物理AI与机器人技术的数据层

liumuhui 4小时前阅读数 1 #区块链

为什么数据层是当今机器人技术领域最具价值的机会，以及什么样的业务有能力抓住这一机会

发展主线

近年来 AI 快速发展，而这一切带给我们的经验中，最重要的一条是：计算机智能首先取决于数据。今天的前沿模型及其能力之所以存在，是因为少数实验室搭建了庞大的训练数据引擎来投喂它们，而基础则是互联网上免费开放的海量原始文本。如今，训练数据同样成为机器人技术领域的关键约束。最大的区别在于：机器人的训练数据，必须由人类真真切切地去执行任务、并把过程记录下来。开发者们至今找不到可供抓取的机器人训练数据语料库。正因如此，这类数据如此难获取，也就如此有价值。在本文中，我们将阐述为什么数据层是当今机器人领域最具价值的机会，以及什么样的业务最能抓住这个机会。

智能与数据

在计算机问世的七十年里，叫它实际执行一项任务，这件事本身往往就是一项任务。你得先把每一个步骤按机器能执行的顺序写出来。这套做法非常适合那些本来就围绕某种固定、精确流程展开的工作。几个世纪以来，人类一直在做算术、记账、对账，而计算机能把同样的流程做得更快。自动化重塑了许多岗位和整个行业，但大多仍局限于单一任务；更重要的是，机器做的每一件事，都得有人事先把它写出来。

今天，机器能写出连贯的文章，既能回答具体问题，也能应对开放式提问，还能把一句自然语言描述变成代码、变成能直接上线的产品。这场根本性转变，源于机器接受的指令类型和下发方式都变了。任务虽然仍要从指令开始，但机器拿到指令后的能力已经天差地别。更重要的是，指令本身变得更直观、更简单——从一大段详细的技术规范，压缩成了一两句话。

关键是，要改变机器的能力，得先改变机器的输入。机器不再被输入"如何执行特定任务"的精确指令，而是获得大量任务执行的示例，通过观察这些示例来学习。模型不是被教导如何写句子，而是处理了足够多的句子后自行学会了这项任务。模型不是被教导如何写代码，而是处理了足够多的可用代码后学会了如何实际生成代码。模型不是被教导如何翻译两种特定语言，而是处理了足够多的翻译文本后自行学会了如何翻译。

为了更好地理解这种区别，不妨想想计算器和 ChatGPT。计算器能完成复杂的大规模运算，前提是这些运算涉及数字、且不超出它预设的参数范围；但你要是让它写篇文章，它就彻底没用了。语言模型可以用作计算器，也可以写文章、搜索网络、生成可用代码等等。关键区别在于训练数据。机器之所以能回答从未见过的问题，靠的是从真实示例中学习到的模式。因此，AI 模型看过的真实示例越多，捕捉到的世界结构就越完整，能做的事也就越多。同样的机制也即将在物理世界的机器人身上上演，所以不妨先看看它在软件领域是如何展开的。

范式时刻

2020 年，OpenAI 发布了 GPT-3，几年后世界迎来了 ChatGPT。对许多人来说，这是第一个真正展现出某种推理能力的应用。ChatGPT 能回答各种各样的问题，写文章、翻译语言、生成可用代码，而且往往只需一个简短的提示。这些能力立刻引发了强烈反响——ChatGPT 在五天内突破一百万用户，并在发布两个月内达到约 1 亿月活用户，成为当时有记录以来消费者应用采用速度最快的产品。

虽然 ChatGPT 最初运行在 GPT-3.5 上，但真正的突破要追溯到 GPT-3，而 GPT-3 之所以能实现这一突破，靠的是规模空前的训练数据。GPT-3 是同一底层 GPT 模型的第三代，每一代都将前一代的参数规模扩大大约一个数量级。作为参考，参数是构成模型的基石，支撑着模型识别与复现模式的核心功能，因此参数越多，识别和复现能力就越强。GPT-1 拥有约 1.17 亿个参数，GPT-2 约 15 亿个，GPT-3 则达到 1750 亿个。

每一次参数跃升，都旨在剔除那些过去被认为不可或缺、实则繁琐的模型训练环节。GPT-1 证明了从原始文本中学习到的语言能力可以迁移到特定任务上，而且只需要远远少于从零开始训练所需的任务专属数据。模型首先在大量未标记文本上进行预训练，以预测下一个词，然后针对每个特定任务在较小的标记数据集上进行微调。

微调的麻烦在于，每个新任务仍需要专门微调，并准备自己的标注示例。因此 GPT-2 检验了微调是否真的必不可少。其想法是：在海量多样化文本上训练出来的语言模型，本身已经是一个多任务学习者，能够处理从未专门微调过的任务，因为训练文本中这样的任务无处不在。测试这一能力意味着扩大 GPT 模型的输入规模，于是 OpenAI 将参数数量提高了十倍以上，达到 15 亿，并在更大、更多样化的网络语料库上进行训练。最大的版本在八个语言基准测试中的七个上达到当时最先进的水平，而且完全没做微调。仅仅是扩大模型规模，就移除了一个被认为必不可少的步骤。

