# 具身数据工厂：训练师、270 台套、年产 2000 万条，采集到底多贵
> 有效采集时薪 70 元，中介渠道 15 元；专业遥操员干 8 小时产 2–3 小时有效数据；真机数据报价每小时 500–1000 元。把这些数字排在一起，具身数据工厂这门生意的真实形状就出来了——它卖的从来不是数据。
### TLDR
- **缺口的两个数字差了两万倍**：行业称训练通用具身智能需要 100 亿小时真实交互数据，而国内合规可用的真实物理交互数据仅 50 万小时。
- **采集员的价差极大**：企业直招的有效采集时薪 70 元；部分中介渠道每小时 15 元，日结、扣保险后一天到手 147 元。
- **产能系数是这门生意的核心**：专业遥操员工作 8 小时，平均只能产出 2–3 小时有效数据；京东科技的口径是「一年前带本体干 8 小时只产 1 小时」。
- **真机数据的报价**：约每小时 500–1000 元；要求技术背景或驻场的采集员月薪 8000–15000 元。
- **规模化基建的产能**：石景山一、二、三期共近 270 台（套）机器人满负荷运转，年产高质量数据近 2000 万条；二期百余台双足人形年产出超 600 万条。
- **最反常识的一条**：「有效」不是数据的属性，是数据与某个模型、某副身体、某项任务的匹配关系。这意味着「我有 X 万小时数据」这句话本身没有信息量。
### SRC
薪酬与从业规模数据（有效采集时薪 70 元、兼职规模近百万级、中介 15 元/小时、日薪 200–300 元）来自北京日报客户端记者调查，经北京市政府门户网站 2026 年 9 月 4 日转载，为可核查的官方渠道；其中基元智航 CEO 高少龙给出的「100 亿小时需求 / 50 万小时存量」为行业估算的单一信源，非统计口径数据。产能系数（8 小时产 2–3 小时有效数据）、真机数据报价（每小时 500–1000 元）、驻场采集员月薪（8000–15000 元）来自虎嗅·降噪 NoNoise 与 CBNData 的同题报道，标注为「根据公开信息估算」。《具身智能训练场研究报告（2026 年）》引述自中国信通院人工智能所联合发布版本。石景山训练中心的 270 台（套）与年产 2000 万条，来自北京市政府门户网站 2026 年 9 月 1 日石景山区公告，为官方口径。觅蜂科技 2 万套设备、100 万小时数据与「无本体成本低于仿真」的表述来自新华财经 2026 年 9 月 3 日采访，为企业自述的单一信源。
### BODY
1先算缺口
100 亿小时和 50 万小时，这两个数不能相减
基元智航 CEO 高少龙给出的两个数字被广泛引用：训练通用型具身智能机器人需要 100 亿小时多场景真实交互数据，而目前国内合规可用的真实物理交互数据仅 50 万小时。
需求与存量行业估算，单一信源，非统计量
目标 · 100 亿小时
按 50 万小时现有存量计算，差距约 20000 倍。
即使按最乐观的产能扩张速度，这个缺口也不可能在可预见周期内靠「采集」填平。
存量 · 50 万小时
「合规可用」是限定条件——大量已采集数据因格式不一、标注缺失、授权不清而无法进入训练集。
分母里的水，比分子里的更不好估。
两个数字来自同一位业内人士的估算，缺口的量级本身就是估算的。它可以说明方向，不能用来做产能规划。
判断：「100 亿小时」不是一个工程指标，是一句用来募资和招商的话。没有任何人验证过通用具身智能到底需要多少小时——这个数字是按语言模型的 token 量级外推出来的类比，不是实验结论。复旦肖仰华教授的表述更诚实：他给出的是「数据鸿沟至少两个数量级」这个保守估计，而不是一个确切终点。
做排期时把它当目标，会得出「永远做不完」；做预算时把它当分母，会得出「投多少都值」。两种用法都是错的。
2采集员的账
70 元和 15 元，同一份劳动
据北京日报客户端调查，企业给具身智能数据采集员的薪酬标准是每小时 70 元（按有效采集时长计），部分地区叠加专项补贴。可调动的兼职数采员规模已接近百万级，分布在东北、新疆、贵州、安徽等地的三四线城市与乡镇。
