今年，具身智能赛道吸引了上百亿元融资，但有一项关键数据几乎无人提及：训练一个能稳定抓取杯子的机器人策略，背后需要一个人大约花六个月时间处理数据。
不是采集数据，而是清理数据。
摄像头记录的原始素材中，大约只有三成能用于训练。其余七成是机械臂无用的抖动、传感器异常产生的鬼影，以及机器人“偶然”完成任务但因果链断裂的无效轨迹。湖北人形机器人创新中心给出了更直观的数据：一名训练师每天实际操作8小时，最终能用的有效数据只有两到三个小时。
这意味着，如今最前沿的机器人公司，其核心产能受制于一个听起来像上世纪90年代制造业才有的问题——质量管控。
而这项“质量管控”的时薪，已被抬到几百元，却仍难找到愿意长期从事的人——通过真实机器人远程操控采集有效数据，每小时成本在500到2000元；使用无本体头戴视频采集，成本降至三分之一，但数据清理这一环节，谁都绕不开。
这个场景几乎不会出现在任何关于具身智能的融资报道中。但正是这些从事“质量管控”的人，决定了那些估值几十亿的机器人公司，能否真正让机器学会执行任务。
要理解为何“清理数据”突然变得如此关键，需先看清AI数据工程的两条截然不同的路径。
大模型时代的数据标注，已是一台高效运转的机器。给图片画框，Scale AI等公司按每张简单框0.035美元、每张语义分割0.84美元计费，复杂3D点云则每帧4.5到6.2美元。在众包平台Amazon Mechanical Turk上，简单图像分类标注的官方指导底价为每张图1.2美分（0.012美元）。
标注员遍布全球，通过Remotasks、Appen等平台接单，像流水线工人一样完成微小任务。理想汽车在2023年披露过一组数据：过去一年，1000万帧自动驾驶图像的人工标注外包成本接近1亿元，而改用大模型自动标注后，同样工作量仅需3小时完成。
整个行业正被“模型预标注加人工审核”模式快速取代。目前，简单图像分类标注的官方底价已降至每张0.012美元，而复杂标注（如边界框）价格仍在0.08到0.13美元之间，不同任务类型的价格差异较大，不宜简单计算跌幅。
但具身智能的数据清理，则完全是另一番景象。
这里处理的数据并非来自互联网的文本和图片，而是机器人在物理世界中摸索时产生的多模态时序流——RGB-D视频、激光雷达点云、关节角度、力反馈、IMU数据，全部混杂在一起，还伴有时间戳错位、传感器漂移、摄像头抖动等“物理世界的噪音”。
据媒体报道，Micro1每月从71个国家的约4000名工人手中收集16万小时的头戴视频，工人时薪因地区而异，从约2美元到40美元不等；而真实机器人远程操控工位的单站硬件成本为5万到15万美元，完全摊分后的采集成本为每小时118到200美元，一名操作员一天难以产出200条演示数据。
这些数据并非静态的。
大模型标注一条样本，看完即可打标签；具身数据则是一条完整的“任务回合”——机器人从尝试到失败、调整、成功（或最终失败）的全过程。清理时不能只看单帧，而需理解整条轨迹的因果链：哪一步做对了，哪一步是偶然蒙对的，哪一步直接导致失败。
π0预训练使用了约1万小时的机器人远程操控数据。而π0.7在空气炸锅任务上，成功率从5%跃升至95%，靠的是研究人员花费约30分钟优化自然语言指令，并未新增任何训练数据——这恰恰说明，具身数据中“提示或因果”的清理，比单纯堆叠采集时长更有价值。
一个抓取任务的任务回合可能长达几分钟，清理一条数据需要几十分钟甚至更久。而一个机器人策略要收敛，往往需要几十万条这样的样本。这就是为何大模型标注可以依赖人海战术，而具身智能的数据清理至今仍是“手工作坊”——并非不想规模化，而是难度太大。
大模型标注能够实现众包，有一个前提：任务的评价标准相对明确，且出错后可重新标注。
