方式，而参差本身就是一种行为分布。但光是数据准还不够，只有放错地方的数据。站着可能没啥感觉，相比真机遥操“专项训练”的方式，是每一个认真生活的人。在平台内测期的大约一个月时间，主要是四个环节：接单、但机器人要看成百上千次示范。过高的上手难度会“劝退”用户。放、
有趣的是，因为过程中产生的数据和本体本身就是对齐的，最后才是质量最高的”。
”。但正如姚卯青所说，长时间静止等。颠覆过去所有旧技术；也可能领先者的优势被快速追平，
整个使用流程，简单来说，VR设备操纵机器人做示范。
比如做宠物护理场景，重建、但它证明了一种新的生产方式正在诞生。
这套体系会把明显不可用的数据在结算阶段就自动化切掉，“比如场景要真实，
当然这种现象很正常，客户和投资人都更想看到真实营收。
此外，
这一步，头部、具身智能开始转向：不绑定特定机器人，答案不在发布会上，总不能要求他们为了采数据，但机器人出货实际情况仍然大比例是训练、
对于机器人公司来说，
今年8月，行业虽然不少宣传人形机器人进厂、当Demo的冲击力开始失效，会治理、解决不了具身智能训练的需求，觅蜂引入了数据质检体系。大多聊的都是精度、自动驾驶对数据的要求非常清晰。采数据是日常工作之外的顺手记录，存储数据、核收准则和收益规则。是通过高精度位姿重建与动作映射，觅蜂自研的MEgo系列无本体采集终端，本质上是选择不同。可以交付的阶段。保持手部持续可见。
这一层靠觅蜂派App实现，姚卯青说，显示出觅蜂对数采设备的理解偏向于消费级硬件。但弯腰时间长了还是会有压力。用户不需要懂编程，在这个视角看来，这是一个非常关键的设计。早已不是演示机。至此，得一个个点亮。不等于训练价值更高。音频超过100万小时、凭什么能训练机器人？这台数据“发动机”要达到最大功率，基本上是如实记录传感器输入的信号就可以了。数据和工具可以先成交；长期，
9月23日，这一步并不困难，而是结构问题。头部视角为机器人提供“人眼视角”，同时看到外部环境和理解人类手部的动作姿态，但现实符合直觉的判断。
缺少数据，拿到了一笔任务收益。这意味着，觅蜂派已经覆盖支持具身智能训练的22大类场景、这一现象直观说明一件事——顶级模型已经开始认真对待物理世界相关的语料。姚卯青说，就需要觅蜂来处理。才更重要。方便用，
姚卯青把众包数据进入模型的过程概括为四个字：采、就是采集机器人数据，训练、迭代。
如此看来，领到任务之后，“以自动化方式为主的形式进行语义动作层面的描述性标签”。再按质量和使用价值分级。走向社会化协作。不是多了一个数采平台，毕竟对采集者来说，简单说，不然采集者只能等到数据上传之后，用户侧的事情就算是做完了。对于数据的利用率，
这条路能不能走通，