宇树上市后的机器人赛道洞察：硬件和大模型不具备稀缺性，训练数据是价值最高的环节

导读：机器人赛道正热，但真正稀缺的或许不是硬件或大模型，而是能让机器人学会干活的高质量训练数据。这篇文章拆解了为什么数据层可能成为机器人产业里价值最高的环节，以及哪类公司最有机会吃掉这块蛋糕。

近年来 AI 快速发展带来很多教训，其中最重要的一条是：计算机智能首先是其数据的函数。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喂养它们。这一引擎建立在互联网上大量免费文本的基础上。训练数据现在同样是机器人领域的一个关键瓶颈，区别在于，机器人训练数据需要人类物理上执行并记录任务。机器人开发者目前还没有可抓取的训练数据语料库，而正因为这些训练数据更难获取，它们就更有价值。在本文中，我们将阐述为什么我们认为数据层是当今机器人领域最有价值的机会，以及哪种类型的企业最有条件抓住这一机会。

智能与数据

计算机问世七十年以来，让一台机器真正完成一项任务，本身往往就是另一项任务。必须有人先按照机器能遵循的顺序写出每一步，这完美契合那些原本就建立在某种固定、精确流程上的工作。人们做数学运算、记账和轧平账目已有几个世纪，但计算机能更快地执行同一套流程。自动化重塑了岗位职能和整个行业，但大体上仍局限于单一任务，更重要的是，机器所做的每一件事都必须先由人写出来。

如今，机器能写出连贯的散文，回答具体和开放式的问题，并把平实的语言描述变成代码和可上线的应用。这一根本转变来自改变了赋予机器的指令类型以及给出指令的方式。虽然任务仍然从指令开始，但机器在获得指令后的能力已大幅进化。更重要的是，指令本身变得直观和简单得多，特别是它们可以从详细规格简化为简单句子。

重要的是，改变机器的能力首先需要改变它们的输入。机器不再被给予如何执行特定任务的精确指令，而是被给予大量不同任务被执行的例子，并通过观察这些例子来学习。模型不是被教会如何写一个句子，而是处理了足够多的句子后自己学会了这项任务。模型不是被教会如何写代码，而是处理了足够多可运行的代码后学会了自己生成代码。模型不是被教会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己学会了翻译。

为了更好地说明这种区别，可以想想计算器和 ChatGPT。计算器能执行大型复杂运算，前提是这些运算涉及数字且不超出其定义范围，但如果让它写一篇文章就毫无用处。语言模型可以被当作计算器使用，同时也能写文章、搜索网络、生成可运行的代码，还能做更多事。关键区别在于训练数据。让机器回答一个从未见过的问题的模式，只能从真实例子中学会，因此 AI 模型训练的例子越多，它捕捉到的世界结构就越多，能做的事也就越多。同样的机制即将在物理世界中的机器人身上发生，所以先理解它在软件领域如何展开会有所帮助。

范式时刻

2020 年，OpenAI 发布了 GPT-3，几年后 ChatGPT 问世，对许多人来说，这是第一个真正有点像推理的应用。ChatGPT 能回答各种问题、写文章、翻译语言、生成可运行的代码，通常只需要一个简短的提示词。这些能力引发了强烈共鸣：ChatGPT 在五天内达到一百万用户，发布两个月内月活用户约一亿，创下当时消费级应用最快的采用纪录。

尽管 ChatGPT 最初运行在 GPT-3.5 上，但突破其实可以追溯到 GPT-3，而 GPT-3 之所以可能，是因为其训练数据规模前所未有。GPT-3 是同一个底层 GPT 模型的第三代，每一代的参数量都比上一代提升大约一个数量级。作为参考，参数是支撑模型识别和复现模式这一核心功能的构建块，因此参数越多，这种能力就越强。GPT-1 大约有 1.17 亿个参数，GPT-2 约 15 亿个，GPT-3 为 1750 亿个。

每一次参数量跃升都试图去掉 AI 模型训练中繁琐、但此前被认为必不可少的环节。GPT-1 证明，从原始文本中学到的语言能力可以迁移到特定任务上，而且所需的特定任务数据远少于从零开始。该模型首先在大量无标注文本上进行预训练以预测下一个词，然后针对每个具体任务用较小的标注数据集进行微调。