GPT-3 把同样的赌注下得更大：以约 3000 亿个文本 Token（Token 指词的一部分）为训练数据，训练了 1750 亿个参数。这些 Token 按加权比例取自经过过滤的 Common Crawl、WebText2、两个图书语料库和英文维基百科。规模的剧变带来了能力的相应跃升——GPT-3 只需在提示中直接放几个示例，就能执行新任务，完全无需微调。

虽然今天模型的能力已远超 GPT-3，但它仍是标志性的转折点：它奠定了 GPT-3.5 和 ChatGPT 的基础，并开启了一股此后数年重塑整个行业的 AI 热潮。

智能追随数据

前沿实验室——也就是那些从零开始训练最先进模型的公司和研究机构，比如 OpenAI 和 Anthropic——已经把这些模型真正做成了产品，交到全球数亿用户手里。为此，它们吸引了数百亿美元的投资，并有望跻身全球最有价值的公司之列。虽然人们常把它们的成功归因于招揽到的研究员和强大的算力，但没有海量训练数据喂给模型，这一切都无从谈起。

正如 GPT-3 所证明的，想造出任何接近前沿 AI 模型能力的东西，都需要海量训练数据。这里要指出一点：训练数据与训练数据并不等同。从互联网上抓来的原始文本免费又海量，能教给模型语言是如何运作的、哪些词通常跟在哪些词后面、论证是怎么组织的、哪些事实出现在什么地方。随着语料库越滚越大，在这些抓取语料上训练出来的模型也越来越强，最终甚至泛化到了没有人专门为它们设计过的任务上。GPT-3 能互译语言、还原打乱顺序的单词、做基础数学运算，但这些它一项都没有专门训练过。事实上，GPT-3 曾在法译英任务上击败过 Facebook 的领先跨语言模型 XLM——尽管它从未在成对的法英文本上训练过，只靠提示里放着的几个示例就做到了。

不过，模型不能只靠抓取文本来训练，这是有原因的：这类模型给出的答案往往听起来头头是道，但未必正确，也未必有用。要提高准确率，就需要人类来判断模型的哪些回答是真正好的。具体做法是：标注员看到一条提示和模型给出的两个答案，要么标出哪个更好，要么阅读答案、改正错误，要么干脆从零写出模型本该给出的答案。每一次这样的判断都会成为一条训练样本，模型会被调整得更加偏好人类认可的输出——这个过程被称为"基于人类反馈的强化学习"（RLHF）。这类判断是与抓取文本性质不同的训练数据，价值更高，也贵得多，因为每一条都必须由人生产，没法从网上白捡。问题越难，对评判者的资质要求就越高：关于税法的回答，只能交给懂税法的人来打分。因此，数据供应商会招募医生、律师和工程师，让他们评估各自专业领域的模型输出。要按前沿实验室的体量生产这些数据，既困难、又缓慢、还昂贵。单单迭代一个模型，就需要数百人忙活几个月，成本高达数千万美元，而前沿实验室在这上面每年要烧掉数十亿美元。

在这些"完整工作示例"上训练出来的模型，更擅长规划任务、分步执行，并借助以往积累的经验不断自我修正——这就是我们所说的 Agent。Agent 已经大面积地成为人们的生产力与学习工具，对前沿实验室而言，它们也是迄今为止增长最快的产品线。ChatGPT 如今每周服务超过 9 亿用户；OpenAI 2026 年的收入运行率已达 400 亿美元，仅第一季度就进账约 57 亿美元。它的编程 Agent Codex 在 2026 年 6 月突破 500 万周活跃用户，是 2 月独立桌面应用发布时的六倍以上。Claude Code 是一款执行软件工程任务的 Agent：上线六个月内年化收入就达到 10 亿美元，到 2026 年 2 月突破 25 亿美元。同期，Anthropic 的年化收入达到 650 亿美元，而 2025 年初这一数字还只有约 10 亿美元。Anthropic 与研究公司 Material 对 500 多名美国技术负责人做的调查显示，86% 的受访者表示已经在用编程 Agent 生产代码，42% 的人信任它们在人工监督下主导开发工作。

头部 AI 应用初期的高速增长，是由 AI 所进入的新领域中的一系列突破推动的。目前 Agent 能做的所有工作都发生在计算机里。诚然，当今世界有太多事情都在计算机上运行，但世界的大部分，以及人类的大部分劳动，依然是物理性的。

