中国具身智能数据采集实地调查：数据卖方缺乏议价权，市场决定哪一代技术存活

2026年10月，ChinaTalk征文比赛获奖作者A. Chen前往北京五道口——清华大学科技园所在地，中国具身智能研究机构的聚集区——实地访谈了多位从事机器人训练数据采集的研究人员和企业创始人。她的核心发现是：在资本热潮和社交媒体传播之下，具身智能数据采集实际上是一门难以预测的生意，数据卖方缺乏真正的议价权。

A. Chen首先梳理了机器人数据采集的三代技术演进。第一代是遥操作（teleoperated），约2017年出现，当年斯坦福大学教授李飞飞率先试点了相关项目，用户通过遥控器或VR设备操控机械臂，硬件成本可达每套数十万元人民币，且只能训练简单的二值夹爪指令。第二代是同构采集（isomorphic），2024年斯坦福大学Cheng Chi、Zhenjia Xu和Shuran Song教授发表的Universal Manipulation Interface（UMI）论文标志着这一代技术，人类受试者通过魔术贴、弹性带或金属铰链将手连接到机器人外骨骼上，比遥操作更快速精确。美国Generalist AI公司据称在六个月内用一千名工人收集了超过25万小时数据。第三代是2026年初兴起的自我中心采集（egocentric），NVIDIA于2026年2月18日在EgoScale项目中引入这一概念，将摄像头固定在1000多人的额头和手腕上，拍摄了20854小时第一人称视频，覆盖洗碗、切菜等日常任务。

然而，市场并未因为技术代际更新就淘汰旧方案。北京昆仑巢人机器人开放实验室研究员郭博士（Dr. Jackson Guo）对A. Chen说：「第二代数据采集——同构外骨骼和UMI——在中国买家中仍然非常受欢迎。除非自我中心数据采集者能收获比如100亿小时数据，否则我们无法在市场上超越UMI。」一位匿名行业人士估计，约30%的机器人市场仍然只寻求购买基于第二代UMI的夹爪数据。仓库和商业公司大多满足于二值夹爪，只有学术研究实验室才需要灵巧手数据。

成本结构进一步限制了数据卖方的议价空间。匿名行业人士告诉A. Chen，采集一小时原始数据的成本约100元人民币，而生成可用数据的成本约为每小时500至700元。他说：「如果自我中心数据的成本像水一样便宜（每单位5到10元），人们会毫不犹豫地购买，但我不认为数据采集成本还能比今天更低。」

清华大学企业家兼研究员王博士（Dr. Iris Wang）向A. Chen解释了产业生态中的权力关系：「市场决定行业的方向和创新，而不是反过来。」在数据采集的生态系统中——数据卖给初创和科技公司，这些公司再把成品机器人卖给消费者——自我中心数据的供应商缺乏真正的议价权。客户需求决定数据采集和研究的方向。

自我中心数据还不是一个通用产品。A. Chen发现，视频素材难以甚至不可能转售：客户对每段视频的光线、背景和动作有特定要求，定制数据通常受排他性知识产权条款保护。因此许多公司仅为内部使用而采集数据，这造成了供应链上复杂且波动的动态。

在策略差异上，中国公司表现出明显的观望态度。京东创始人兼董事长刘强东于2026年3月16日宣布在其家乡江苏宿迁建立数据采集中心，目标是2027年收集超过500万小时视频、2028年达到1000万小时，已有超过10万宿迁市民报名参加。但A. Chen观察到，中国大多数创始人和研究人员仍在等待市场决定下一代数据采集方法的方向——这与美国公司的大规模押注形成对比。Build AI已融资超过3000万美元，目标是到2028年收集超过10亿小时自我中心视频；硅谷还有十几家初创公司共享这一目标。

王博士还提供了一个有用的分层判断：融资超过10亿元人民币的初创公司通常追求用于预训练的自我中心数据，而融资低于10亿元的公司则聚焦于几乎不需要自我中心数据的后训练方法。这意味着资本规模本身就在决定技术路线选择。

郭博士在访谈结束时对A. Chen说了一句玩笑：「美国摸着石头过河，中国摸着美国过河。」在A. Chen看来，这个叙事远比中美竞争复杂——数据从印度流向中国再流向硅谷，供应链横跨大洋，嵌入现有的世界秩序之中。

对投资者而言，这篇实地报告揭示的核心机制是：在具身智能产业链中，数据环节的经济地位取决于买方是否真正需要特定代际的数据，而非取决于技术叙事或融资规模。约30%的市场需求仍停留在第二代UMI数据，成本地板限制了利润空间，定制化需求阻碍了数据作为通用商品的流通——这些因素共同决定了数据卖方在当前阶段缺乏议价权。中国公司的观望策略与美国的激进押注之间的差异，可能反映了不同的资本结构和风险偏好，而非技术判断的优劣。