机器人想学干活，先雇人干一遍

9月23日，觅蜂科技在上海发布了全球首个全品类高质量物理AI数据众包服务平台「觅蜂派」。名字不响亮，但这件事指向的问题很硬：物理AI最缺的不是模型，而是真实世界里「人怎么干活」的数据。我的判断是，数据供给正在从「标注工厂」走向「任务网络」，谁先把真实场景和人群连起来，谁就握住了具身智能的上游阀门。

🤖 一场发布会，把数据众包推到机器人跟前

先说这场发布本身。

觅蜂派的玩法并不复杂：用户通过觅蜂派App领取数据采集任务，佩戴名为MEgo的采集设备，在真实场景中完成指定操作，平台按审核后的有效数据时长结算报酬。

注意两个关键词。一个是「真实场景」——官方明确列出了零售、仓储、制造、家庭四类；另一个是「审核后的有效时长」——意味着数据不是采完就收，中间有一道质量闸门。

支撑这套机制的，是官方所说的两张网：「场景网络」与「人群网络」。场景网络连接酒店、餐饮、商超等线下场所，人群网络则连接愿意佩戴设备干活挣钱的人。前者决定数据从哪来，后者决定数据够不够。

“圈子里流传一句话：互联网时代的数据是「用」出来的，物理AI时代的数据得是「干」出来的。

这句糙话其实说到了本质。文本和图像数据可以爬，可以买，可以合成；但一个人怎么在货架前拣货、怎么在后厨备餐、怎么在产线上完成一道工序，这些「程序性知识」没有现成数据集可下载，只能有人真的去做一遍，然后被记录下来。

觅蜂派做的事，本质上是把「去干一遍」这件事，拆解成可派发、可审核、可结算的标准化任务。这是典型的平台思维：不自己养采集队伍，而是做供需两端的撮合与质检。

📦 物理AI缺的不是模型，是「有人味」的数据

为什么物理AI的数据这么难搞？

大语言模型的预训练靠互联网文本，投入是一次性的，边际成本趋近于零。但具身智能不一样——机器人要理解的是三维空间里的物理交互：力度、遮挡、顺序、容错。这类信息既不在网页里，也很难靠纯仿真补齐。

行业里目前获取操作数据大致有四条路，各有各的账要算：

遥操作质量最高，但一台设备配一个熟练操作员，成本压不住规模化；仿真便宜，但sim-to-real的鸿沟至今没有完全填平；公开数据集覆盖不了中国线下场景的具体业态。

众包采集卡在中间：真实性接近遥操作，成本又显著低于组织专业团队。它把「数据生产」摊薄到一个人群网络上——每个人佩戴MEgo设备干自己的日常活，操作本身就是数据。

数据的产业逻辑可以画成一条链：

这条链里最值得琢磨的是两端。上游的场景网络需要一家一家谈下酒店、餐饮、商超的入场资格，这是苦活、慢活，但一旦连成网络，就是别人短期复制不了的资产；下游连着的是正在为具身智能烧钱的模型团队，他们的数据采买预算，直接决定了这类平台的天花板。

🔌 真正难的，是运行时的上下文

再往深一层说。海外数据基础设施圈最近有个观点流传很广：大多数AI context layer都差了一英寸，却错了一英里——因为它们普遍漏掉了最难的那部分：运行时上下文（runtime context）。

什么意思？很多方案给Agent准备的上下文是静态的：一份文档、一个知识库、一个向量库。但Agent真正干活的时候，需要的是三样东西——当前的数据（不是昨天快照，是此刻状态）、共享的定义（同一个词在系统里必须指同一个东西）、写发生之处的权限（谁能改什么，必须落在写入端）。数据在哪被产生、被修改，上下文就应该在哪被组织。

把这个视角平移到物理AI，问题立刻清晰了。

机器人进入的是活的物理世界：货架上的库存每一分钟都在变，工单在流转，权限在交接。如果采集平台只在「训练时」把数据打包干净，而不管「运行时」的上下文如何结构化，那训练出的模型上真机还是会露怯——它见过货架，但没见过这一刻的货架。

一次采集任务，从派发到可用，上下文是层层叠加的：

• 任务派发 ： 场景ID与任务目标绑定
• 设备佩戴 ： 记录人员与设备状态
• 现场操作 ： 捕捉动作与环境信息
• 数据回传 ： 附带时间与场景元数据
• 审核结算 ： 只保留有效时长
• 交付下游 ： 上下文随数据一并交付

据业内做具身智能数据的朋友私下讲，现在很多采买方拿到数据第一件事就是问元数据齐不齐——动作流有了，但「在哪个门店、什么时段、谁有权限动这个货架」这些运行时字段缺失的话，数据价值要打对折。

这其实是给所有数据供给侧提了个醒：采集即治理。上下文结构必须在数据产生的现场就建好，而不是事后在数据仓库里补课。对觅蜂派这类平台而言，审核环节除了筛「有效」，更要筛「上下文完整」——这可能是它和上一代标注众包平台在工程上的分水岭。

⚖️ 众包这门生意，成色要看结算和审核

最后泼一点冷水，谈谈这门生意的难处。

第一难，在质量。众包天然意味着参与者是非专业的，动作规范性、设备佩戴方式、场景配合度都会波动。「按审核后的有效数据时长结算」是一个聪明的机制设计——不合格的数据拿不到钱，激励与质量直接挂钩。但审核本身是重人力、重标准的活儿，审核标准能否工程化、自动化，决定平台是「数据工厂」还是「数据作坊」。

第二难，在场景。「场景网络」听起来轻巧，实际是BD的重资产：酒店凭什么让你的人戴着设备在客房里采集？商超凭什么开放后仓？这里面有商业谈判，也有数据合规与隐私的硬约束——家庭场景尤其敏感。设备记录的是真实经营场所和真实人，知情同意、脱敏处理、数据权属，每一项都绕不过去。这类话题不需要渲染，但需要严肃对待：合规能力本身就是这类平台的竞争力之一。

第三难，在需求侧的节奏。物理AI当前处在资本与模型快速迭代的阶段，数据采买预算跟着模型路线走。平台侧更稳妥的姿势，可能不是赌某一家模型公司，而是把数据做成标准化的、可复用的「场景级资产」，让数据在多个买方之间流通——这又回到了数据要素流通的老命题：确权、定价、交付。

把商业闭环画出来，其实是一个双向飞轮：

飞轮好看，但每一环都是运营活。数据生意的真相从来不是模式取胜，而是把质检、结算、合规这些脏活干到别人不愿干的深度。

小结

觅蜂派这类产品的出现，标志着AI数据供给正在发生一次位移：从「标注已有数据」转向「生产尚不存在的数据」，从数字世界走向物理世界。而运行时上下文的视角提醒我们，物理AI要的不只是动作录像，而是带着场景、时间、权限的完整上下文——上下文建在哪里，数据的复用价值就在哪里。下一步值得盯的，是场景网络的扩张速度和审核机制的自动化程度：前者决定规模，后者决定成色。物理AI的数据地基，正在被一批「让人戴着设备去干活」的公司悄悄浇筑。