AI 的下一个基座是物理世界

机器人初创公司在 2026 年上半年全球融资 188 亿美元，较 2025 年全年的 150 亿美元大幅增长，也超过了 2021 年创下的 141 亿美元全年纪录。软银同意以 54 亿美元收购 ABB 的机器人部门，并将 Physical AI 描述为其下一个前沿；Meta 收购了 Assured Robot Intelligence 以训练自己的 Physical AI 基础模型；宇树科技（Unitree）最近获批在上海进行 IPO。与交易同时，实际部署也已经启动：例如，宝马开始在其德国工厂试点由人形机器人参与生产；日本航空则在东京羽田机场让人形机器人处理行李。

然而，早在 1961 年，机器人就已经在工厂里干活了：当时 Unimate 机械臂被安装在新泽西州尤因市通用汽车的一条压铸生产线上。斯坦福研究所（Stanford Research Institute）在 1966 年至 1972 年间制造了 Shakey，这是第一台能够对自身行为进行推理而非执行固定序列的移动机器人。早稻田大学于 1972 年完成了 WABOT-1，这是第一台全尺寸人形机器人。

那么，为什么现在资金和关注度突然飙升？

机器人现在有可以思考的东西了。 机器人在行动之前必须先决定要做什么，而做决定就需要了解物理世界实际运作的许多细枝末节。语言模型从互联网文本中吸收了海量这类知识，因此机器人如今可以直接把语言模型当作大脑来用。但语言模型处理的是软件，输出的是文字；机器人面对的是物理世界，输出的是动作。视觉-语言-动作（VLA）模型正是为打通这两个世界而出现的：它接收机器人摄像头看到的内容和人类给出的指令，直接返回实时的关节动作。这意味着机器人开发者不再需要为每台机器编写专属代码、让它一次只会干一件活，而是可以像使用 AI 应用一样，用一句简单的自然语言下达任务，机器人在实时中自行规划动作。
机器人的身体变得更便宜了。 机器人靠摄像头和 LiDAR（激光雷达）感知世界，LiDAR 发射激光脉冲并测量脉冲返回所需的时间，据此构建周围环境的地图。十年前，LiDAR 还贵得让大多数人望而却步；后来手机厂商和汽车厂商开始批量采购同类传感器，把价格压了下来，机器人公司也跟着受益。电机和关节的成本则各自下降——中国制造商进入了那些过去只有少数日本和德国公司小批量生产的零部件领域。如今，用中国零部件组装的人形机器人成本约为 35,000 美元，宇树科技的 G1 人形机器人售价为 13,500 美元。

更高的智能和更便宜的硬件是机器人能力进步的关键，但和 AI 模型一样，一切仍要取决于底层训练数据。要理解这些数据为什么如此值钱，不妨先回头看看机器人的本质。

理解机器人

从定义上讲，机器人是能够感知环境、思考和做出决策，并在物理世界中执行动作的自主机器。简单来说，就是一台有物理身体的计算机。

几乎所有机器人都由相同的部件构成，每个部件都能在人体上找到对应的生物构造。骨骼通常由金属制成，由名为连杆（links）的刚性部件一段段组成；连杆之间由关节（joints）连接，关节是运动的来源。传感器构成机器的感觉器官，既包括用于测量机器人自身连杆位置的本体感觉传感器，也包括用于测量机器人环境的外部感觉传感器。执行器（最常见的是电机）则扮演肌肉的角色，通过传动装置（如齿轮）把动力传递给连杆，在按比例降低转速的同时放大力量，让肢体作出缓慢而有力的动作。铜线把电力输送给执行器，而信号则沿着数据总线（data bus）反向传回。数据总线是一条连接着每个关节和传感器的共享线路，每条消息都带着发送部件的地址标签。电力要么通过电缆引自墙壁（大多数工厂机械臂都是如此），要么来自机器人自带的电池。

随后，一条反馈回路把这些物理部件串联成一个整体，让机器人能够实际执行物理操作、记录过程，并在学习上不断精进。更准确地说，机器人的软件从传感器接收信息，经过处理后决定下一步做什么，再向执行器发出指令；执行器对面前的对象施加作用力，随后传感器读取结果，回路就此闭合。机器人专家称之为感知-规划-行动（sense-plan-act）框架：了解正在发生什么，决定要做什么，付诸行动，并从每次观察中学习。

感知和行动是硬件层面的功能，表现如何取决于硬件本身及其成本；规划则是软件层面的问题，很大程度上取决于训练数据的数量和质量。

理解机器人训练数据

机器人学习一项任务，靠的是观看该任务被执行的录像。每条录像都包含两路同步的数据流：1）摄像头和传感器当时捕捉到的内容；2）同一时刻发出的电机指令。有了足够多的配对，模型就能逐渐学会：看到任务是怎么做的，然后自己去把它做出来。