微调是棘手的部分，因为每个新任务仍需要自己的一轮微调和自己的标注示例，因此 GPT-2 测试了微调是否真的有必要。其想法是，一个在足够多样文本上训练过的语言模型，本身就是一个多面手，能够处理从未为它微调过的任务，因为训练文本里已经充满了这些任务。测试这一能力意味着扩大 GPT 模型的输入规模，于是 OpenAI 将参数量提高了十多倍，达到 15 亿，并在更大、更多样的网络语料上训练。最大的版本在八个语言基准测试中的七个上，完全没有微调就达到了当时最先进的结果。仅仅是扩大模型规模，就消除了一个本该必不可少的步骤。

GPT-3 把同样的赌注推得更远：它在约 3000 亿个文本词元（token，指一个词的一部分）上训练了 1750 亿个参数，这些文本按加权比例取自经过过滤的 Common Crawl、WebText2、两个书籍语料库和英文维基百科。随着规模发生如此剧烈的变化，能力也相应提升。GPT-3 只需在提示词中直接放入几个示例就能执行新任务，完全不需要微调。

尽管如今模型的能力已远超 GPT-3，它仍是一个关键节点。它为 GPT-3.5 和 ChatGPT 奠定了基础，并掀起了此后重塑行业的 AI 热潮。

智能追随数据

前沿实验室是从零开始构建最先进模型的公司和研究机构，其中包括 OpenAI 和 Anthropic。它们已将这些模型投入生产，并交到全球数亿用户手中。由此，它们吸引了数百亿美元投资，并有望成为全球最有价值的公司之一。它们的成功常被归功于招募的研究人员和拥有的庞大算力。但若没有模型训练所用的大量数据，这一切都不可能实现。

正如 GPT-3 所证明的那样，构建任何接近前沿 AI 模型能力的东西都需要大量训练数据。这里需要指出，不是所有训练数据都一样。从互联网抓取的原始文本免费且充足。它能教模型语言如何运作，词语之间如何搭配，论点如何组织，哪些事实出现在哪里。随着抓取语料规模扩大，基于其训练的模型能力更强。它们最终开始泛化到无人专门为其构建的任务上。GPT-3 能在语言之间翻译、整理打乱的单词、做基础数学，尽管它从未专门针对其中任何一项训练。事实上，GPT-3 在法译英上击败了 Facebook 领先的跨语言模型 XLM。它从未在配对法英文本上训练，只依靠提示中的少量示例。

然而，模型不只用抓取文本训练是有原因的。此类模型常给出听起来有说服力的答案，无论其是否正确或有帮助。提高准确性需要人类判断模型哪些答案真正好。一个人会看到提示和模型生成的两个答案，然后标记哪个更好，或者阅读答案并纠正错误，或者从头写出模型本应给出的答案。每个判断都成为一个训练样本，模型被调优为偏好人类偏好的输出。这一过程被称为基于人类反馈的强化学习（RLHF）。这些判断是不同于抓取文本的训练数据，也更有价值，也更昂贵。因为每个样本必须由人产出，而不是从网上收集。问题越难，评判者必须越有资质。模型关于税法的答案只能由懂税法的人来评分。因此供应商会招募医生、律师和工程师来评价各自领域的输出。以前沿规模生产此类数据困难、缓慢且昂贵。优化一个模型需要数百人数月时间，成本可达数千万美元。前沿实验室每年在这方面花费数十亿美元。

在这些完整工作样本上训练的模型更擅长规划任务、逐步执行，并通过学习先前积累的经验在过程中自我纠正。我们称之为智能体。智能体已成为广泛的生产力和学习工具。对前沿实验室来说，它们已成为迄今增长最快的产品线。ChatGPT 现在每周服务超过 9 亿用户。OpenAI 第一季度收入约 57 亿美元，2026 年收入运行率达到 400 亿美元。其编程智能体 Codex 在 2026 年 6 月周活跃用户突破 500 万，是 2 月独立桌面应用发布时的六倍多。Claude Code 是一款执行软件工程工作的智能体，上线六个月内年化收入达到 10 亿美元，到 2026 年 2 月已超过 25 亿美元。Anthropic 同期年化收入达到 650 亿美元，而 2025 年初约为 10 亿美元。在 Anthropic 和研究公司 Material 对 500 多名美国技术负责人进行的调查中，86% 的人表示他们部署编程智能体来编写生产代码，42% 的人信任它们在人类监督下主导开发工作。

