最近，一段来自印度南部服装厂的视频在国内外社交平台疯传。画面里，流水线上的工人低头缝纫，与普通工厂场景别无二致，唯一的不同的是——每个人头上都戴着一个摄像头环。评论区迅速分成两派：一派认为这是老板监视员工、杜绝摸鱼的新手段；另一派则指出，这其实是在给机器人采集训练数据。两种说法都透着现实的冰冷，但后者，才是整件事真正令人坐立不安的核心。
01. 打工人正在被录像存档：亲手教会机器人取代自己
这些头戴摄像头的工人，正在进行一项名为“Ego数据”（第一人称视角数据）采集的工作。其逻辑十分简单：将摄像头架在头顶，完整记录工人干活时的第一视角——手的抬起落下、穿针引线的细节，每一帧画面都会成为AI模型的训练素材。换句话说，工人的双手，正在成为机器人的“老师”，而他们自己，正在亲手教会机器人取代自己。
普通人听到这种事会产生生理性的冒犯，但在行业内，这种数据采集方式却备受追捧，核心原因只有一个：便宜、高效。
过去，机器人模型训练的主流方式是“真机遥操”：工程师戴上VR头显，同步机器人的摄像头视角，像遥控玩具一样，手把手控制机器人的每一个动作，全程一帧一帧录制作为训练数据。这种方式不仅成本高昂——一台数采机器人本体动辄几十万，还需要专职数采员培训上岗；而且效率极低，采集一条高质量数据可能要耗费工程师大半天时间。
Ego数据方案彻底颠覆了这套流程：工人只需戴上头戴摄像头、腕部追踪器（部分方案还会配备特制手套），正常上工即可完成数据采集。这三层设备分工明确：头戴摄像头记录第一视角的完整场景，包括操作台布局、物体位置和手与目标物的空间关系；腕部摄像头聚焦手部，捕捉近距离操作细节；特制手套则通过传感器，直接测量每根手指的关节角度。三者叠加，就能完整还原一个操作动作——人看到了什么、手在何处、手指如何动，机器人通过这些样本，就能学习到“看到某画面时该做什么”的映射关系。
不过这里存在一个小问题：机器人“学谁像谁”。如果被采集的是熟练工，机器人就能学到行云流水的标准操作；但如果工人有摸鱼习惯——比如拧螺丝前挠头、放零件时抖手腕，机器人也会将这些多余动作当成标准流程学进去。因此，视频中只有一排工人头戴摄像头，他们大概率是车间里筛选出的技术最熟练的工人。
还有一种更简单粗暴的方式：不筛选人，只筛选数据。美国Generalist AI公司采用众包模式，将低成本穿戴设备分发给世界各地的普通人，无论是在家折衣服、厨房洗碗，还是修车铺拧螺丝，只要戴上设备，人人都能边干活边采集数据。尽管业内质疑普通人采集的数据质量不如专业数采中心，但“大力出奇迹”的逻辑在此生效：海量原始数据进入系统后，低质量数据被自动筛选丢弃，剩余的高置信度样本足够支撑模型训练。
如今，数据采集正朝着“轻量化”方向迭代：摄像头被集成进普通眼镜，手套变得更轻薄，最终形态可能只是一副眼镜加一块手表，让采集完全融入日常工作，对工人动作毫无干扰。这张数据采集网正在全球铺开——硅谷实验室、东南亚代工厂、北美物流分拣中心、欧洲家庭厨房，成千上万个传感器如同毛细血管，伸向人类的日常工作与生活。
这种采集模式还催生出了专门的“数据供应商”，比如通用移动接口（UMI）方案，彻底切断了数据与特定机器人硬件的绑定。测算显示，这种仅靠穿戴设备的采集方式，单条数据生产成本仅为传统方案的五分之一，效率却提升了五倍。印度服装厂的画面，只是这张大网上最被普通人熟知的一个节点，而这背后，是AI巨头们难以言说的焦虑：机器人没“米”下锅了。
02. 机器人也有数据荒：真实世界的数据，无可替代
在数字世界里，AI大模型可谓“衔着金汤勺出生”——训练素材来自整个互联网，几十年来人类留下的文字、代码、新闻甚至论坛废话，都是它们取之不尽的养分，只要算力足够，AI能在几天内“读完”人类几千年的文明。
但机器人需要的数据，却与大语言模型完全不同：每一次抓取、放置、翻转，都必须真实发生在物理世界里，无法从网上下载，更不能批量复制。这也是为什么，那些重金打造的顶级人形机器人，在机器人马拉松比赛中仍会突然摔跟头，显得“不够聪明”。
有人会问，用仿真数据不行吗？在电脑里搭建虚拟工厂，让机器人反复练习，不就能解决数据短缺的问题？其实业内早已尝试过这种方式，虽然有一定效果，却绕不开一个核心难题——“sim-to-real gap”（仿真到现实的鸿沟）。虚拟世界的物理规则是简化的：光线理想、桌面平整、摩擦力预设；但真实世界里，同一块布料每次堆叠的形态不同，同一个零件每次放置的角度有偏差，在虚拟世界练了一万次的机器人，到了真实车间，依然会“手足无措”。