对单一、固定的任务来说，这种编程方式完全够用，因为动作可以一次性写死、反复执行（想象一下工厂流水线上的机械臂放置贴纸：它总是在同一个位置、同一时刻，碰到同一块面板）。但凡任务带有一点变化和不确定性（现实中的大多数事情都是如此），事情就复杂得多——尤其因为实时执行中有大量下意识的决策，其中大部分只能靠经验和直觉习得（没人会在拿起衬衫时去想该用多大力气去捏，或者握住杯子时该用多大力气收拢手掌）。因此，机器人开发者不会试图把这种潜意识知识写进规范说明书，而是通过实时录制任务执行过程来捕捉它。

机器人的模型（它的大脑）需要回答一个简单直接的问题：基于摄像头和传感器现在显示的内容，电机下一步应该做什么？ 摄像头图像、机器人关节和手指传感器的读数，会与一次合格操作在每一时刻产生的精确电机指令成对呈现。互联网上虽然视频内容海量，但大多缺少机器人学习所需要的这两样东西。目前有几种不同的方法可以生产和收集机器人训练数据。

远程操作（Teleoperation）： 人类直接操控机器人，借机器人的身体去完成任务。操作员通过动作捕捉设备或与机械臂联动的控制器来操控，系统同时记录下机器人看到的内容、关节传感器测得的数据，以及操作者的动作所生成的电机指令。

动作捕捉（Motion Capture）： 一个人戴着追踪标记（或穿着带传感器的紧身衣和手套）完成任务，由此生成身体和手部的精确 3D 轨迹，再把这些轨迹映射到机器人的关节上。

第一视角视频（Egocentric Video）： 头戴式摄像头记录一个人用自己的双手执行任务，软件事后处理视频，逐帧估计手和手指的位置，并将其转换为等效的机器人动作。

合成数据（Synthetic Data）： 仿真的机器人在模拟环境中尝试任务，尝试过程被录下来当作训练样本。

需要指出的是，只靠演示训练出来的模型终会遇到天花板：大多数演示只展示任务顺利完成的画面，模型从没见过犯错的样子，自然也就学不会出错时该如何应对。常见的解决方案，是把数据生产本身也变成一个循环——用机器人学的正式术语说，就是 DAgger（数据集聚合），一种交互式模仿学习。先用人类演示训练出一个初始模型，然后让机器人自己尝试任务；一旦犯错，人类操作员立即通过远程操作接管，纠正错误后再把控制权交还给机器人，而纠正的过程本身会被纳入训练数据，供将来参考。机器人团队通常希望最后能放手让机器人自己练习，并按照一套既定规则为它的尝试打分，从而强化成功的行为。不过在实践中，目前大部分工作仍处于更早的阶段，人类必须密切参与这个循环。

训练循环的产出，就是我们所说的机器人"大脑"：一个经过训练的模型，能接收摄像头和关节传感器在某一时刻反馈的信息，并给出下一步的电机指令。目前这类模型按三个等级出售，为机器人提供不同程度的自主性。

第一等级是技能模型（skill model），也是最"窄"的模型：它通过训练循环学会执行单一任务，但允许环境存在细微变化。虽然这听起来类似于为单一重复动作而专门构建的工厂生产线机器人，但技能模型学习的是在不同条件下执行其唯一任务（例如，在不同位置执行任务，或使用不同照明）。第二等级是自主模型（autonomous model）：它把不同的技能模型串联成一项完整的工作，负责处理步骤之间的决策，按需调用每一个技能模型。第三等级，也就是今天公认的"前沿"，是视觉-语言-动作模型，即 VLA：一个把"看"、理解自然语言指令和"做"融为一体的统一训练系统。这一设计借鉴了语言模型，而且在几个领先的实现中确实就内置了语言模型：一个大型视觉-语言模型（与聊天机器人背后的系统同类）负责"理解场景、规划行动"这类慢速的高层推理，另一个更快的组件则把规划每秒多次转换成连续的电机指令。

由于 VLA 在互联网规模的预训练中继承了通用知识，它一开始就掌握了一些没人教过它的东西，这改变了新能力的获取方式。技能模型对任务之外的一切一无所知，要学新任务只能从零开始、一个演示一个演示地搭；VLA 则可以用自然语言下达任务，而且它对物体和目标已经有了基本概念，所以它的演示只需要提供动作技巧本身，而不必把技巧、物体和任务概念一次性全部补齐。

数据瓶颈

无论哪种数据生产方式，都受同一个底层约束所限：数据要存在，首先必须有人在物理世界中真实地做一遍。一条演示，录多久就得演多久，期间机器人、工作空间和操作员全程被占用。语言模型需要更多数据时，AI 实验室可以多爬网页、多雇标注员；机器人需要更多数据时，方案就变成了添置更多机器人、雇佣更多操作员、在仓库里堆更多工时。