领先 AI 应用最初的快速增长，源自其应用于新领域带来的突破。智能体目前能执行的每项任务都发生在计算机上。尽管当今世界很大一部分在计算机上运行，但世界及其大部分劳动是物理性的。

AI 的下一个基础是物理世界

2026 年上半年，全球机器人初创公司筹集了 188 亿美元。相比之下，2025 年全年为 150 亿美元，并超过了 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，并称物理 AI 是其下一个前沿。Meta 收购了 Assured Robot Intelligence，以训练自己的物理 AI 基础模型。Unitree 最近获批在上海 IPO。部署已随交易展开。例如，宝马开始在德国工厂使用人形机器人进行试生产。日本航空在东京羽田机场将人形机器人用于行李搬运。

然而，机器人自 1961 年起就在工厂工作。当时 Unimate 机械臂安装在新泽西州尤因的通用汽车压铸生产线上。1966 年至 1972 年间，斯坦福研究所制造了 Shakey，这是第一台能推理自身动作、而不是执行固定序列的移动机器人。早稻田大学于 1972 年完成 WABOT-1，这是第一个全尺寸人形机器人。

那么，为什么资金和关注度现在突然上升？

机器人现在有了可以思考的东西。机器人必须先决定做什么，才能采取行动。做决定需要了解物理世界如何运作的大量细节。语言模型从互联网文本中吸收了这些信息，因此机器人现在可以用它作为大脑。但语言模型处理软件并输出文字，而机器人处理物理世界，其输出是动作。视觉-语言-动作（VLA）模型作为弥合物理世界和软件世界的解决方案而出现。它接收机器人摄像头看到的画面和收到的指令，返回实际的关节运动。实际上，这意味着机器人开发者不再需要为每个单元编写定制代码，让它们一次只执行一项任务。他们可以更接近操作一个 AI 应用，用简单自然语言给出任务，然后实时计算出动作。

机器人的身体变便宜了。机器人通过摄像头和 LiDAR 来观察。LiDAR 发射激光脉冲，并计时它们返回所需时间，以此构建周围环境的地图。十年前，LiDAR 单元在很大程度上被认为过于昂贵。但手机制造商和汽车制造商随后开始批量购买相同的传感器。这为包括机器人公司在内的所有人压低了价格。电机和关节的成本也分别下降，因为中国制造商进入了过去由少数日本和德国公司小批量生产的零部件领域。用中国零部件制造的人形机器人现在成本约为 35,000 美元。Unitree 的 G1 人形机器人售价为 13,500 美元。

更强的智能和更便宜的硬件，对机器人及其能力的进步至关重要。但就像 AI 模型一样，一切首先取决于底层训练数据。要理解为什么这些数据如此有价值，先回顾一下机器人到底是什么。

理解机器人

从定义上说，机器人是一种自主机器，能感知环境、思考并做决定，在物理世界中执行动作。简单说，就是有身体的计算机。

几乎所有机器人都由相同组件构成，每个组件都对应人体的某个生物类比。骨骼通常是金属，由称为连杆的刚性段组成。连杆通过关节连接，关节促成运动。传感器构成机器的感觉器官，既包括本体感觉传感器，用来测量机器人自身连杆的位置；也包括外部感觉传感器，用来测量机器人所处环境。执行器最常见的是电动机，充当机器人的肌肉，通过传动装置（如齿轮）向连杆施加力，以增加力，同时按比例降低速度，让肢体产生缓慢而有力的运动。铜导线为执行器供电，信号则通过数据总线反向传输。数据总线是一条共享线路，每个关节和传感器都连接到它，每条消息都标记着发送部件的地址。电力要么通过电缆从墙上接入，如大多数工厂臂那样，要么来自机器人携带的电池。

反馈回路把这些不同物理部件连接起来，使机器人能实际执行物理操作、记录过程并改进学习。更准确地说，机器人软件从传感器接收信息，处理信息以决定下一步做什么，并向执行器发送指令。执行器对面前物体施加力，传感器随后读取结果，回路闭合。机器人学家称之为感知-规划-行动框架：弄清楚发生了什么，决定做什么，让它发生，并从每次观察中学习。

