机器人数据淘金热为何时日无多

一种新的副业正在东南亚流行开来，而它并不需要学习新技能。

工人们——无论他们是靠切菜、打包，还是组装笔记本电脑为生——正在将摄像头绑在头上，记录自己工作时的情景。这些视频随后被卖给数据公司，数据公司再将其出售给机器人公司，用于训练机器人完成同样的任务。

从表面上看，这对工人们来说似乎是一笔不错的买卖。总部位于雅加达的外包公司 MyRobin 的联合创始人兼首席执行官 Siddharth Kumar 表示，一名每天录制五到六个小时的工人，每月最多可赚取330万印尼盾（约合187美元）。这大约是雅加达最低工资的50%到60%，是他们在日常工作薪水之外的额外收入。

“你不需要做任何额外的工作，”Kumar 指出。“这只是一笔不错的零花钱。”

这种需求源于机器人竞赛中的一个简单缺口：机器人需要学习人类如何完成体力任务，但大部分所需的第一人称数据在网上并不存在。

这引发了一场对“自我中心”（egocentric）数据，即从个人视角录制的视频的争夺。机器人实验室使用这些数据来训练视觉-语言-行为模型，以帮助机器人理解所见并决定如何行动。

买家包括开发机器人“操作系统”的公司、涉足软硬件的机器人公司，以及为特定工厂或仓库环境配置机器人的制造商。这是根据 Manish Agarwal 的说法，他位于班加罗尔的公司 Humyn Labs 致力于收集和准备实体人工智能训练数据。

但这场热潮可能有一个内在的终结日期。虽然自我中心视角的视频制作成本低廉，且在现有数据集中有所缺失，但其在训练中的有效性存疑。此外，这些视频只能根据人们所见的来教导机器人，而视觉能教给机器的东西是有限的。

例如，在体力劳动中，了解工人用多大的压力握住一个物体而又不把它压坏，这一点至关重要。

SEE ALSO

Samsung creates new robotics division; plans research hubs in US, China and Japan

总部位于新加坡的 Hand Plus Robotics 公司联合创始人兼首席执行官 Albert Causo 表示，大多数情况下，视觉只能帮助机器人识别物体的位置、如何接近它以及任务是否完成。他认为，这意味着在一小时的原始自我中心视角录像中，被认为可用的部分可能只有五分钟甚至更少。

复刻 ChatGPT 的成功之道

接受 Tech in Asia 采访的消息人士称，对自我中心数据的需求范围广泛但尚不成熟。机器人实验室希望训练机器人完成折叠衣物、清洗碗碟等家务，以及工业和商业环境中的任务。

重点不只是数量。买家希望数据在人员、环境、地理位置、光照条件、工具以及所犯错误的类型上具有多样性。

总部位于新加坡的视觉人工智能初创公司 Datature 的联合创始人兼首席执行官 Keechin Goh 表示，许多机器人公司正试图复刻 ChatGPT 的成功策略。这意味着收集足够的相关数据，预训练一个模型，然后用更具体的反馈对其进行优化。

这并不意味着机器人实验室从零开始，因为开放的自我中心数据集已经存在。像 Nvidia 这样的公司也发布了免费的基础模型供实验室使用，但 Goh 表示，这些资源并未消除对专有数据收集的需求。

他补充说，公开数据集仍然有限，尤其是与人工智能公司在开发基础模型早期阶段可用的数据相比。

“在那之前，人们会尽可能地收集他们能收集到的一切，”Goh 指出。

MyRobin 的 Kumar 表示，他的公司在2025年底左右开始收到主动问询。他最初忽略了这些请求，但在多家公司接洽后，他意识到机器人数据收集可以成为一项新的业务。

与 MyRobin 合作的第一步是，客户需要明确机器人需要训练的任务类型以及所需的小时数。然后，他们会将摄像头发送给该公司或其现场合作伙伴。

工人们接受培训后，会被要求将手和物体保持在画面内，避免拍到脸部，并在休息时关闭摄像头。录制完成后，SD 卡或上传的视频会发送到一个控制面板，MyRobin 会在那里检查光线、手部可见度、空闲时间和其他瑕疵。质量差的录像可能会被拒收，并需要重新录制。

即便如此，数据收集只是第一层。录像必须经过剪辑、标记、匿名化处理，并转换为机器人实验室可以使用的格式。

工人们接受培训后，会被要求将手和物体保持在画面内，避免拍到脸部，并在休息时关闭摄像头。录制完成后，SD 卡或上传的视频会发送到一个控制面板，MyRobin 会在那里检查光线、手部可见度、空闲时间和其他瑕疵。质量差的录像可能会被拒收，并需要重新录制。

