本文来源：时代周报 作者：朱成呈
机器人还没走进千家万户，教机器人干活的人，可能已经先进入千家万户。
9月23日，觅蜂科技上线“觅蜂派”，把具身智能的数据采集做成了一门可以接单的生意。宝妈、店员、手艺人等普通人，可以领取任务，佩戴MEgo设备，在家庭、零售、仓储、制造等真实场景完成指定动作，再按照有效采集时长获得报酬。
如果说外卖平台把分散的骑手组织起来，解决的是“最后一公里”的运力问题，那么觅蜂想做的，是把分散在真实世界里的普通人组织起来，成为机器人的“数据骑手”。
这背后的逻辑很简单：机器人还不够多，但人一直在做事。过去，机器人训练数据主要依靠机器人本体采集。可在人形机器人尚未大规模部署的阶段，仅靠机器人自己“打工”或者数采工厂产生数据，很难快速积累足够规模的真实物理数据。
于是，越来越多公司开始尝试让人来采。8月，Figure推出Index，也在用付费众包的方式采集真实任务数据。觅蜂则把这套模式进一步推向家庭、门店和工厂，试图把普通人的日常劳动变成机器人训练数据。
问题也随之而来。时代周报记者此前实测MEgo，在家中佩戴设备完成任务时，一个直观感受是：设备记录的不只是手正在做什么，家庭空间、物品，甚至其他人的活动，也可能进入镜头。
对此，觅蜂科技觅蜂派业务总经理张智富向时代周报记者表示，隐私保护首先从用户授权开始。众包人员注册App时，需要签署相关个人信息授权协议；领取设备后，数据采集过程中还会进行脱敏处理。
“设备采集过程中，会在App端上进行脱敏。”张智富表示，数据上传云端后，平台还会围绕信息安全建立多重防护机制，并与相关主管部门推进数据安全方面的工作。
9月23日，觅蜂科技在多地大数据局指导下，与中国信息通信研究院共同发布《具身智能众包数据发展报告》框架。在张智富看来，关键是建立一套完整的数据安全体系，让参与众包采集的用户能够“放心采集、安心采集”。
无本体数采：把人变成数据入口
大语言模型的一个重要优势，是互联网上已经存在海量文字和图像数据。具身模型没有这样的先天条件。抓起杯子、拧开瓶盖、叠好衣服，这些人类每天重复无数次的动作，对机器人来说仍是稀缺数据。
模型要学会在真实世界里做事，首先要解决的不是模型有多大，而是从哪里获得足够多的“做事”数据。业内一种常见判断是，如果具身智能最终要走向更高阶的通用能力，训练数据规模可能需要从今天的百万小时级，进一步扩大到亿小时级。
过去，行业最常用的数据采集方法是真机遥操。人通过手柄、VR设备等控制系统操纵机器人，把一个个任务示范给模型。这种形式优势很明确：数据直接来自机器人本体，与关节、坐标系、控制频率等参数高度匹配，因此训练价值较高。
但问题也同样明显。真机遥操数据很大程度上被机器人本身“锁住”。不同厂商的机器人在关节数量、坐标系、控制频率等方面存在差异，一套本体采集的数据，很难直接迁移到另一套本体；换了机器人，往往意味着重新采集、标注和训练。
与此同时，不同数采工厂之间的数据仍然相对割裂，高价值数据又往往受到商业利益和合规要求限制，进一步降低了数据流通效率。
今年以来，行业开始寻找另一条路径：让人直接成为数据入口。人不需要操纵一台真实机器人，只需要在真实环境中完成一个任务，设备在这个过程中记录人的动作、视角以及与环境的交互，再将这些数据转化为机器人训练所需的数据。
这也是“无本体数采”最核心的变化：机器人训练数据不一定非要由机器人产生，人类“做事”本身，也可以成为数据来源。
事实上，这和自动驾驶的数据逻辑有些相似。汽车企业通过真实车辆的大规模行驶，把驾驶过程持续转化为数据，数据再反哺模型和系统，最终形成数据飞轮。对于具身智能而言，机器人数量远没有汽车那么庞大，真正数量庞大的反而是人，以及人每天发生的大量物理交互。
“以销定产”
当人成为数据采集节点，规模问题解决之后，新的问题也随之出现。首先是隐私。人在真实环境中完成任务，记录下来的并不只有手部动作。家庭空间、商品信息以及其他人的活动，都可能进入镜头。数据进入训练流程前，还需要经过治理和分级。
觅蜂科技董事长兼CEO姚卯青告诉时代周报记者，数据脱敏主要通过自动化完成，而不是由员工逐帧查看、手动给人脸打码。“后台员工不会看到这些信息。”他说。
另一个问题是，众包会不会带来大量重复的数据。如果不同采集者都在做相似的家务、整理商品或简单操作，数据规模虽然迅速扩大，但有效信息未必同比增加。真正稀缺的，反而是那些低频、复杂、难以进入的任务。
对此，觅蜂采用的是任务认领机制。姚卯青介绍，任务会提前发布在任务大厅，达到所需采集量后，任务便不会继续开放，避免同一类数据被无限重复采集。对于更难获取的场景，则通过提高任务补贴吸引采集者进入。
这或许意味着，做众包数采，不是参与的人越多越好。真正重要的是，客户需要什么数据，就去采什么数据；已经采够的数据，就不再重复采。
姚卯青将这种模式概括为“以销定产”。觅蜂会先从市场端获取客户的订单需求，再对需求进行归纳、去重，与现有数据库存进行匹配。已有库存能够覆盖的需求，不再重复生产；无法满足的，再根据订单的当前及长期价值，以及平台现有的人员、场景等资源，对任务进行优先级排序，再分发到不同的采集路径。
从这个角度看，众包数采真正要解决的，并不是把更多人变成数据生产者，而是让有限的采集能力，尽可能流向真正缺数据的地方。
恒正网提示：文章来自网络，不代表本站观点。
