24 小时、白夜班各一个审核主管：从特斯拉这张招聘清单，反推一条数采线该怎么排班
特斯拉在六个城市招 Optimus 数采岗，七个岗位从采集员一直排到项目管理，其中「数据审核主管分白班与夜班」这一句最露底——它说明这条线是 24 小时不停、且质检不能等第二天。把招聘清单翻译成组织图，再乘上 Ego 数据的效率倍率，一条数采线的产能公式就出来了。
- 招聘事实：华鑫证券 2026-11-02 09:25 周报披露，特斯拉近期在官网与各招聘平台开放一系列 Optimus 数据采集岗位，地点集中在加州 Palo Alto、Fremont，得州 Austin，佛州 Orlando、Doral、Tampa 共 6 城。
- 七类岗位：数据采集员、现场带班、主管、数据审核、培训、硬件、项目管理，覆盖「采集执行 → 运营支持」全链条；其中数据审核主管分白班与夜班——这是「24 小时不间断」最硬的证据。
- 另一条产线：特斯拉在 2026 Q3 电话会宣布搭建「机器人学院」，计划通过 1–2 万台机器人自博弈完成数据采集。这跟人类采集是两条不同的产线，产能差两个数量级。
- 效率倍率：国信证券同日深度引 EgoMimic 研究——人类示范的采集效率约为机器人遥操作的 10.4 倍；EgoScale 研究里 Ego 预训练数据从 1000 小时加到 20000 小时，真机平均任务完成度从 0.30 升到 0.71（+137%）。
- 判断：一条数采线的产能不取决于有多少人，取决于「审核」这一段能不能跟上。采集可以两班倒，审核也可以；但审核要出的是一致性判据，判据不统一，人越多数据越脏。
先看这张招聘清单本身。六个城市：加州的 Palo Alto 与 Fremont，得州的 Austin，佛州的 Orlando、Doral、Tampa。七个岗位：数据采集员、现场带班、主管、数据审核、培训、硬件、项目管理。
很多人看这条消息只记住了「特斯拉在扩招数采团队」。真正有信息量的是岗位结构——它不是招一批人去搬东西，是招一整套人把「搬东西→变成数据→变成能训练的东西」这条流水线立起来。
| 岗位 | 在这条线里干什么 | 为什么必须有 |
|---|---|---|
| 数据采集员 | 穿戴设备、重复执行指定动作 | 产能的基本单位，按人时计 |
| 现场带班 | 管当班节奏、任务切换、异常处理 | 采集是重复劳动，节奏一松数据质量就掉 |
| 主管 | 管多班次、跨场地排产 | 多城市并行时才需要这一层 |
| 数据审核（白班／夜班） | 判定这一条数据能不能进训练集 | 唯一决定「数据是否可用」的环节 |
| 培训 | 把动作规范教给新采集员 | 人一换，动作就变形，一致性靠培训守 |
| 硬件 | 设备维护、标定、故障更换 | 相机一歪，整批数据报废 |
| 项目管理 | 排期、交付、跨团队对齐 | 数采是长周期投入，必须有节奏表 |
七个岗位里，最容易被低估的是第四个：数据审核，而且分了白班和夜班。
这一句值得单独拆。采集排两班，是因为设备不能停；审核排两班，是因为采集出来的数据必须当天判完，否则第二天采集员就不知道自己昨天哪里做错了。换句话说，审核不是事后质检，是采集的反馈回路——夜班审核主管的存在，等于承认这条线是「边采边纠」。
特斯拉走的这条路线叫 Ego 数据：采集员戴上头显或颈挂设备，在日常环境里用双手完成任务，设备记录第一人称视频，再通过 SLAM 轨迹恢复、三维手部姿态估计、逆运动学与动作重定向，转成机器人能用的动作空间。国信证券的深度里给了一个具体画面：数十名员工模仿日常动作，在 8 小时轮班里重复数百次，头盔和背包上固定 5 台摄像机全程记录。
这条路线的效率优势很明确：EgoMimic 的研究显示，人类示范的采集效率约为机器人遥操作的 10.4 倍。同样是一小时的有效数据，用遥操作要一个人盯着机械臂慢慢来，用 Ego 采集只要一个人正常干活。
但把数放大，会看到一个很残酷的结论。
按人算：假设 50 名采集员、每天 8 小时、每月 22 个工作日，月产能约 8800 人时。要攒到 100 万小时，需要 约 113 个月——九年半。
再加一条：这还是理想值。真实采集里有换装、标定、重录、审核退回，有效率通常打七折。按七折算，时间要拉长到十三年以上。
按机器算：1 万台机器人、每天跑 8 小时，一天就是 8 万机时；攒 100 万小时只要 12.5 天。
这就是为什么特斯拉在 Q3 电话会上讲的不只是招人，还有「机器人学院」——用 1–2 万台机器人自博弈完成数据采集。人类这条线做的是「定义什么是对的」，机器人那条线做的是「把这个对的东西重复一千万遍」。
如果把上面这些拼起来，一条 24 小时真机数采线大概是这个样子——不是标准答案，是一个可以拿去改的骨架：
这张表里有三个容易被省掉、但省掉就出事的环节：
第一，设备状态表。Ego 路线的设备是头显加多台相机，戴在人身上。人一动，相机就可能偏几毫米；几毫米的偏移，会让手部姿态估计整批漂掉。硬件岗存在的意义就在这里。
第二，退回率的日监控。退回率是一个很灵敏的仪表：它同时反映采集员的理解、审核判据的清晰度、以及任务卡的设计质量。退回率长期高于两成，说明问题在判据，不在人。
第三，跨班次的一致性检验。白班夜班采同一批任务，如果数据分布明显不同，那这条线训出来的模型会有「时段偏置」。这一点很少有团队专门测，但成本极低——同一任务卡跑两个班次，比一比动作时长与轨迹分布就行。
最后说成本。国信证券引的数据是：未标注 Ego 数据约几十元一小时，处理后的高质量数据几百元一小时，采集设备千元级，信通院口径下整套设备数万元。对比本号此前算过的真机遥操作数据成本（本体折旧口径 105 元至 640 元一小时），Ego 路线便宜在设备，不便宜在处理——真正贵的工序在「从视频到可用动作」这一段。
所以如果要自建一条线，预算该这么分：设备只占小头，人力的大头不在采集而在审核与处理，而最大的隐性成本是「判据反复改」带来的重采。先把判据写清楚，再招人，顺序反了会烧掉很多钱。