智元不只想賣機器人：覓蜂與一座正在擴張的數據工廠

【摘要】具身智能的競爭，正在從“硬件軍備賽” 轉向 “數據產能賽”，數據供給能力將成為下一條行業護城河。過去兩年，人形機器人行業的核心戰場集中在本體、靈巧手、關節參數的硬件比拼，但隨著量產落地加速，真正的瓶頸已經從“造得出機器人” 轉向 “教得會機器人”。真實物理世界的交互數據，正成為全行業最稀缺的資源。

智元旗下覓蜂科技近期高調推出一站式物理AI數據服務平臺，提出計劃2026年實現千萬小時級數據產能、2030年沖擊百億小時級規模。

這不止是一家企業的業務擴張，更標志著行業競爭的底層范式正在切換。數字背后，隱藏了一套圍繞機器人訓練、數據供給與行業基礎設施的新商業邏輯。如果說過去機器人公司的競爭集中在硬件參數，那么下一階段，誰能以更低成本、更高效率持續生產現實世界數據，誰就能掌握下一階段的競爭主動權。

以下是正文：

01

一座“覓蜂工廠”，為什么會成為機器人行業的新樣本

如果說過去兩年人形機器人的競爭是 “硬件軍備賽”—— 比關節自由度、比負載、比運動速度，那么當下行業的瓶頸已經悄然轉移：硬件參數的邊際收益正在快速遞減，數據供給能力，正在成為新的卡脖子環節。

2026年4月，智元旗下覓蜂科技發布一站式物理AI數據服務平臺，兩個數字吸引了全行業的注意：計劃在2026年實現千萬小時級數據產能，2030年實現百億小時級數據產能。這一目標的邏輯并非基于當前模型訓練的直接需求，而是建立在“數據驅動模型持續迭代、場景擴張將帶來指數級需求增長”的長期預判之上。

按照百億小時計算，即便單名采集員每年貢獻2000小時有效數據，也需要數百萬級采集規模。而這一目標能否實現，很大程度上取決于社會化采集網絡、自動化治理工具以及數據標準體系的成熟程度。

據覓蜂科技董事長兼CEO姚卯青公開披露，全球高質量有效物理數據僅約50萬小時，作為對比，大語言模型依賴的人類文本和數字內容已經積累數十年，GPT-5級別大模型訓練語料折算超過100億小時，二者規模差距達兩萬倍。

兩者之間的差距，不僅體現在數量，也體現在獲取方式。文本能夠通過互聯網持續生成，而機器人需要的物理交互行為數據，無法從公開網絡直接獲取。

一個機器人學會整理貨架、搬運箱體、遞送物品或者收納廚房用品，背后需要海量的動作訓練數據支撐：動作過程包含視覺變化、力度控制、空間關系判斷、環境干擾應對、任務失敗后的策略修正，大量細節無法通過語言精準描述，必須通過真實物理交互采集獲得，再經過標注治理后用于模型迭代。

圖源：東方財富網

也正因此，數據產能不足長期制約著具身智能的落地速度。

過去真機數據較常見的采集方式包括拖拽示教、自動收集、遙操作和手持夾爪。其中遙操作是近年來較為流行的方式：操作員通過VR設備、數據手套或者遠程控制系統驅動機器人，再同步記錄軌跡、視覺信息和控制參數。

傳統遙操作是當前主流的高質量數據采集方式。但是一套完整的遙操作設備超過20萬元，疊加人力成本，單小時綜合成本可達數百元，定制化場景可達數千元。

谷歌 DeepMind 研發 RT-1 模型時，調動 13 臺機器人在辦公室、廚房場景持續采集 17 個月，僅累積約 13 萬條操作軌跡，覆蓋 700 余項技能。即便投入巨大，其數據規模與真實世界的復雜場景相比，仍有數量級的差距。