即便如此，数据收集只是第一层。录像必须经过剪辑、标记、匿名化处理，并转换为机器人实验室可以使用的格式。

Kumar 承认，自我中心数据收集业务尚未为 MyRobin 带来可观的收入，但他预计随着客户的要求超越第一人称视频，开始送来手套和其他类型的设备以捕捉不同的刺激信号，这项业务将会发展演变。

轻易赚钱的隐忧

让工人开始录制视频的成本也不高。

总部位于旧金山的 BergLabs 创始成员 Nikita Sadhnani 表示，这通常只需要一部低端安卓手机和一个用来固定手机的头带。BergLabs 专注于视频质量控制和行为标记。

但业内一些人士担心，在工厂里拍摄的视频并非某些人所宣称的“金矿”。

总部位于新加坡、专门制造用于捕捉自我中心视角视频的特种摄像头的 Frodobots 公司联合创始人兼首席执行官 Michael Cho 表示，机器人技术需要真实世界的多样性。

工人们在流水线上记录自己重复同一动作的价值有限。几天后，可能就没有什么新的信息可以收集了，一旦出现这种情况，公司通常会很快转向别处。

“那种环境无法提供太多‘熵’（entropy），”他补充道。

在机器学习的语境中，“熵”简单来说就是有用的变量。餐厅或人行道上的情况可能随时变化，而工厂的设计恰恰相反，旨在通过标准化几乎所有东西来尽可能地消除意外。

由于该行业尚处于起步阶段，自我中心视角视频市场的总价值仍然难以估量。但 Humyn Labs 的 Agarwal 表示，他的公司已签订了约550万美元的合同，并有价值4000万至5000万美元的待签约项目。

具体而言，印度和东南亚已成为重要的数据收集中心，因为这里可以以更低的成本、更大规模地招募工人。但这一优势也伴随着一个问题：这可能使该地区成为廉价原材料的来源地，而不一定能成为下一阶段机器人技术竞赛的赢家。

Stellaris Venture Partners 的投资人 Sayantan Sarkar 表示，原始数据收集业务几乎没有技术护城河。硬件相对容易采购或组装，这项业务主要就是将摄像头交到足够多、身处足够多不同场景的人手中。

他指出，真正的回报是能够直接接触到像 OpenAI 或 Physical Intelligence 这样的前沿实验室，并向他们出售带有注释的高质量数据，这些数据“比原始录像有价值得多”。

Agarwal 对此表示同意。他说，来自单一、仅有视觉的摄像头的未处理录像，处于质量谱系的低端。

能够捕捉平面视频以外信息的设备更为重要。多个同步摄像头可以显示手或物体在三维空间中的位置，而触摸和运动传感器则可以显示使用了多大的力，或者物体在处理过程中是否滑落。

Agarwal 表示，在过去一年中，原始自我中心数据的价格已经下跌，从每小时录像约6至10美元降至如今的大约2至3美元。他补充说，原因是更多的供应商意识到，他们可以招募成本更低的工人，录制大量视频，并在需求依然旺盛时将其出售给实验室。

“如果我们停留在原始数据收集阶段，我们将在9到12个月内变成无用的商品，”他论证道。

BergLabs 的 Sadhnani 表示，出于对重复数据集在签有独家协议的情况下被转售的担忧，买家也变得更加谨慎。

一些实验室也开始将数据收集和处理工作转为内部进行，而另一些则依赖于能够证明其质量和规模的优选供应商。

未来将不再以自我中心视角为主

Agarwal 说，然而就目前而言，实验室仍在购买不完美的数据。在缺乏高质量多模态数据的情况下，他们会购买现有数据，根据质量打折，然后自己进行处理。

这种自我中心视角视频的安排也为工人们带来一个显而易见的问题：他们收钱帮助训练的机器，有朝一日是否会取代他们？

MyRobin 的 Kumar 表示，他并未发现有工人直接提出这种担忧，但他猜测可能有人问过。他的观点是，一些任务最终会被自动化，同时会出现新的人机协同角色，但他没有进一步详细说明。

多位消息人士一致认为，下一波机器人数据收集热潮将涉及工人不仅佩戴摄像头，还要佩戴手套或其他输入设备，以捕捉交互力、触觉信息和手部动作。

这种转变已经开始，买家开始要求在收集中加入手套、手腕摄像头、深度传感器甚至手臂追踪系统。但这些设备比绑在头带上的手机更昂贵，也更难规模化。

“（在视觉和触觉之间）来回切换是最重要的事情。我们的大脑非常擅长这一点，”Hand Plus Robotics 的 Causo 指出。

未来的趋势很可能不是自我中心视角视频的消失，而是其地位的下降。取而代之的是，专业化且标记良好的交互数据将成为保费产品。

Causo 认为：“这种转变不会很快发生。它将在6到12个月后到来。” TECH IN ASIA