因此，真实世界的操作数据，是机器人训练无法绕开的核心。行业内有一个著名的“数据金字塔”：最底层是互联网上现成的视频和图片，量大但精度低，只能让机器人了解大致方向；中间一层是专门采集的人类动作捕捉数据，成本较高但质量更好；塔尖是真机遥操数据，精度最高、数量最少、采集速度极慢，完全无法满足模型的需求。
机器人的数据困境有多夸张？目前机器人领域头部开源数据集OpenX-Embodiment，汇聚了全球22种机器人本体、311个场景下的100万条操作轨迹。听起来十分壮观，但与大语言模型动辄万亿token的训练数据相比，相差了整整六个数量级。
除此之外，真机遥操还有一个致命问题：数据与硬件强绑定。过去，大多数操作数据都是用特定型号的机器人采集的，A型机械臂的数据无法直接用于训练B型机械臂——关节结构、末端夹爪形状、摄像头位置不同，同样的“拿起杯子”动作，对应的运动轨迹可能完全不同。换一款硬件，就需要重新采集数据，相当于每次硬件升级，都要回到原点。
而Ego数据方案的核心优势，就是打破了这种绑定——从人身上采集“无本体数据”。人类做“拿起杯子”这类动作时，手部轨迹是相对于世界坐标系或自身躯干的，可以通过运动学映射，转换到不同尺寸、不同关节配置的机械臂上，采集一次就能反复使用。更重要的是，这种方式成本极低，能轻松覆盖大量真实场景。研究显示，同样数量的数据，分布在32个不同环境（每个环境50条），比集中在一个环境（1600条）训练出的模型，泛化能力强得多——机器人需要见过足够多“不一样的世界”，才能在新场景中从容应对。
今年4月，Generalist发布的GEN-1模型，用50万小时人类操作视频训练而成，效果惊人：在折纸箱、手机装盒等任务上，平均成功率从64%提升到99%，速度也提升了三倍；更关键的是，新任务只需1小时真机数据就能完成迁移，机器人学习新技能的门槛大幅降低。技术的进步令人振奋，但对普通打工人来说，却透着一丝寒意——我们好像在帮未来的自己，培养竞争对手。
03. 技术进化，还是技能剥离？别忘记打地基的人
回到那家印度服装厂，一个微妙的矛盾令人深思：缝纫工人越熟练、动作越标准，采集的数据质量就越高，训练出的机器人就越容易学会这项技能。他们是这项技术最核心的知识提供者，却在价值分配链条上，处于最边缘的位置。
这种“底层劳动支撑顶层技术”的现象，并不是第一次出现。2010年前后，斯坦福大学一位教授带领团队开展ImageNet项目——给全世界的图片打标签（猫、狗、椅子、汽车等），这个项目后来成为深度学习革命最重要的“燃料”，几乎所有现代AI视觉模型都从中汲取养分。而打标签的工人，是通过亚马逊众包平台招募的普通人，大多来自东南亚和非洲，时薪仅约两美元。他们日复一日地坐在屏幕前标注图片，最终成就了ImageNet（收录1400多万张图片），也成就了这位教授的学术地位，催生了难以估量的产业价值，但那些底层工人，依然拿着微薄的时薪。
如今，数据采集已经形成了完整的产业链：上游是穿戴设备硬件厂商，生产头戴摄像头、腕部追踪器、力感应手套；中游是数采方案和数据清洗服务商，设计采集流程、过滤低质量数据、处理原始视频，使其成为模型可直接使用的素材；下游是购买数据的具身智能公司，包括多家科技巨头，都在加速入场。
而触觉数据，正在成为下一个竞争战场。仅靠视觉和轨迹数据，机器人无法学会需要感知物体软硬、表面纹理的精细动作——捏熟透的桃子和生桃子的力道不同，拧螺丝的松紧程度，摄像头都无法判断。目前已有公司在数采方案中加入六维力传感器，实时采集接触时的压力方向和大小，让机器人更精准地模仿人类动作。
或许在不久的将来，机器人就能像科幻电影中那样，帮人类完成各种工作——从精细家务到复杂维修，从照顾老人到探索险境。对于那些因长期重复动作患上腱鞘炎、颈椎病的流水线工人来说，这无疑是好消息——技术本身不是敌人，我们真正需要关心的是：技术创造的价值，能不能让创造它的人一起受益。
如果说工业革命的机器是人类体力的延伸，那么现在的具身智能，就是人类直觉的复现。这种技术进化，不该以一部分人的退场为代价，而应是全人类的共同升级。盖好房子之后，不要忘记打地基的人；技术发展的最终意义，不该是让劳动者被替代，而是让他们从繁琐重复的劳动中解脱出来，去拥抱生活中更多触手可及的温度。
由人筑基，为人所用——这，才是技术发展最完美的终点。