模型确实能跨任务迁移一部分通用能力，但要让一个新任务可靠地跑起来，通常还是需要该任务自身的演示；而每个任务又有各种变体（不同的物体、布局、光照等），每个变体都需要被覆盖到。因此，短期内很难看到对演示数据的需求放缓。模型终有一天可能像语言模型那样，从寥寥几个示例就学会新任务；但正如 GPT-3 及其后继者所证明的，能力要实现阶跃式跃迁，只能靠训练数据和输入的指数级增长。

机器人技术的大机会在数据层

机器人初创公司在 2026 年上半年的融资额，超过了 2025 年全年——而 2025 年本身已经创下纪录。热情与现实之间仍有不小的落差：一方面是对机器人的旺盛需求，另一方面是当今机器人实际能力还很有限。简而言之，需求不缺，缺的是好用的机器人。据公司文件披露，机器人开发商宇树科技 2025 年出货超过 5,500 台人形机器人，居全球之首；而与此同时，宝马、奔驰、亚马逊等公司最受瞩目的行业部署，也都只是几十台机器人的试点项目。工业客户需要的机器，得能在 95%-99% 的时间里稳定工作；而当前的人形机器人只能连续工作 30 到 90 分钟，之后就要充电或等人来接手。机器人的手还无法可靠地应付千变万化的物体；它们的大脑，尽管过去几年前沿实验室的模型已经取得了如此多的进步，依然会被物理现实的变化无常和各种意想不到的复杂状况搞得晕头转向。

前三个 GPT 模型已经证明：缩小能力差距最有效的方法，就是给模型喂更多高质量数据。不过要注意，语言模型所需的数据，很大程度上早就是现成的——这多亏了人类几百年来不断记录、书写历史。而机器人需要的数据是多模态的、时间同步的、必须在物理世界里现场采集的，这意味着它不可能像抓取文本那样白拿，只能靠人去操作机器人、架设记录设备，一点一点生产出来。数据标注也无法像文本标注那样随便并行：判断一个盘子是放稳了还是快要掉了，靠的是物理直觉，而不是模式匹配，所以标注人力没法简单地铺开到成千上万的远程兼职者。

所有造机器人的玩家——无论是机器人厂商还是模型实验室——都需要这些数据，但获取数据没有捷径。公共数据集里的东西很难迁移到某一台具体的机器人上；要自己生产数据，就得运营仓库、管理机队、配置操作人员，并承担随之而来的所有成本。软件领域已经上演过类似的故事：前沿实验室需要的人类判断和专家撰写的示例并不在互联网上，而像 Scale、Surge、Mercor 这样的数据供应商，已经成长为一个营收约 85 亿美元的行业。

前进之路是垂直整合

芯片制造是一个很好的类比。设计芯片和制造芯片是两门不同的生意：设计是知识产权，而把设计蚀刻到硅片上的晶圆厂动辄要烧掉数百亿美元，而且只有接近满负荷运转才能回本。所以大多数芯片公司都不再自己开厂：英伟达、高通、苹果都只设计芯片、不碰制造，制造被交到台积电手里。台积电自己什么也不设计，却几乎包揽了当今世界所有最先进芯片的生产。

机器人数据层价值巨大，但想占据这块阵地并不容易，想从中做出成绩更是难上加难。在某一款机器人身上录制的演示数据及其数据集，无法直接迁移到另一款机器人上，这意味着数据供应商必须针对每一个客户重新打造产品。正如前面提到的，演示能教给模型的也有限：它们只展示一切顺利的样子，模型还是得学会出问题时该怎么办——为此，训练过程中通常需要人类操作员介入。想买机器人训练数据的客户，真正看重的并非原始数据本身，而是当他们的机器人不断更新换代时，供应商有没有能力持续产出配套数据。这需要三样东西：1）用来录制的机器人；2）让这些机器人去干的真活；3）一条把每次失败都回流到下一代模型的管道。如今，一个独特的机会出现了：只要同时拥有这三样，一家企业就能把机器人的训练数据层握在自己手里。

Eastworlds

Eastworlds 是正在积极抓住这一机会的团队之一，它是 Virtuals Protocol 新设立的机器人部门。确切地说，Eastworlds 是一家专注"新部署"（neodeployment）的机器人实验室，同时也是一个机器人与具身智能初创公司的加速器。团队以吉隆坡为基地，拥有东南亚规模最大的宇树 G1 机队（30 多台），并与卡内基梅隆大学、南洋理工大学等高校建立了研究合作关系。

Eastworlds 的商业模式围绕机器人数据采集与"新部署"展开。数据采集涵盖远程操作与夹爪数据、视频、本体感觉数据、动作捕捉、数据集审查与 QA，以及策略改进数据集（包括人工纠正及其相关的恢复数据）。除了数据采集，Eastworlds 还专注于"新部署"：把机器人投放到从未用过机器人的商业场景里，让机器人在远程操作下干有报酬的活，而干活的过程本身就是数据采集。客户买的是劳动力，Eastworlds 得到的则是数据。