感知和行动是基于硬件的功能，所以它们运行得好坏取决于可用部件及其成本。规划则是基于软件的，很大程度上取决于训练数据的可得性和质量。

理解机器人训练数据

机器人从任务执行录像中学习如何完成任务。每个录像配对两条同步流：1）摄像头和传感器记录到什么；2）同一时刻响应发出了什么电机指令。有了足够多这样的配对，模型就能开始对应起来，从看到任务被完成到自己去完成。

编程这个过程在单一固定任务中没问题，因为运动可以一次写好并重复。想想工厂产线上盖印章的机器人臂，它在同一时刻遇到同一位置的同一面板。但任何有一定变化和不确定性的任务（生活中大多数事情往往如此）都会让这更复杂。尤其是实时中有大量潜意识决策，多数只能靠经验和直觉学到。没人会想捏衬衫要多大力，或者握住杯子要多大力才能拿起来。因此，与其试图把这种潜意识知识写成规范，机器人开发者通过录制任务的实时执行来捕捉它。

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此刻显示的内容，电机下一步该做什么？摄像头图像以及机器人关节和手指传感器的读数，会与熟练操作在每个时刻产生的确切电机指令一起展示。互联网上有大量视频内容，但大多数缺少机器人学习所需的这两个具体要求。如今有几种不同的方法来生产和收集机器人训练数据。

遥操作：人类直接控制机器人，通过机器人的身体执行任务，使用运动追踪设备或能镜像机器人手臂的控制器。系统记录机器人看到什么、关节传感器测到什么，以及操作者动作产生了什么电机指令。

动作捕捉：人佩戴追踪标记或传感器套装和手套来执行任务，生成身体和手部的精确 3D 轨迹，然后重新映射到机器人关节上。

第一视角视频：头戴摄像头记录人用自己的双手做任务，软件随后处理画面，逐帧估计手和手指位置，并转化为等效的机器人动作。

合成数据：模拟机器人在模拟环境中尝试任务，每次尝试都被记录为训练样本。

需要指出的是，只在演示上训练的模型不可避免地会遇到上限，因为大多数演示只展示任务顺利进行，模型从未见过错误，也从未学会遇到错误时该怎么办。常见解决方案是把数据生产本身变成一个循环，正式机器人学术语称之为 DAgger（数据集聚合），是一种交互式模仿学习。人类演示训练初始模型，然后机器人自己尝试任务。当它犯错时，人类操作员通过遥操作接管，纠正错误，并把控制权交还给机器人，同时纠正内容被纳入机器人的训练数据供未来参考。机器人团队通常的目标是最终让机器人自行练习，其尝试按一套定义好的规则评分，以强化成功行为。不过在实践中，目前大多数工作仍处于早期阶段，人类密切参与这个循环。

训练循环的产物就是我们可以称之为机器人“大脑”的东西：一个训练好的模型，能接收摄像头和关节传感器在某一时刻的报告，并返回接下来的电机指令。如今的模型分三个等级出售，每个等级对应机器人不同程度的自主性。

第一等级是技能模型，也是最窄的模型。它通过运行训练循环来执行单一任务，环境略有差异。它听起来像专为单一重复动作设计的工厂流水线机器人。但技能模型学会在不同条件下执行其唯一任务。例如不同位置或不同光照下执行任务。第二是自主模型。它将不同技能模型串联成完整工作，并处理每步之间的决策，按需调用每个单独技能模型。第三等级模型是当今广泛认可的“前沿”，即视觉-语言-动作模型，简称 VLA。它是单一训练系统，结合视觉、理解普通语言指令并采取行动。该设计借鉴语言模型，在几个领先实现中确实使用了它们。一个大型视觉-语言模型，即聊天机器人背后的同类系统，处理理解场景和规划行动的缓慢高层推理。另一个更快的组件将计划转化为每秒多次的连续运动指令。

因为 VLA 从互联网规模预训练中继承通用知识，它到来时已知道没人教过的东西。这改变了新增能力的方式。技能模型在其任务之外什么都不知道。所以新任务意味着从零开始，一个演示接一个演示。VLA 可以用普通语言接收任务。它已经对物体和目标有一些把握。所以它的演示只需要提供物理技巧，而不需要一次提供技巧、物体和任务概念。

数据瓶颈

每种生产这类数据的方法都受同样根本约束。数据要存在，首先必须发生一次物理执行。一个演示录制时间与任务执行时间一样长。全程占用一台机器人、工作场地和操作人员。语言模型需要更多数据时，AI 实验室转向更多网页爬取和雇佣更多标注员。而机器人需要更多数据时，解决方案需要更多机器人、更多操作人员、更多仓库工时。