行業早已出現明顯的 “數據缺口”：機器人本體的量產速度，遠快于訓練數據的增長速度。

許多公司擁有本體，卻沒有形成穩定數據來源；擁有實驗室，卻缺少長期場景；擁有模型團隊，但缺乏足夠現實世界反饋——模型能力與商業落地之間，出現了一條由數據缺口導致的斷層。

覓蜂提出的“無本體采集（Robot-free Data Collection）”方案，本質就是試圖打破 “數據產能綁定機器人出貨量” 的約束。

其推出的 MEgo 系列采集設備，包含頭戴視覺系統 MEgo View、采集夾爪 MEgo Gripper 等輕量化硬件，采集過程不再完全依賴機器人本體：普通人穿戴設備后，在工廠、倉儲、商超、家庭等真實場景中完成日常動作，就能持續生成可用于模型訓練的行為樣本。這種方式采集到的動作更符合人類真實操作習慣，也避免了遙操作常見的動作生硬、軌跡不自然問題。

圖源：覓蜂

圖源：覓蜂

這一方式帶來的最明顯的變化就是采集成本和效率的改變。傳統真機采集8小時可能僅產生2～3小時有效數據，而覓蜂無本體方案能夠達到約5小時，接近翻倍，且單套采集設備的成本遠低于一臺工業級機器人本體。

數據產能開始脫離機器人本體的出貨量約束。如果采集設備、采集員和場景能夠獨立擴張，行業將開始出現真正意義上的 “數據產線” 概念：前端進入工廠、家庭等現實世界持續獲取行為數據，后端完成治理和訓練，再重新部署。

換句話說，具身智能的數據生產，正在從封閉的實驗室，走向開放的社會化網絡。未來一個零售員工整理貨架、倉儲工人搬運物品、家庭完成收納動作，這些日常動作都可能成為機器人訓練的數據來源。覓蜂工廠真正生產的不是硬件設備，而是可復用的物理行為數據樣本。

02

從內部資源到獨立商品：數據生意正在重構行業商業模式

如果僅把覓蜂看作智元內部的數據支撐團隊，就完全低估了這步棋的行業意義。智元在推進具身智能落地的過程中最先意識到：模型能力可以通過算力投入、工程優化快速提升，但真實物理世界的數據，生產速度遠跟不上需求增長。

數據必須深入真實場景，需要配套設備、長期場景反饋，更需要統一的行業標準持續迭代。對具身智能行業而言，數據不像代碼可以快速復制，也不像文本可以全網爬取，它是一種必須扎根場景、用時間沉淀的稀缺資源。

也正是基于這一判斷，覓蜂從智元內部業務獨立為市場化平臺。根據澎湃新聞等媒體的公開采訪，覓蜂的定位不只是服務智元自身，而是面向全行業 B 端客戶 —— 為機器人廠商、模型團隊、科研機構提供數據采集、標準化治理、訓練賦能全鏈路服務。

2026 年 5 月 21 日，海天瑞聲正式作為生態伙伴加入覓蜂發起的 “蜂巢數據共創行動”，雙方聚焦行業 “數據荒” 痛點，共同推進高質量物理 AI 數據的規模化采集與標準化治理。這不是普通的商業合作，而是行業數據標準共建的信號 —— 當數據成為通用生產資料，統一的標準體系就是行業基礎設施的核心。

獨立市場化運營意味著，包括智元在內的所有機器人廠商，都成為數據服務的客戶；數據按照統一標準交付，不再依附于單一硬件企業。這標志著數據正式從企業內部的研發資源，變成了可交易、可定價的獨立商品。

這一變化，正在重構機器人行業的商業模式。

過去，行業的核心商業模式圍繞硬件展開：企業賣出機器人本體獲得一次性收入，后續通過維保服務獲得少量持續性收入，營收增長與出貨量高度綁定，本質是 “賣硬件賺差價” 的傳統制造業邏輯。近年來，RaaS（機器人即服務）模式興起，將一次性硬件采購轉為持續性服務付費，一定程度上打破了營收與出貨量的強綁定。而數據服務的出現，則帶來了更具持續性的盈利邏輯：