正如前文所说，机器人的自主能力还没有准备好，商家不会让一个可能出错的机器人靠近自己的商品和顾客。相比之下，远程操作的机器人今天就能可靠地卖出去，因为可靠性来自背后的操作员，而不是模型。因此，最快拿到商业合同的办法，就是先把远程操作版的工作卖出去——这正是 Eastworlds 在做的事：一套低延迟远程操作系统，让身处亚洲的操作员能控制远在美国或澳大利亚的人形机器人。据 Virtuals 创始人 Jansen Teng 介绍，2026 年初，Eastworlds 开始在酒店、商场、安保、货架补货和水培农场等场景推出试点项目。

每一次部署都会产生数据：由于来自真实运营，这些数据通常是非结构化的，而且充满边缘情况；它们以第一视角远程操作数据、多模态感官输入和任务执行反馈的形式被采集下来，汇入公司所谓的"具身 AI 数据湖"（Embodied AI Data Lake）。短期内，这些数据会被用来重新训练机队上运行的模型，让每台机器人在手头的活上少出错；更长远地看，日积月累的数据集将成为下一代 VLA 与世界动作模型的训练素材，把 G1 机队从远程操作一步步推向完全自主。

Eastworlds 还运营着一个孵化器：为通过审核的团队提供资金，并让它们在一个月内自由使用机器人机队、设施和远程操作技术栈，让每个团队去打磨自己的商业用例。据 Teng 介绍，目前有七个团队入驻，涉及娱乐、油气、杂货零售和酒店管理等行业，规划容量还将扩充到二十个以上。每个团队都在共享机队上跑自己的部署，把自己的失败与修复过程全都暴露出来，这些经验与数据最终都汇入数据湖——Virtuals Agent 生态系统赖以运转的那套机制，被原样搬到了机器人身上。

Eastworlds 把 Virtuals Protocol 的链上基础设施整合进来，用来处理数据运营中的经济机制。它的商业模式是分布式的：数千小时的录制和远程操作分散在世界各地的许多人手里完成，而质量必须在付款前得到验证。要雇佣这样的劳动力，就得在每个涉及的国家和地区分别搭建薪资和监管体系。另一种做法是改用激励机制：把任务和报酬发布出来，世界各地的贡献者都可以自愿报名，交付验证通过后，报酬立刻跟进。而要把这套机制规模化，就需要一条可编程、全球化、低成本的支付轨道。Virtuals 已经为软件世界的 AI Agent 在 Base 和 Solana 上运行着这样一条轨道，让它们以程序化的方式募资、交易和结算。Eastworlds 把同样的设计用到了机器人训练数据上：用 Token 激励来招募并支付分布式的劳动力。

市场已经在为这些数据真金白银地付费了。据 Teng 介绍，买家为一小时第一视角录像支付约 3 到 10 美元，为一小时远程操作数据支付 50 到 100 美元，这比亚洲大部分地区的平均时薪都要高。过去，Token 激励活动往往会在新参与者枯竭时崩溃，因为体系之外根本没人买任何东西；而在这里，激励背后站着付费客户——也就是购买数据的实验室，所以只要数据需求还在，资金池就能一直运转下去。

把这一切拼在一起，Eastworlds 的路线图大致是这样的：现在先卖数据和"新部署"（因为买家已经在为这两样东西付费）；用这些有偿部署去收集在受控采集环境中拿不到的数据，尤其是纠正数据；再用不断膨胀的数据湖去训练模型——从单任务模型做起，逐步走向更通用的模型，每一个都能卖出比原始数据高得多的价钱。Eastworlds 表面上在数据层运营，但它的护城河是持续生产数据所需的一切：G1 机队、操作员、孵化团队、真实部署，以及支撑这一切的支付轨道。

风险与重要考量

当然，把机器人数据层做大做强的过程中，也存在一些风险和需要认真对待的问题。对这一赛道最根本的质疑是：远程操作未必能通向机器人自主。一个需要操作员才能撑完酒店一个班次的机器人，说到底还是人在干这个班次的活，只不过身边多了一台机器人和它带来的额外成本。远程操作供应商和机器人厂商则认为，对于那些变化小、失败模式高度重复的工作，这只是一个过渡阶段：模型会不断进步，直到操作员完全不再需要干预。而最初让机器人寸步难行的那些任务——物体、布局、失败模式都在不断变化的任务——恰恰是今天操作员永远无法完全抽身的任务。同时，这些任务也产出最有价值的数据，所以即使在完全自主永远无法真正实现的世界里，数据供应商也依然能活得很好。