模型确实能跨任务传递一些通用能力。但可靠执行新任务仍需要该特定任务的演示。每个任务都有变化，例如不同物体、布局、光照等。它们都需要各自覆盖。因此很难想象演示需求短期内会放缓。模型最终可能像语言模型那样从少量示例学习新任务。但正如 GPT-3 及其后继所示，能力跃迁只能来自训练数据和输入的指数级增长。

机器人的大机会在数据层

机器人初创公司在 2026 年上半年融资额超过 2025 年全年。2025 年本身已创纪录。热情与现实之间的差距、机器人需求与当前实际能力之间的差距仍然很大。简单说，机器人需求很大，但今天的机器人还不够好。机器人开发商宇树 2025 年出货超 5500 台人形机器人。这是公司披露的全球最高出货量。宝马、奔驰、亚马逊等标志性行业部署都只是试点，仅涉及几十台机器。工业买家需要 95-99% 时间可用的机器。当前人形机器人工作 30-90 分钟就需要充电或人工介入。机器人手不能可靠处理变化物体。其大脑尽管前沿实验室模型过去几年进步很大，仍会被物理现实的差异和意外复杂性弄糊涂。

前三代 GPT 模型证明，缩小能力差距最有效的方法是给模型更多高质量数据。这里的限制是，语言模型需要的数据已经很大程度上充足。这多亏人类几个世纪以来记录和书写历史。机器人需要的数据是多模态、时间同步且物理采集的。这意味着它不能像文本那样被爬取，必须由人操作机器人和录制设备来制造。标注也无法像文本标注那样并行化。因为判断一个盘子放得稳固还是不稳固需要物理直觉，而不是模式匹配。所以标注团队不能简单扩展到数千名远程工人。

所有机器人制造者，无论是机器人公司还是模型实验室，都需要这些数据。但获取它没有捷径。公共数据集中的内容很少能迁移到特定机器人。内部生产数据意味着运营仓库、机队、操作人员，并承担所有相关成本。类似情况已在软件领域发生过。前沿实验室需要互联网上没有的人类判断和专家编写的示例。而生产这些数据的供应商（如 Scale、Surge、Mercor）成长为一个约 85 亿美元收入的类别。

前路在于垂直整合

一个有用的对比是芯片制造。设计芯片和制造芯片是两门生意。设计是知识产权。而把设计蚀刻到硅片上的工厂耗资数百亿美元，只有接近满产才能回本。所以大多数芯片公司不再拥有工厂。英伟达、高通和苹果都设计芯片，但都不自己制造，把制造交给台积电。台积电不设计自有产品，如今制造全球几乎所有最先进芯片。

机器人数据层很有价值，但不容易占据，更不用说成功。在一个特定机器人身体上录制的演示及其关联数据集，无法迁移到另一台机器人。这意味着数据供应商必须为每个客户重建产品。正如前面提到，仅靠演示能教的内容也有限。因为演示只展示任务正确执行。模型仍需学习出错时该怎么做。训练中常需操作员介入。寻找机器人训练数据的客户对原始数据兴趣不大。他们更在意的是当机器人变化时持续生产数据的能力。这需要 1）用于录制的机器人，2）这些机器人要做的真实工作，3）将每次失败传回下一个模型的管道。现在有一个独特机会。通过拥有这三项组件，一个企业可以拥有机器人训练数据层。

案例研究：Eastworlds

一个积极抓住这一新兴机会的团队是 Eastworlds。它是 Virtuals Protocol 的新机器人部门。实际上，Eastworlds 是一个 neodeployment 机器人实验室和加速器。它服务机器人与具身 AI 初创公司。团队在吉隆坡运营，拥有东南亚最多宇树 G1 机器人（30+）。团队与卡内基梅隆大学、南洋理工大学等高校建立研究合作。

Eastworlds 的商业模式围绕机器人数据收集与新部署展开。数据收集覆盖远程操作与夹爪数据、视频、本体感觉、动作捕捉、数据集审核与质检，以及策略改进数据集，包括人类修正和相关的恢复数据。除数据收集外，Eastworlds 还专注于新部署，也就是把机器人放进从未使用过机器人的商业场景中。机器在远程操作下从事有偿工作，同时工作本身产生记录。客户购买劳动力，同时为 Eastworlds 生成数据。

