“中国版Index”觅蜂派来了：打开真实世界的数据闸门，补上具身智能最稀缺的数据

9月23日觅蜂科技正式发布全球首个全品类高质量物理 AI 数据众包服务平台“觅蜂派”。下载该应用后用户可领取数据采集任务佩戴 MEgo 设备在零售、仓储、制造、家庭等真实场景中完成指定操作并按照有效时长获得相应报酬。采集的数据经觅蜂治理、分级后将用于具身模型训练并进一步服务机器人在千行百业的真实部署。觅蜂派亦被业界视为“中国版 Index”。今年8月Figure 发布 Index通过向全球用户付费采集真实任务视频来构建多样化训练数据集。同样是把众包模式引入具身数采二者不同之处在于觅蜂派面向的是更广泛的行业需求——服务不同模型厂商、机器人企业和数据采购方根据客户需求组织数据生产并将处理后的数据作为服务对外交付。这也意味着觅蜂派需要处理更复杂的数据需求服务对象越多需要覆盖的行业、任务和长尾场景越广众包规模越大对采集标准、数据治理和稳定交付的要求也越高。觅蜂派真正值得关注、拆解的也正是“全品类”和“高质量”两个关键词。让日常经验成为机器人“教材”如果把具身智能过去三年的发展压缩成一条曲线可以看到一个越来越清晰的趋势行业从“开发态”逐步迈入“部署态”机器人从实验室走向真实场景。要实现这一转变数据无疑是绕不开的瓶颈。但具身模型的“先天条件”远不及拥有海量文字语料的大语言模型。抓起杯子、拧开瓶盖、折好衣服这些每天重复无数次的动作至今仍没有形成可以直接用于训练的大规模数据。具身模型首先要解决的是如何把现实世界中的交互行为持续转化为数据。行业此前较为通行的解法是真机遥操——人通过手柄、VR 设备或其他控制系统操纵机器人把一个个任务“示范”给模型。这类数据与机器人本体高度对齐训练价值较高至今仍然具有重要作用但短板也很明显采集速度受到机器人数量、操作人员和场地约束硬件、人力与运营成本也会随着数据规模同步增加。今年以来具身智能行业开始探索更多样的数据来源当下逐渐成为共识的数据分工是无本体采集拓展规模与场景真机遥操提供贴近本体的数据真实部署帮助模型持续修正。至于无本体数据要做到多大规模业界普遍认为如果要实现具身 AGI需要的数据至少要从百万小时扩展为亿级小时。一百万到一亿显然难以通过已有模式线性复制需要一种“降维打击”的方式。觅蜂派、Index 所采用的众包模式则是一种有效放大数据产能的杠杆。Figure 公布的 Helix 2.5 实验已经证明了众包数据的价值在30套陌生住宅中不采数据、不额外训练Index 的预训练让零样本成功率从9%提升至56%。觅蜂派沿循相同方向希望让更广泛的人群加入具身数据的生产与采集。对用户而言担任“机器人训练师”的门槛并不高不需要理解机器人算法也不需要掌握编程只需要按照任务要求佩戴 MEgo 设备在熟悉的工作和生活环境中完成操作。对于仓储、物流、零售、制造等行业的劳动者而言其中不少采集任务与原本熟悉的工作场景高度重合使既有经验能够进一步产生数据价值。在为期一个月的内测期间觅蜂派注册用户数达2万人累计产生1.3万份采集任务提交。首批参与者来自不同年龄和职业他们开始把日常劳动与专业技能转化为机器人训练数据。例如42岁的网约车运营人员李国英第一次戴上觅蜂 MEgo 数采设备记录浇花、擦玻璃、整理桌面和文件的过程。大约15分钟后她将数据上传至觅蜂派 App通过审核后获得任务收益。此后她开始利用下班后的时间在做家务时完成采集。“把生活兼顾了还能有一份额外收入是双倍开心的事情。”她说。机器人训练师记录的也不只有日常劳动还包括一些具有传承价值的传统技艺。仁昌顺苏式糕点制作技艺传承人陆小星说“把这些数据记录下来上传给机器人学习打开了我对传承的新思路。”通过采集揉制、包馅、压模等动作及其力度、节奏得以被记录为非遗技艺留下新的数字载体。觅蜂希望当越来越多真实经验进入模型机器人能够逐步承担更多重复、危险的工作一些原本依赖人与人之间长期传授的技艺也有了新的火种。“全品类”底气从何而来觅蜂派与 Index 都以众包方式扩大数据供给但在数据如何被使用、最终服务于谁的问题上两者并不相同。