但同一份劳动在不同渠道的价差极大：部分人力公司直招岗位每日工作 5–8 小时，日薪 200–300 元；而通过中介接单的从业者，时薪只有 15 元。报道中的一位从业者 7 月起经中介兼职，日结，一天录制下来扣除保险到手 147 元。
采集侧的三组价格北京日报调查，2026-09-04
直招折算 · 日薪 200–300 元
约 25–60 元/小时
最高与最低相差 4.7 倍。价差本身说明这个行业的用工价格发现机制还没建立，也说明「采集成本」这个数字在不同公司嘴里不是一个东西。
还有一个容易被忽略的成本：这份工作并不轻松。报道中提到，从业者需要头戴较重的摄像设备（不能大幅晃动头部，否则采集无效）、手上使用模拟机器人抓握动作的机械抓夹，手臂长时间悬空，同一动作重复几十次甚至上百次。有从业者形容「累过进厂打螺丝」。
这直接影响数据质量：一个疲劳的采集员做出来的动作，与真实场景里的自然动作分布是有偏差的，而这种偏差会被模型学进去。
3产能系数
8 小时里只有 2–3 小时算数
这是数据工厂最该被记住的一个数字：一名专业遥操员工作 8 小时，平均只能产出 2–3 小时有效数据（公开信息估算）。京东科技集团副总裁何贺给的口径更狠——一年前，员工带着机器人本体干 8 小时，往往只能产出 1 小时有效数据。
有效数据的折损链每一环都在漏
= 有效
2–3 小时（专业遥操员）；带本体场景曾低至 1 小时
报价时如果按工时算，会低估成本 3–8 倍。所有数据采购合同都应该按有效时长结算，而不是按人天。
判断：这个系数决定了数据这门生意的毛利结构。按每小时 500–1000 元的真机数据报价、一个遥操员 8 小时产 2.5 小时有效数据来算，单人单日的产值上限在 1250–2500 元，而成本是薪酬 + 场地 + 设备折旧 + 电费。这中间的余量，比外界想象的薄得多。所谓「数据生意暴利」，在这个系数面前站不住。
4成本顺序在翻转
仿真最便宜这个默认假设，可能已经不成立
过去两年行业的默认成本顺序是：仿真 < 无本体（UMI）< 真机。采购策略也是按这个顺序做的——先买便宜的仿真数据铺量，再补真机数据做适配。
觅蜂科技（智元机器人孵化）董事长兼 CEO 姚卯青在新华财经 9 月 3 日的采访里给了一个会颠覆这个顺序的说法：无本体数据的单小时成本，甚至已经低于仿真数据。同一批信息里还有：觅蜂第 2 万套 MEgo 无本体采集设备下线，累计生产的无本体数据已超 100 万小时。
三条路线的成本结构「无本体 < 仿真」为单一信源企业自述，需打折
| 路线 | 成本项 | 优势 | 代价 |
|---|
| 仿真 | 算力、场景建模、引擎授权 | 可无限扩量，可造失败样本 | sim-to-real 差距，物理保真度不足 |
|---|
| 无本体（UMI） | 轻量设备、人力、场景协调 | 真实人类操作分布，成本快速下降 | 缺力控与触觉，无本体动力学信息 |
|---|
| 真机遥操作 | 本体折旧、场地、专业操作员 | 数据与目标本体完全对齐 | 产能系数低（8h→2–3h），单价最高 |
|---|
三条路不是替代关系，是分工关系。真正的问题不是哪条最便宜，而是按什么比例配。
英伟达那个被广泛引用的例子说明了配比的可能性：用少量人类演示生成 78 万条合成轨迹，相当于 6500 小时人工示范数据，整个生成过程只用了 11 小时。这就是「用昂贵的真机/人工做种子，用仿真或无本体做扩量」的标准打法。
Figure 的经历则从反面说明了配比失败的样子：它曾向外部供应商采购数据，后来发现这些数据很难同时满足自家模型对规模、多样性和质量的三重要求，于是转向自建 Index 平台做众包采集，目前已向创作者支付 1500 万美元。
判断：Figure 这条经验值得所有打算采购数据的团队抄下来：外部数据最常见的失败模式不是质量差，而是三个维度里只满足两个——量大且便宜的往往同质化严重，多样且真实的往往量上不去，量足且多样的往往标注粗糙。采购前先想清楚自己当前缺的是哪一维，不要用「全都要」的标书去招标。