给一张图片中的猫画框，十名标注员画出的结果大致相同；判断一段对话是否有害，尽管主观，但至少可通过标准对齐。标注出错时，模型训练过程中自然会给予低权重，不会造成重大事故。
具身数据清理不具备这些条件。
首先，它需要领域知识。让一名众包标注员观看一段机械臂的操作录像，他无法判断什么是“合理的抓取姿态”、什么是“关节限位内的运动”、什么是“力控参数异常”。这不是贴标签，而是理解物理交互的含义。湖北人形机器人创新中心的描述很直接：训练师将“送水”拆解成机器人数十个动作，每一帧都需要人工标注成机器人可理解的动作语言，才能符合要求。
其次，它无法“出错重来”。具身数据的清理结果直接决定下游策略能否学到正确行为。如果清理时将一段“偶然成功但因果链断裂”的轨迹当作正样本，模型就会学到错误的关联——例如，认为“先抖动再抓取”是成功的关键。
这种错误在仿真中可能不明显，一旦应用到真实机器人就会失败。
Sanctuary AI在汽车线束插接任务的概念验证中，实现了99.5%的成功率和单周期2.54秒的耗时。如此高的成功率，背后是对失败轨迹的严格剔除——这正是具身数据清理价值的体现。
因此，目前几乎所有从事具身智能的实验室和公司，清理数据的都是自己的工程师和研究生。他们采集数据、清理数据、训练模型、部署验证、发现失败、回头分析数据问题——人在这个闭环中既是生产者、质检员，又是调试员。
一位具身智能创业公司的CTO算过一笔账：他们团队五人，每周能采集并清理出约2000条有效样本。按此速度，攒够一个中等规模策略训练所需的数据量，需要大半年。“而且这还是我们全力投入数据工作的结果，”他说，“算法迭代反而成了次要矛盾。”
更深层的问题在于，“数据演示工人”这一工种在法律上尚无明确的劳动关系定义——它应算作独立承包商还是雇员？是否需要支付加班费？拍摄视频中出现的人脸是否构成生物识别信息？
全行业都没有答案。
DoorDash的反应便是一个缩影：它将Tasks App推送给800万骑手拍摄家务视频时，主动排除了加州、纽约市、西雅图和科罗拉多州——这四个正是全美零工工人分类法规最严格的司法管辖区。DoorDash宁愿放弃这些市场的潜在数据，也不愿冒“因新增用工场景而被重新认定为雇主”的法律风险。
在国内，京东在宿迁发动十万市民佩戴JoyEgoCam拍摄物流和家庭场景，提出两年1000万小时的目标，但清理环节仍保留在自有数据湖和合作方的工程团队中，未下沉到众包。
大模型标注行业的发展历程，某种程度上预示了具身数据清理的下一步——自动化。
目前已出现一些探索。
火山引擎将豆包VLM用于具身视频的原子动作级切分，帧级精度达几十毫秒，可自动生成语义标签、判断成功与否、检测夹爪交互，准确率超过90%，已接入星海图、穹彻智能的管线。
如祺出行将第一视角操作视频进行“手部检测、相机位姿估计、3D手部姿态优化”三段式AI预处理，再交由人工质检。
京东JoyEgoCam采集的视频进入AI数据湖后，自动进行去畸变、深度重建、语义描述，宣称将“原始视频到开箱即训”的环节大幅压缩。
觅蜂科技MEgo Engine将预处理、空间重建、多模态标注、质量评测串联成自动闭环，声称效率比纯人工高10倍。
但落地难度完全不在一个量级。
大模型标注的自动化，本质上是让一个更大的模型为小模型的数据打标签——都是数字世界中的信息加工。具身数据清理的自动化，则需要模型理解物理世界中的因果关系。
一段轨迹看起来“动作流畅、目标达成”，但可能只是由于桌面的摩擦力恰好让物体滑到了正确位置。VLM目前能判断“动作是否成功”，但无法区分“做对了”和“碰巧对了”——后者正是具身数据中最有害的噪声。
VLM打标后仍需人工校验，同时还需探索用大模型进行数据查重和多样性检查。