每次部署都会产生数据，通常是非结构化的，并且因为来自真实运营而充满边缘案例。这些数据以自我中心远程操作数据、多模态感官输入和任务执行反馈的形式被采集，并汇入公司所称的具身 AI 数据湖。短期内，这些数据会重新训练运行机队的模型，让每台机器人在当前工作上失败更少。长期来看，累积的数据集会成为下一代 VLA 和世界动作模型的训练材料，推动 G1 机队从远程操作走向完全自主。

Eastworlds 还运营一个孵化器，为通过审核的团队提供资金，并让他们在一个月内使用机器人机队、设施和远程操作栈。每个团队追求自己的商业用例。据 Teng 介绍，目前有七个团队入驻，覆盖娱乐、石油与天然气、杂货和酒店管理，计划容纳超过二十个团队。每个团队在共享机队上运行自己的部署，暴露自己的失败与修复方案。学习成果和数据都会流回数据湖，将驱动 Virtuals 智能体生态的同一套机制用于机器人。

Eastworlds 集成 Virtuals Protocol 的链上基础设施，来处理数据运营的经济问题。Eastworlds 采用分布式商业模式，涉及数千小时的录制和远程操作，由许多人在许多地方完成，质量需要在付款前得到验证。雇佣这样的劳动力需要在每个相关地理区域建立薪酬与监督体系。另一种方法是使用激励，即发布任务和奖励，贡献者可从任何地方加入，付款在验证交付后迅速到账。在大规模启用这种机制，需要可编程、全球性、低成本的支付轨道。Virtuals 已经在 Base 和 Solana 上为软件 AI 智能体运行这类轨道，用于筹资、交易和程序化结算。Eastworlds 将同样的设计用于机器人训练数据，使用代币激励来招募和支付分布式劳动力。

这个数据的市场已经在付费。据 Teng 称，买家为一小时自我中心记录支付约 3 到 10 美元，为一小时远程操作支付 50 到 100 美元。这些费率高于亚洲大部分地区的典型时薪。传统上，代币激励活动在新参与者停止进入后往往会崩溃，因为系统外没有人购买任何东西。但这里的激励由付费客户支撑，也就是购买数据的实验室。因此只要数据需求存在，资金池就能维持。

综合来看，Eastworlds 的路线图大致如下：今天出售数据和新部署，因为买家已经在为两者付费。利用这些付费部署，收集分阶段采集无法产生的内容，尤其是修正数据。然后利用不断增长的数据湖训练模型，从单一任务模型开始，逐步走向更通用的模型。这些模型每个的售价都远高于原始数据。Eastworlds 在数据层运作，但其护城河是持续生产数据所需的一切，包括 G1 机队、操作员、孵化团队、现场部署以及底层的支付轨道。

风险与重要考量

当然，围绕扩展机器人数据层，有一些风险和重要考量需要记住。对这个品类最深层的反对意见是，远程操作最终可能无法带来机器人自主。一台需要操作员才能完成酒店班次的机器人，无论如何都有人参与其中，只不过还多了一台机器人及其相关成本。远程操作供应商和机器人制造商认为，这只是活动变化小、失败重复出现时的临时阶段。模型确实会持续改进，直到操作员完全不再干预。最初让机器人变得困难的任务，也就是物体、布局和失败模式不断变化的任务，正是今天操作员始终无法完全离开的任务。这些任务也会产生最有价值的数据。这就是为什么在一个完全自主从未真正到来的世界里，供应商仍能保持盈利。

仿真威胁着对录制演示的需求，而录制演示正是数据供应商销售的产品。操作员手工录制每小时大约产出 5 到 50 个片段，而仿真器一夜之间几乎零成本就能运行数百万个。仿真仍然做不好的是接触，因为两个物体一接触，模拟物理和真实物理就会产生分歧。这就是为什么仅靠仿真数据无法训练出能抓取物品的机器人。团队正在通过随机化仿真器中的条件来缩小这一差距，例如光照、纹理、摩擦，这样模型就不会对某一种渲染过拟合。他们还调整仿真器的物理设置，直到仿真臂的运动方式与真实臂一致。

