机器人“吃”了100万小时，消化了多少？

如果一家公司宣布自己拥有100万小时机器人数据，应该怎么看？

先别急着被“100万”打动。

8月31日，在觅蜂科技媒体群访现场，盖世具身智能把这个问题直接抛给了觅蜂科技董事长兼CEO姚卯青:抛开小时数，怎么判断一家公司的具身数据到底有没有价值？

他的回答反而给“百万小时”这个数字泼了一盆冷水:“盲目地采集100万小时说实话还是很容易做到的事情，重复地做工种任务就可以了，但几乎没有任何价值。”

这或许才是“百万小时”之后，具身数据产业真正需要面对的问题。

第一篇讨论过，机器人如果要进入开放世界，需要远超今天规模的数据；第二篇讨论的则是，当需求从百万小时走向千万、亿小时，数据生产正在从数采工厂扩展到社区、家庭和真实工作岗位。

可规模一旦真正上来，新的问题就会迅速出现:有数据，不等于有训练数据。

一名员工戴着设备工作3小时，硬盘里当然会多出3小时视频。

但这3小时里，人有没有真正执行任务？手有没有离开画面？动作轨迹准不准？场景是不是已经采过无数遍？模型究竟能从里面学到什么？

如果这些问题没有解决，那么具身智能可能很快从“缺数据”，走向另一个极端:拥有海量数据，却不知道哪些值得训练。

所以，百万小时之后，数据行业真正开始竞争的，很可能不是“采”，而是“炼”。

“100小时视频”和“100小时训练数据”，不是一回事

具身数据最容易产生的误区，是把摄像头运行时间直接理解成数据资产。

二者实际上相差很远。

姚卯青在群访中解释所谓“有效数据”时，给出了几个非常基础、甚至有些琐碎的例子:

如果采集过程中手根本不在画面里，不能用；人戴着设备却长时间“摸鱼”、没有动作，也不能算；哪怕人在操作，做的事情本身也必须有意义。

然后才进入更加技术性的要求。

设备声称60FPS，实际平均帧率究竟能不能达到59.98、59.99；相机标定是否准确；HandPose提取出来的手部轨迹究竟是几厘米误差，还是能够压缩到5—7毫米；更重要的是，这些精度还必须能够通过真值进行验证。

换句话说，真实发生过，不代表真实记录对了。

这是具身数据和普通互联网视频非常不同的一点。

一段做饭视频即使少了几帧，人依然能看懂厨师在切菜。

但如果机器人需要从中学习动作，几帧误差可能意味着手的位置、接触时刻乃至物体状态发生偏差。

图像里“差不多”，到了机器人的控制系统里未必还是“差不多”。

所以，具身数据真正的生产过程，在摄像头停止录制之后其实才刚刚开始。

觅蜂现场披露的MEgo Engine，就是试图解决从Raw Data到Training Dataset之间的这段距离:原始数据要经过预处理、空间感知、原子化语义标注和质量评估，同时完成时间对齐、轨迹重建、人体关键点估计、任务拆解等处理。

先不讨论这套系统本身做得是否足够好，它至少说明了一件事:所谓具身数据公司，未来很可能不能只是一家“录像公司”。

真正的门槛，是把一段人类行为翻译成模型真正能够理解和调用的训练资产。

机器人学的不是“擦桌子”，而是擦桌子里的动作

这种翻译究竟是什么意思？

假设一个保洁人员佩戴设备，连续工作两个小时。

对人来说，这是一段完整而自然的劳动过程。

他走到桌边，拿起抹布，移动杯子，擦拭桌面，把垃圾丢进垃圾桶，再走向下一张桌子。

但模型很难直接从一段两小时长视频里知道:

哪一刻任务开始？

哪一段是在抓取？

什么时候发生了放置？

哪个动作属于擦拭？

哪一步失败之后发生了重新调整？

所以，第一步往往是把长时间的人类行为“拆开”。

觅蜂技术负责人刘力介绍，其系统会将小时级、甚至2—3小时连续数据拆解成不同层级的语义信息，从整体任务继续拆成子任务，再拆成更细的原子动作，目前其披露可识别120余种动作类型，例如摆放、释放、放置、抓握等。

这个过程其实揭示了具身数据真正有价值的单位可能是什么。

未必是“小时”。

它可能是一次抓取。

一次插入。

一次旋转。

一次失败后的重新尝试。

甚至是一段“伸手——接触——移动——释放”形成的完整交互链条。

这也是为什么单纯比较两家公司谁有100万小时、谁有200万小时，越来越缺乏意义。

一个数据集里可能充斥几十万小时相似动作；另一个虽然总量更少，却包含大量不同物体、不同环境以及可以复用的原子技能。

如果最终进入模型的是后者，那么“小时”很可能只是生产统计指标，而不是价值统计指标。

姚卯青在群访中也提到，目前客户首先会看场景，其次看HandPose等空间精度，再往后是动作与标签的描述精度；最终目标是数据能够直接进入模型，同时动作表现还要符合人正常工作的状态。

这意味着，具身数据行业正在经历一个很典型的变化:从“有没有”，进入“能不能直接用”。

甚至“坏数据”，也未必真的坏

但如果只是把低质量数据全部删除，事情依然没有那么简单。

这一点反而是觅蜂此次发布中比较值得讨论的技术思路。

在ManiEval数据质检体系里，觅蜂提出的原则不是简单“过滤”，而是:“不过滤，只分级。”

按照现场介绍，数据会从数据类型、任务类型、传感器质量、语义质量和动作质量等维度评分，再进入四种不同用途:精确数据用于策略模仿学习；语义和环境信息更加丰富的数据用于预训练和表征；包含环境干扰、动作偏差或部分失败的数据，则可以用于错误检测和任务进度感知；长尾边界数据则用于泛化测试和corner case能力增强。