Index 围绕 Figure 自身的模型训练需求建立数据闭环觅蜂派则面向不同模型厂商、机器人企业和数据采购方根据客户训练需求组织数据生产并将处理后的数据作为产品与服务对外交付。从服务单一模型体系转向服务多个客户增加的不只是需求数量还有场景、任务、数据模态和质量标准的复杂度。觅蜂派因此需要同时回答两个更现实的问题数据能够覆盖多广的场景又能否稳定交付。其“业界首个全品类高质量物理 AI 数据众包服务平台”的定位也正是围绕这两个问题展开。何为“全品类”一端是中国庞大的产业场景基础一端是觅蜂牵头推进场景联盟、持续拓展数据入口的生态能力。中国拥有全球规模最大的制造业体系、密集的物流仓储网络、丰富的零售和服务业态意味着大量机器人未来可能执行的任务已经有人在真实环境中反复完成。中国的产业链优势也以一种更直接的方式转化为物理 AI 数据优势。发布会现场觅蜂宣布发起“场景数据联盟”联合场景方、采集网络、机器人及模型企业推动场景需求、数据采集、模型训练和落地验证形成闭环。联盟首批成员覆盖零售商超、酒店文旅、餐饮服务、养护院、智慧生活、医疗健康、地产制造和城市物业等领域包括东呈酒店、中旅集团、华驿酒店、陈香贵、普善养护院、上海德济医院、正荣集团、龙旗科技、海天瑞声、张江集团等50余家企业和机构。据觅蜂披露觅蜂派覆盖22大类场景、5000多个任务和50000多个真实环境具体场景包括物流、仓储、住宿服务、教育、养老照护、餐饮、零售、公共服务、办公、汽车服务、医疗、建筑施工、交通出行、农业生产、文旅等。这些场景既包括取放、整理、搬运等通用操作也包含装配、检修、照护等专业任务可为机器人训练动态环境理解、精细动作控制、连续流程执行、风险判断和安全交互等能力提供数据。从这个角度看“全品类”并不只是任务列表足够长更重要的是平台能够持续进入不同产业环境根据模型需求动态组织数据生产。用户规模决定数据可以做多大产业链和场景网络则决定数据可以做多深。“高质量”标准何以体现众包模式能够快速扩大产能也天然会带来质量控制问题。当前一些第一视角数据采集会要求参与者放慢动作、保持手部持续可见并按照相对固定的流程执行因为这类数据更容易被现有算法解析。但这种方式也存在一大争议当人开始迁就算法真实世界中原本存在的快速运动、遮挡、自然纠错和非标准操作会随之减少模型最终看到的行为分布也可能被人为收窄。容易处理并不天然等于训练价值更高。觅蜂对“高质量”的定义一方面是关注真实行为能否被高质量设备准确记录。使用觅蜂派采集数据用户将搭载觅蜂自研的 MEgo 无本体采集设备。该设备采用行业首创的多视角、多模态300°全景加腕部特写记录整体环境与手部操作空间上三维触觉配合毫米级轨迹重建时间上全通道硬件级同步、亚毫秒级对齐尽可能减少视觉、触觉和姿态之间的偏差。同时觅蜂构建了 MEgo Engine 数据处理基础设施覆盖数据处理、感知、标注和质量评估等环节并通过高精度位姿重建与动作映射将真实世界中的手部、身体、头部、机器人末端及环境信息转化为统一的空间数据。当前2 万套 MEgo 产品已陆续进入家庭、办公、零售、生产、餐饮等真实场景累计采集有效数据达到百万小时。另一方面则是考验数据能否真正转化为模型能力。为让海量真实数据能够被高效利用觅蜂还形成 ManiEval 多维度数据质检与分级体系。ManiEval 从数据类型、任务类型、传感器质量、语义质量、动作质量等多个维度对数据进行评估并提出“不过滤只分级”不同质量、不同特征的数据匹配不同的模型训练需求让每一条真实数据都能够找到适合自己的应用场景。据了解觅蜂百万小时级无本体数据已开始服务腾讯 Robotics X 实验室、蚂蚁灵波等头部客户根据不同模型训练需求提供相应的数据产品与服务。真正判断数据质量的始终是下游模型是否愿意复购以及使用之后有多少价值。这也解释了为什么觅蜂要在此时推出“觅蜂派”。过去觅蜂已经完成采集硬件、百万小时数据、MEgo Engine 和头部客户验证。觅蜂派进一步补上的是社会化的数据生产网络与更广泛的场景入口。随着具身智能的数据需求从百万小时迈向千万乃至亿级小时能够持续连接真实场景、响应不同模型需求并保持稳定质量的基础设施其稀缺性会进一步上升。觅蜂要做的正是构建这样一张持续生长的物理 AI 数据网络。