機器人進入倉儲場景，會持續生成搬運、路徑規劃、故障應對的數據；進入零售場景，會積累貨架整理、人機交互、商品識別的數據；進入家庭場景，則會產生更復雜的日常操作、環境適配數據。模型迭代是永無止境的，企業對新場景、新任務數據的需求就不會停止 —— 數據服務的收入，是真正的持續性、復購型收入。

從覓蜂的業務布局來看，其核心壁壘并不在前端采集設備，而在中游的數據治理環節，這也恰好切中了行業最核心的痛點：當前行業不缺零散的原始數據，缺的是高質量、結構化、可直接用于訓練的多模態數據集。

原始采集數據通常無法直接進入訓練，需要完成位置提取、語義標注、多模態對齊、任務描述、空間重建以及質量評估，最終形成能夠直接用于VLA（視覺 - 語言 - 動作，Vision-Language-Action）、世界模型和具身模型訓練的數據集。

換句話說，客戶買的不是原始動作錄像，而是 “拿來就能訓練” 的標準化數據資產。這種流水線式的標準化供給能力，正是數據服務商的核心護城河。

此外，覓蜂特別值得關注的還有其數據供給方式的變動，這既是對原有采集方式的沿用，更是基于其 “無本體采集” 方案的擴大應用。國際上，特斯拉通過Optimus真機部署采集數據，Figure AI則依賴實驗室高精度遙操作；相較之下，覓蜂的“無本體+眾包”模式走出了一條差異化的輕資產擴張路徑。

覓蜂在其中提供采集設備、行業標準、治理平臺與交易渠道，采集者提供場景與時間，需求方采購標準化數據集 ——數據未來有望像云計算服務一樣，成為全行業可按需取用的底層基礎設施。

03

競爭范式切換：從 “拼硬件參數” 到 “拼數據閉環”

過去幾年，人形機器人行業的焦點始終集中在硬件參數：關節自由度、負載能力、運動速度、靈巧手精度，誰能完成更復雜的動作，誰就是行業明星。這是典型的 “硬件軍備賽” 邏輯。

硬件能力有天花板，數據迭代沒有終點。 機器人每完成一次真實任務，理論上都會生成新的訓練數據：在倉儲場景搬運貨物，會記錄不同重量、不同包裝下的抓取方式與路徑規劃；在零售場景整理貨架，會積累不同商品、不同陳列下的交互策略；在家庭場景執行任務，會適配千差萬別的空間布局與用戶習慣。

現實環境永遠不會完全重復，因此場景數據天然具備先發優勢與時間壁壘。一家企業提前幾年進入物流場景，其積累的數據不會自動消失；另一家公司率先覆蓋家庭服務，經年累月形成的人機交互數據同樣難以復制。硬件能力能夠追趕，模型參數可以通過投入縮短差距，但現實世界數據需要時間。

這也意味著，訂單的意義正在發生變化：過去訂單只是收入來源，未來訂單更是場景入口 —— 拿到工廠訂單，就能獲得工業場景的專屬數據；拿到零售訂單，就能獲得服務場景的交互數據；拿到家庭訂單，就能獲得最復雜的日常行為數據。

當數據成為核心資產，行業的開源生態也會發生微妙的變化。早期具身智能行業普遍強調開源，核心原因是全行業數據總量太少，必須靠社區共同積累才能推動技術進步。但當頭部企業通過先發優勢，在特定場景建立起 “采集 - 治理 - 訓練 - 部署 - 反饋” 的完整數據閉環后，高質量、獨占性的場景數據就會成為核心競爭力。

屆時，盡管采集工具會越來越普及，但長期、穩定、高質量的垂直場景數據依然稀缺，企業主動開源核心數據資產的動力會顯著下降。行業將從 “共同做大蛋糕” 的開源協作期，進入 “各自守護地盤” 的競爭分化期。