这背后其实有一个很值得展开的问题:什么叫“坏数据”？

如果一个人在抓杯子时手滑了一下，从模仿学习的角度看，它当然不是一个值得机器人复制的标准动作。

但机器人未来进入真实世界之后，难道永远不会手滑吗？

如果模型从来没有见过失败，又如何知道失败正在发生？

更进一步，如果机器人拿杯子拿到一半发生偏移，它应该继续执行、重新抓取，还是直接终止任务？

这时候，一段“不成功”的人类动作，反而可能比1000次完全相同的成功动作更有价值。

这与自动驾驶行业曾经经历过的数据逻辑非常相似。

早期大家热衷比较测试里程。

但随着系统能力逐渐提高，真正稀缺的往往不再是正常直行一万公里，而是那些少见、困难甚至导致系统失败的corner case。

具身智能很可能也会经历同样的转变。

机器人会叠1000次完全相同的衣服之后，第1001次成功可能不会增加多少新的知识。

但突然换成一件特别柔软、特别滑、形状异常的衣服，机器人失败了。

这个失败，可能反而是一条更值得留下的数据。

所以数据产业未来的价值衡量，也可能逐渐从“采了多少成功动作”，变成:发现了多少模型原本不会的问题。

最有价值的数据，可能是机器人失败的那一刻

这一逻辑继续往前走，就会来到第三篇真正重要的地方:

数据不是一次性交付给模型之后就结束了。

真正成熟的数据体系，应该与机器人部署形成闭环。

觅蜂此次展示了一套相应思路:模型利用前期数据获得初步能力之后进入真机执行，机器人执行产生的数据再回流，系统从中寻找失败场景和困难场景，重新加入训练，然后更新模型策略。

其中REMORA Value Model试图进一步判断任务进度、发现异常动作，并把失败样本重新作为高价值数据使用。

当然，这里需要保持一点距离。

这套闭环目前仍然主要是觅蜂披露的技术路线和自身测试结果，它究竟能在不同机器人、不同模型和复杂真实部署中带来多大的稳定增益，还需要更多外部项目验证。

但这个方向本身非常重要。

因为它意味着具身数据产业最终可能从一种“库存生意”变成一种“反馈生意”。

过去的逻辑是:

采100万小时，整理好，然后卖掉。

未来可能变成模型先训练——机器人去工作——找到失败——判断为什么失败——重新采对应的数据——再训练。

到了这个阶段，一个机器人企业真正需要的数据，不再是供应商货架上“还有多少小时”。

而是我的机器人现在最缺哪一条数据？

这两个问题，差别巨大。

前者是按库存组织生产。

后者则是按模型能力缺口组织生产。

如果这一转变成立，未来具身数据行业最核心的能力，很可能也会随之变化。

能够一次性采到100万小时，当然是一种能力。

但真正更难的事情，是当机器人在一个陌生场景里失败之后，能够快速定位:

它为什么失败？

缺的是视觉理解？

空间轨迹？

某种物体交互经验？

还是根本没有见过这种边界情况？

然后再回到真实世界，准确补上这一块经验。

数据飞轮真正的“飞轮”，不是数据越来越多，而是模型越来越知道自己缺什么。

数据行业最终还是要回答一个问题:效果呢？

所以回过头来，怎么判断一家具身数据公司的数据真正有价值？

姚卯青在群访中的回答其实有三层。

第一，看覆盖够不够广，不能100万小时都在重复几个工种；第二，看能不能拿出详尽的质量验证报告；第三，看数据有没有真正被客户验收、签验收单甚至形成收入，因为市场付费本身也是一种验证。

这些指标都合理。

但从产业观察的角度，还应该再加上最后一层:模型效果。

数据最终不是为了卖数据。

甚至也不是为了做出一份漂亮的质量报告。

它最终应该回答的是:

模型用了以后，机器人究竟有什么变化？

成功率有没有提高？

过去做不了的任务是不是学会了？

换一个陌生场景还能不能工作？

发生错误之后能不能恢复？

同样增加1万小时数据，A数据集让成功率增加10个百分点，B数据集只提高1个百分点，那么即使两者都满足60FPS、毫米级精度和完整标签，它们对模型的真实价值仍然不同。

这也是目前整个具身数据行业仍然缺少的一块公开证据。

觅蜂此次展示了HandPose、数据治理、ManiEval和Value Model等能力，也公布了一系列技术指标。例如按照公司测试结果，其HandPose在特定遮挡、交互和高速移动测试中，手部重建误差达到4.29毫米，时序帧间抖动误差1.11毫米。

这些数字能够证明数据处理链路的一部分能力。

但它仍然不是最终答案。

算法把手的位置重建得更准，最终有没有让机器人把任务做得更好？

后者才是数据价值真正闭环的一刻。

今天具身智能产业热衷谈Scaling，这很容易理解。

百万小时、千万小时、亿小时，都是极具冲击力、也非常容易传播的数字。

但随着数据规模越来越大，行业迟早会进入一个新的阶段:

“有多少数据”会变得越来越不重要，“每增加一份数据，机器人究竟学会了什么”会变得越来越重要。

这可能也是具身数据产业真正的分水岭。

第一阶段，比的是谁能采。

第二阶段，比的是能规模化生产。

而到了第三阶段，竞争的问题可能变成:

谁更早知道，机器人下一步最应该学什么。

当行业走到这一步，“百万小时”就不再是终点，甚至不再是最重要的指标。

真正值钱的，不是数据仓库里又多了一小时。

而是这一小时，恰好补上了机器人原本不会的那件事。