仿真正在威胁对录制演示的需求——而这正是数据供应商销售的产品。操作员手工录制，一小时只能产出大约 5 到 50 个片段；模拟器一夜之间就能以近乎为零的成本跑出数百万个。仿真至今搞不定的，是"接触"：两个物体一旦碰到一起，模拟物理和真实物理就会分道扬镳。这正是为什么单靠模拟数据，训练不出一台能真的捡起东西的机器人。团队们正在努力缩小这个差距：一方面把模拟器里的光照、纹理、摩擦力等条件随机化，避免模型对某一种渲染过拟合；另一方面反复调试模拟器的物理参数，直到模拟机械臂的运动和真实机械臂别无二致。

与此同时，机器人训练数据本身的价格也在下降。据 SVRC 的 2026 年机器人技术现状报告，一小时高质量的远程操作数据在 2024 年初约合 340 美元，到 2025 年第四季度降到 136 美元，2026 年 3 月进一步跌到 118 美元。降价背后有两股力量：1）主从式装置（操作员移动一台小型复制臂、机器人跟着复刻动作的设备）价格跌到了 2,000 美元以下，站点不再需要定制硬件；2）DROID、LeRobot 这类软件现在可以直接把操作员的原始录像整理成训练就绪的数据集，省去了人工清理。这两股力量还在持续变强。所以，以"录制小时数"为产品的供应商，等于是在一个两年内单价跌去约 66% 的市场里卖货。

其他机器人数据供应商也几乎与 Eastworlds 同时开启了垂直整合：Adamo 提供托管式远程操作服务，配合延迟低于 40 毫秒的控制软件，让机器人公司不必自己搭建运营体系；XDOF 成立于 2024 年 10 月，创始人的判断是"只卖录制数据是条死路"，于是从卖数据延伸到数据清洗、工具开发和标注；Physical Intelligence、Lux、iMerit、DataX Power 也都在卖某种形式的托管采集服务，外加配套工具；其中 DataX Power 的项目就在东南亚运行，和 Eastworlds 在同一片区域。不过，它们都没有经营自己的有偿商业部署——而纠正数据恰恰来自真实部署，这是往仓库里多雇操作员也复制不来的环节。采集层的确已经挤成了一锅粥，部署层却几乎还是一片蓝海。

机器人制造商当然更难对付，因为其中一些已经在内部生产训练数据：Figure 在宝马项目里运营着自己的远程操作车队；特斯拉的 Optimus 项目也建立在"部署机器人→记录失败→用失败数据重训"的同一套循环上。这些厂商本来就同时握有硬件、部署场景和客户关系，意味着它们积累数据的速度比任何买数据的人都快。但它们积累的数据，说到底只是一台机器人为一家公司干活的数据；而一个同时服务二十个客户、横跨酒店、农场和仓库的供应商，所积累的数据广度是任何单一制造商的车队都给不出来的。Figure 和特斯拉也是全球资金最雄厚的两支机器人团队；它们之下的几十家机器人制造商，根本无力支撑那种规模的运营——而这些厂商，才是独立供应商真正的客户。

最后，Eastworlds 自身的经济模型和 Token 机制也有风险。用 Token 支付贡献者，省去了在每个地区搭建薪资和合规体系的麻烦，但这也把贡献者的收入与 Token 价格挂起钩来，而不是与他们实际完成的工作Hook。于是行情下跌时招人最难，而这恰恰是业务最需要稳定产出的时候。在大多数相关司法辖区，用这种方式支付报酬的法律地位也还没有定论。Eastworlds 的回应是：激励资金来自客户收入，而不是新的 Token 买家。这当然是更健康的结构，因为资金池不再依赖新参与者的涌入。不过这个结构能否成立，取决于客户是否会一直留下来；而且，一家以波动资产为贡献者计价的供应商，天然拥有一种拿固定工资的竞争对手不会有的第二种失败模式。

结语

Eastworlds 正在为方兴未艾的机器人领域做一门"卖铲子"的生意，切入点正是训练数据层。软件版的这个故事已经走完了全程：前沿实验室为争夺最先进的模型烧掉了数千亿美元，而向它们出售训练数据的 Scale、Surge、Mercor 们则长成了数十亿美元体量的公司——不管最终是哪家客户胜出，它们都赚得盆满钵满。

如今，这股热潮已经越过软件，涌进了物理世界。机器人拥有从语言模型借来的大脑，以及主要由中国厂商大规模生产的廉价躯体；所有认真的实验室和机器人厂商都在追逐同一个目标——一台能独立完成物理工作的机器。但所有人都绕不开一件事：供机器人学习的物理工作示例。这些示例无法爬取，大部分只能靠操作机器人的人一段一段地录制出来。公共数据集能帮模型起步，但机器人工作的场所、它运行的硬件、它具体失败的方式，全都需要重新录制。因此，数据需求会随着每一次新部署不断刷新，永远不会被一次性满足。