最終，新的行業門檻將會形成：誰擁有長期穩定的數據供給能力，誰能覆蓋更多真實商業場景，誰能跑通完整的數據閉環，誰就能在下一階段的競爭中占據主動。

換句話說，具身智能未來的競爭，會從 “誰能造出更好的機器人”，延伸到 “誰能經營好數據資產”。

從這個視角看覓蜂，它要建的不只是數據采集工廠，更是一套面向全行業的數據循環基礎設施：場景產生數據，數據賦能模型，模型落地后產生新的反饋數據，形成持續迭代的正向循環。這套循環跑通，數據將從研發的輔助資源，變成整個行業的底層基礎設施。

04

爭議與隱憂：百億小時目標背后的三重不確定性

覓蜂的無本體采集模式為行業數據缺口提供了新思路，但規模化路徑尚未完全驗證，其擴張邏輯仍面臨三重核心爭議。

一是人機遷移效率存疑。人類與機器人的身體結構、關節自由度、發力邏輯存在本質差異，采集的人類動作數據無法直接用于訓練，必須經過運動學映射、軌跡修正等復雜處理才能轉化可用。行業普遍存在的 “仿真到現實差距”，在人機數據遷移中同樣存在。若有效轉化率偏低，“百億小時” 的產能將存在大量水分，目前覓蜂尚未公開數據訓練轉化率與模型效果對比。

二是眾包模式品控困難。百億小時目標必然依賴社會化眾包擴張，但數據行業規模與質量天然矛盾：實驗室采集質量可控但擴張慢，眾包模式場景分散、人員水平不一，易出現 “量升質降”，多模態數據對齊精度、標注準確性都會受影響。且數據質量需經訓練驗證才能顯現，滯后性強，如何建立實時有效的質控體系，是規模化的核心門檻。

三是供需匹配存在疑問。從公開研究來看，當前主流具身模型訓練對高質量標注數據的需求遠未到百億小時量級 —— 谷歌 RT-1 僅用 13 萬條軌跡完成基礎訓練，全行業年消耗有效數據不足百萬小時。若未來模型架構與數據利用效率無革命性突破，單純擴張產能很可能出現供給過剩，陷入產能空轉的尷尬。

05

芯流視角

姚卯青說，面對數據荒漠，他們算是種下第一棵樹。

但在芯流看來，覓蜂的出現，遠不只是多了一家數據服務商，它標志著具身智能行業的競爭底層，正在發生幾點轉變。

第一，競爭重心從 “造機器人” 轉向 “生產數據”。 硬件能力可以通過供應鏈追趕，而真實物理世界的交互數據，必須靠時間和場景一點點沉淀。 當模型架構逐漸趨同、算力可以按需采購，數據的規模、質量與場景覆蓋度，就成了下一階段拉開差距的核心變量。覓蜂的 “千萬小時產能” 會引發全行業關注 —— 它第一次把數據產能，擺到了和本體產能同等重要的位置。

第二，從內部工具到行業基建，是技術外溢的經典路徑。 覓蜂脫胎于智元內部的數據團隊，本質是把自身踩過的坑、驗證過的方案，打包成標準化服務賣給全行業。這套邏輯并不陌生：阿里云最初只是解決阿里自身的算力問題，后來成了全社會的數字基建；自動駕駛的數據標注平臺，也大多從車企內部團隊獨立而來。

這種模式的價值在于一次布局、雙重收益 —— 既通過數據服務賺取行業收入，也通過標準制定筑牢自身的生態競爭壁壘。

覓蜂種下的這棵樹，能不能長成森林還未可知，但可以確定的是，數據產能已經成為具身智能行業無法回避的核心變量。未來，沒有穩定數據供給的機器人公司，將會在新一輪競爭中越來越被動。具身智能的下半場，拼的從來不是誰的硬件參數更亮眼，而是誰的數據護城河更深厚。