5训练场到底在卖什么
数据回购条款，暴露了真实商业模式
中国信通院人工智能所联合发布的《具身智能训练场研究报告（2026 年）》给出了一句很关键的判断：训练场属于重资产投入，数据产品出售虽然最快形成收入，但仅依靠卖数据难以覆盖重资产投入，回本周期较长。
配合另一条信息看，商业模式就清楚了：多名从业者透露，一些地方愿意出钱购买机器人、建设训练场，但在项目谈判时会要求机器人公司回购数据。回购条款本质上是给这笔重资产投资做的一张保单。
规模化数据基建的产能参照官方口径与建设方口径并列
北京石景山（官方口径）
· 一、二、三期共近 270 台（套）机器人满负荷训练
· 年产高质量数据近 2000 万条
· 二期百余台全尺寸双足人形，年产超 600 万条
· 三期聚焦触觉及多模态感知
深圳「具宝盆」（建设方口径）
· 支持 百台终端并行采集
· 覆盖 50–100 类任务场景
· 预计降低 30%–50%初期研发成本
· 同时建 UMI 与高保真遥操作两类数据
左栏为北京市政府门户网站的官方数字，右栏为建设方预期值。两组数字口径不同（条 vs 类/台），不可直接比较，仅作量级参照。
最后回到那个最反常识、也最该被记住的判断。虎嗅·降噪 NoNoise 的报道里有一句说得非常准：「有效」很难成为数据自身的固定属性，它取决于数据能否与某个模型、某副身体和某项任务匹配。
这句话的推论很硬：供应商交付 1000 小时有效数据，可能只是完成了前两层；客户期待的却是机器人能力随之增长。从拍下一段动作，到机器人真正学会，中间存在一条数据折损链。宇树创始人王兴兴的说法是，机器人每进行一次输入和输出，都可能产生偏差和损失。
所以产业链上出现了一种根深蒂固的错位：供应商按设备、人工和采集时长投入成本，客户却只愿意为模型效果付钱。中间的损耗由谁承担，是这门生意至今没算清的一笔账。
判断：这决定了具身数据暂时不可能像普通商品一样被标准化交易。客户很难只下单买「1000 小时数据」，更常见的需求是：某款机器人执行特定任务的成功率只有 60%，供应商需要判断缺哪些场景和动作，再设计采集、清洗、训练和补采方案。
换句话说，这门生意的真实形态不是卖数据，是卖「提升某个具体成功率的工程服务」。按小时报价的公司会死，按成功率提升报价的公司才活得下去。
6可操作清单
如果你要采数据，先算这五笔
数据采购/自建的五笔账面向本体厂商与集成商
第一笔
按有效时长报价，不按工时。遥操场景按 8 小时产 2–3 小时折算，带本体的保守按 1:3 到 1:8 折算。
第二笔
先定义缺哪一维——规模、多样性、质量——三选一做主指标。全都要的标书拿不到好数据。
第三笔
确认数据格式能否接入你的训练链路。格式不对齐，再多的小时数也只是文件体积。
第四笔
把采集员疲劳导致的分布偏差算进质量折扣。长期重复同一动作的样本，多样性会衰减。
第五笔
把验收指标写成「某任务成功率从 X% 提到 Y%」，而不是「交付 N 小时数据」。前者可验收，后者可扯皮。
第五笔最重要。它同时也是把你自己从「卖数据」变成「卖效果」的那一步。
本文的边界
薪酬、从业规模、中介价差来自北京日报客户端记者调查（经北京市政府门户网站 2026-09-04 转载），为可核查渠道，但样本为个案，不代表全行业分布。「100 亿小时需求 / 50 万小时存量」为高少龙
个人估算的单一信源，非统计口径，本文已明确其性质。
产能系数（8h→2–3h）、真机数据报价（500–1000 元/小时）、驻场月薪（8000–15000 元）在原报道中标注为「根据公开信息估算」，非实测统计。觅蜂科技的「无本体成本已低于仿真」、2 万套设备与 100 万小时数据，均为
企业自述的单一信源，本文已标注需打折对待。
《具身智能训练场研究报告（2026 年）》的具体发布机构表述为「中国信通院人工智能所联合发布」，本文未获取到报告原文，仅转述媒体的引述内容。
解读时间：2026-09-04。