只卖原始演示数据的供应商，既容易被替代，也容易被压价：录制数据很难在不同机器人之间迁移，而且收入常常集中在少数几个大客户手里。而一个同时拥有机器人机队、雇佣操作员、亲自管理部署，并把每一次现场失败带回下一代模型的供应商，就会变成客户难以离开、也难以自行重建的存在——这些事，本来可能要凑齐五家供应商才能做成。这正是 Eastworlds 在做的事。它的宇树机队如今正在酒店和商场里做付费试点；机器人自主失败时，操作员随时接手；而这两部分最终都以训练数据的形态沉淀下来——作为演示数据和纠正数据，汇入数据湖。数据固然是当今机器人技术最大的瓶颈，但围绕数据的基础设施仍然高度碎片化。现在，一个独特的机会正摆在面前：一家企业可以趁势垂直整合，把机器人数据层尽可能多地纳入自己囊中。Eastworlds 正处于抓住这一机会的有利位置，但能否真正做到，只有时间能给出答案。

参考资料

Anthropic. (2026). 2026 年 AI Agent 现状报告：企业如何在生产中构建和部署 AI。https://resources.anthropic.com/hubfs/The%202026%20State%20of%20AI%20Agents%20Report.pdf

Bloomberg News. (2026 年 5 月 1 日). Meta 收购 Assured Robot Intelligence 以帮助构建人形机器人技术。Bloomberg. https://www.bloomberg.com/news/articles/2026-05-01/meta-acquires-assured-robot-intelligence-to-help-build-humanoid-technology

宝马集团. (2026 年 5 月 13 日). 宝马集团首次在德国生产中部署人形机器人 [新闻稿]。https://www.press.bmwgroup.com/global/article/detail/T0455864EN/bmw-group-to-deploy-humanoid-robots-in-production-in-germany-for-the-first-time?language=en

Brohan, A., Brown, N., Carbajal, J., Chebotar, Y., Chen, X., Choromanski, K., ... Zitkovich, B. (2023). RT-2：视觉-语言-动作模型将网络知识迁移到机器人控制。arXiv。https://arxiv.org/abs/2307.15818

Brown, T. B., Mann, B., Ryder, N., Subbiah, M., Kaplan, J., Dhariwal, P., ... Amodei, D. (2020). 语言模型是少样本学习者。arXiv。https://arxiv.org/abs/2005.14165

Chollet, F. (2019). 论智能的度量。arXiv。https://arxiv.org/abs/1911.01547

Eastworlds. (n.d.-a). 数据。https://eastworlds.io/data

Eastworlds. (n.d.-b). Eastworlds 白皮书。https://whitepaper.eastworlds.io/

哈佛商学院. (2026 年 6 月 1 日). 谁在采用 AI Agent，他们实际在用它们做什么。HBS Working Knowledge。https://www.library.hbs.edu/working-knowledge/whos-adopting-ai-agents-and-what-theyre-actually-doing-with-them

Hauser, K. (n.d.). 机器人解剖。见机器人系统（草稿）。伊利诺伊大学厄巴纳-香槟分校。https://motion.cs.illinois.edu/RoboticSystems/AnatomyOfARobot.html

OpenAI. (2023-2025). ChatGPT 周活跃用户里程碑 [公司披露]。https://openai.com/news/

Perrigo, B. (2025 年 6 月 16 日). Meta 的 140 亿美元交易如何颠覆了 AI 数据行业。TIME. https://time.com/7294699/meta-scale-ai-data-industry/

路透社. (2026 年 7 月 3 日). 中国机器人制造商宇树科技获准进行 6.19 亿美元上海 IPO。Yahoo Finance. https://finance.yahoo.com/technology/articles/chinese-robot-maker-unitree-wins-052743978.html

Rider, J. (2026 年 6 月 22 日). 行业快照：2026 年风险投资创纪录激增，机器人初创公司炙手可热。Crunchbase News. https://news.crunchbase.com/robotics/startup-venture-funding-surges-2026-data/

硅谷机器人中心. (2026). 2026 年机器人技术现状：全球机器人产业年度报告。SVRC Research。https://www.roboticscenter.ai/state-of-robotics-2026

Shaip. (2026 年 6 月 9 日). 机器人训练数据和操作数据集：2026 指南。https://www.shaip.com/blog/robot-training-data-and-manipulation-datasets-power-real-world/

软银集团. (2025 年 10 月 8 日). 收购 ABB 有限公司机器人业务 [新闻稿]。https://group.softbank/en/news/press/20251008

SRI International. (n.d.). Shakey 机器人。https://www.sri.com/hoi/shakey-the-robot/

The Rollup. (2026 年 4 月 15 日). Jansen Teng 谈为什么机器人需要 Crypto 来扩展规模 [视频]。YouTube。https://www.youtube.com/watch?v=u5ZuftUNnT8