机器人训练数据本身的价格也已下降。根据 SVRC 的《2026 年机器人行业现状》，一小时高质量远程操作数据在 2024 年初约为 340 美元，2025 年第四季度降至 136 美元，到 2026 年 3 月降至 118 美元。下降由两个因素驱动。第一，主从装置降至 2000 美元以下，操作员移动小型复制臂、机器人照做的设置不再需要定制硬件。第二，DROID 和 LeRobot 等软件现在能把操作员的原始记录直接格式化为训练就绪数据集，无需人工清理。两者都仍在改进。因此，以录制小时数为产品的供应商，正进入一个价格在两年内下跌约 66% 的市场。

竞争性的机器人数据供应商几乎与 Eastworlds 同时走向垂直整合。Adamo 销售托管远程操作，配有低于 40 毫秒延迟的控制软件，让机器人公司无需自建运营。XDOF 成立于 2024 年 10 月，从单纯销售录制数据，扩展到清理、工具和标注。其创始人的判断是，只卖录制数据是死路。Physical Intelligence、Lux、iMerit 和 DataX Power 都销售某种版本的托管采集加配套工具。DataX Power 在东南亚开展项目，与 Eastworlds 的运营区域相同。然而，它们都不运营自己的付费商业部署。修正数据正来自商业部署，这是反馈闭环中无法通过向仓库雇佣更多操作员来复制的部分。采集层确实拥挤，部署层则很薄。

机器人制造商自然是更难的问题。因为几家已经自己生产训练数据。Figure 在宝马部署中运营自己的远程操作车队。特斯拉 Optimus 项目建立在同样循环上：部署机器人、记录失败并重新训练。这些运营方已拥有硬件、部署和客户关系。这意味着它们积累数据比任何购买数据的人更快。

但它们积累的数据只是单个机器人做一家公司工作的数据。一个供应商服务酒店、农场和仓库的二十个客户。它收集的数据多样性，任何单一制造商机队都无法产生。Figure 和特斯拉也是全球资金最充裕的两个机器人团队。它们之下的几十家机器人制造商无法资助如此规模的运营。这正是独立供应商实际可以销售的市场。

用代币支付贡献者，避免了在每个有人录制一小时视频的国家设立工资和合规。但这将贡献者收入与代币价格挂钩，而非与其所做工作挂钩。因此回撤期间招聘最难，而那正是运营最需要稳定产出的时候。这种支付工人的法律处理，在大多数相关司法辖区也尚无定论。Eastworlds 的回答是，客户收入资助激励，而非新代币买家。这当然是正确结构，因为这意味着池子不依赖新参与者到来。只要客户持续，这种结构就成立。一个贡献者基础以波动资产计价的供应商，还有第二种失效模式，这是基于工资的竞争对手没有的。

Eastworlds 正在为新兴机器人领域构建卖铲子生意，特别是围绕训练数据层。软件版本已经走完了全程：前沿实验室争相打造最先进模型，花费数千亿。卖给它们训练数据的公司 Scale、Surge 和 Mercor，成长为数十亿美元企业，无论哪个客户赢它们都赚钱。

那股热潮已从软件蔓延到物理世界。机器人拥有借自语言模型的大脑，以及主要由中国制造商大规模生产的廉价身体。每个严肃实验室和机器人制造商都在追逐同一种能自主完成体力工作的机器。它们都无法跳过的是可供学习的体力工作示例。这些示例无法抓取，大部分必须由人操作机器人、一次一个录制会话来产生。汇总的公共数据集帮助模型启动。但机器人工作的建筑、运行的硬件，及其具体失败方式都必须重新记录。所以需求随每次部署更新，而非一次满足。

只卖原始演示的供应商很容易被替换和压榨。因为记录在机器人之间迁移性差，且少数客户往往占大部分收入。一个供应商如果同时拥有机器人机队、雇用操作员、管理部署。它将每次现场失败带回下一个模型。它会成为客户难以离开或重建的企业。它做的事本来需要五家供应商。这正是 Eastworlds 正在构建的。其 Unitree 机队如今在酒店和商场开展付费试点工作。操作员在自主失败时介入。两者最终都成为训练数据，以演示和修正形式提供，汇入数据湖。尽管数据是当今机器人技术最大瓶颈，周边基础设施仍然高度分散。现在有一个独特机会，让企业垂直整合并尽可能多地拥有机器人数据层。Eastworlds 具备抓住这个机会的良好条件，但只有时间能证明它是否做到。

作者：Shoal Research

编译：深潮 TechFlow