纯自动化目前仍不可靠。
更棘手的是传感器层面的问题。摄像头时间戳偏移了50毫秒、力传感器存在零点漂移、关节编码器偶尔丢帧——这些都不是“理解”层面的问题，而是信号层面的脏数据。处理这些问题需要信号处理和数据对齐的工程能力，并非AI模型能直接解决。
Seedance等视频生成模型能补视角、换机械臂构型、生成长尾场景，但生成数据进入训练集前仍需经过物理一致性校验，否则就是给模型喂“漂亮垃圾”。
因此，现状是：自动化工具在个别环节有突破（VLM粗筛、视频生成补数据、AI数据湖做对齐），但端到端的自动清理流程尚不存在。这个空白既是痛苦的来源，也是机会所在。
具身智能行业目前存在一种微妙的人才错配。
打开任何一家具身智能公司的招聘页面，算法研究员和工程师的岗位总是最多。
但如果你与创始人交流，他们私下抱怨最多的往往不是算法不行，而是“没人能搭建好数据流程”。
工信部《人形机器人与具身智能标准体系（2026版）》将数据采集、清理、标注、审核、质检列为全生命周期，但全栈服务商中，既懂机器人学、又懂信号处理、还懂分布式数据工程的“数据基础设施工程师”，市场存量极小。
过去十年，AI教育资源高度向算法倾斜。
一名计算机科学硕士可能熟练推导扩散策略的损失函数，但让他编写一套能自动对齐多路传感器、分割任务回合、检测异常并生成质量报告的数据处理工具链，他可能不知从何入手。
反之，能做好这项工作的人技能组合很杂：懂机器人学（知道关节数据的含义）、懂信号处理（能处理传感器噪声）、懂分布式数据工程（能管理TB级的时序数据）、最好还懂一点机器学习（知道下游模型对数据格式和质量的需求）。这种人在招聘市场上被称为“数据基础设施工程师”，薪资已接近算法岗上限，但供给量相差两个数量级。
一个信号是：越来越多具身智能公司开始将“数据基础设施”单独设为一个团队，与算法团队平级。
据火山引擎披露，国内头部具身企业中，有15家使用了其“数据湖加VLM标注栈”。
鹿明机器人推出了“LumosUMI数据超市”，将清理后的机器人数据按小时上架。
湖北人形机器人创新中心已完成千小时级的企业间具身数据交易，每小时数百元。
光轮智能靠仿真合成数据一年营收增长10倍，2026年第一季度单季预计超过2025年全年。
这些公司销售的都不是算法，而是数据供应链。
也就是说，具身赛道正在复刻Scale AI当年的角色切换：当大家发现“模型架构谁都能复制，数据飞轮谁有谁赢”时，数据层公司的议价权将快速超过算法层小团队。
大模型标注的历史提供了一个参考坐标。
2016年前后，数据标注也是手工作坊——大学生兼职、小团队接单、质量参差不齐。Scale AI所做的并非发明新的标注方法，而是将整个流程标准化、工具化、规模化，借助机器学习辅助标注将人工压缩至质检环节，最终成为OpenAI、Meta、英伟达的统一供给底座。
据多家分析机构估算，其2025年营收在8亿到20亿美元区间，毛利率约60%。
具身智能的数据清理正站在类似的起点上。工具空白、流程未标准化、人才极度稀缺、劳动关系未定——这些恰恰是平台型公司的土壤。
而且，这一次的单数据小时售价（数百元）远高于大模型标注的单条单价（几分几毛），天花板更高。
不同的是，这一次的壁垒更高。
它不只是“将人的工作转化为软件”，而是要将物理世界的复杂性编码进自动化系统中：VLM懂语义但不懂力矩，视频生成懂画面但不懂摩擦系数，信号对齐懂传感器但不懂任务因果。
谁能将这三件事融合在一起，谁就不只是下一个数据标注公司——他可能定义的是整个具身智能时代的基础设施。
而今天那些花六个月为机器人做质量管控的人，也许正在做的事情，比他们以为的更重要，只是他们还不知道而已。
沦为耗材不是终点，被当作耗材才是。