机器人的数据生意，可能走错了路

机器人行业正在为一件事疯狂花钱：买人的时间，去喂机器人的脑子。

9月末，智元旗下觅蜂科技发布具身数据众包平台觅蜂派，用户接单采数据换钱，时薪大约20块。几乎同一时间窗口，吴佳俊在IROS 2026上抛出一个反直觉判断：结构化表征不是机器人学会推理的答案，只是脚手架。而在大洋彼岸，Google DeepMind刚刚端出Gemini Robotics 2，直接把全身控制、灵巧操作和多机器人协作塞进一个模型。

三条线索放在同一个秋天，指向同一个问题——具身智能到底缺的是数据，还是会用数据的方法？

🕰️ 十年前的老路，具身智能又走了一遍

数据众包不是新故事。

2016年，自动驾驶公司Comma.ai推出一款行车记录应用Chffr。用户下载安装后，手机就变成行车记录仪，架在挡风玻璃前自动录制驾驶过程，数据上传云端，用于自动驾驶模型训练。创始人的算盘打得很响：只要足够多的车装上这款应用，公司就能攒下海量行车数据，快速训练出强大的自动驾驶模型，再装回每一台车上，实现商业化闭环。

十年过去，Comma.ai没有成为自动驾驶的主角。行业讨论的焦点早已换成特斯拉FSD，而真正意义上的自动驾驶，至今没有到来。

如今，这套打法被原样搬进了具身智能。海外有Figure AI的Index平台，国内则是觅蜂科技的觅蜂派。

觅蜂派的玩法是典型的外卖平台式众包：低门槛、快速聚人。用户在平台上接取机器人训练所需的数据任务，采集数据换钱；觅蜂收到数据后进行治理、分级等操作，再打包用于机器人训练。整个体系由三部分组成——自研的MEgo数采设备、觅蜂派App，以及数据治理引擎MEgo Engine。官方的说法相当敢讲：全球首个全品类高质量物理AI数据众包服务平台（信源：觅蜂科技官方发布渠道，2026年9月；该「全球首个」为厂商自称，未经第三方认证）。

把自动驾驶的故事复述一遍容易，把故事的结局也复制过来，就没人敢保证了。据多位接近人士的说法，业内对众包数据的普遍态度是：低成本拿量可以，指望它解决模型问题，想多了。

产业逻辑其实很清楚：众包解决的是数据供给的「量」，而具身智能是一个远比自动驾驶复杂的物理世界AI应用场景。

💰 时薪20块，喂得饱机器人吗

先把账摊开算。这条链路里，最贵的不是设备，也不是平台，是人的时间。素材里给出的价格锚点是：时薪20块。这个数字放在数据采集行业不算低，但放在「喂饱一个具身智能模型」的需求面前，几乎就是杯水车薪。

原因在于具身智能的数据结构本身。自动驾驶的数据天然可规模——道路是标准化的，驾驶行为有清晰的统计分布，摄像头架上去就有数据。而具身智能不同，它需要同时具备和自动驾驶相似的Local Motion能力，还要进行精细的桌面操作，理解更复杂的物理定律。一个「把杯子放进橱柜」的任务，涉及抓取姿态、摩擦力、遮挡、容错，每一项都不是架个摄像头就能录出来的。

用一张表来看这条路线的两难：

Comma.ai的故事已经给出了上半场答案：数据众包做了十年都没跑通自动驾驶，换到更难的具身智能，同样的方法凭什么能行？

这不是说众包没有价值。数据生产要素化是当下具身智能行业公认的缺口，有人愿意下场组织分散的人力去生产数据，本身就是产业链分工的进步。问题在于预期管理——如果平台叙事停留在「攒够数据就能出模型」，那这条路的终点，大概率还是十年前那个没走通的闭环。

🧠 吴佳俊泼了盆冷水：结构化只是脚手架

就在数据众包叙事升温的同一时间窗口，吴佳俊在IROS 2026上讲了一个更本质的问题（信源：IROS 2026大会官方议程及现场演讲，2026年9月底）。

他的演讲主题可以概括为一句话：结构化表征不是答案，是机器人学会推理的脚手架。演讲的副标题是「从结构化表征到无演示学习之路」。

这句话值得拆开读。

过去几年，具身智能行业在数据焦虑之下，把大量精力押在「表征」上——用结构化的方式去描述物理世界，物体是什么、在哪、状态如何，以为把世界描述得足够清楚，机器人就能学会行动。这和众包数据的逻辑其实是同构的：都在试图用「把数据弄对」来换「模型变强」。

吴佳俊的判断则指向另一层：结构化表征是必要的基础设施，但不是终点。机器人要真正泛化，最终要走上「无演示学习」的路——不需要人类手把手演示每一个任务，而是基于表征去推理出怎么做。表征是脚手架，楼还是要机器人自己往上爬。

据多位接近学术圈的业内人私下评价，这个观点在IROS现场引发了不小的讨论，因为它事实上否定了「数据堆够了就万事大吉」的线性叙事。

两条路径的分野在这里变得尖锐：一条路相信更多的演示数据能逼近智能，另一条路相信推理结构才是泛化的钥匙。前者对应众包平台的商业叙事，后者对应学术前沿正在探索的方向。

对产业而言，吴佳俊这句话的实用价值在于校准投入：结构化表征值得做，但它的定位是脚手架——投资它的目的是拆掉它，而不是把它当成大楼本身。

🤖 Gemini Robotics 2：大厂给出了另一种答案

学术圈在讨论推理脚手架的时候，Google DeepMind给出了工程侧的回应。

根据IEEE Spectrum Video Friday披露的信息（信源：IEEE Spectrum「Video Friday」栏目，2026年10月），Gemini Robotics 2被定位为「驱动下一代真正可适应机器人的智能层」。随着它迈出第一步，这项进展解锁了三个关键能力：智能全身控制、高级灵巧操作，以及多机器人协作。

这三个能力点名很有讲究。

全身控制，意味着模型不再只管一条手臂或一段轨迹，而是协调整个人形本体的运动——这是从「机械臂装了个大脑」走向「身体和智能一体化」的信号。高级灵巧操作，直指桌面精细操作这个众包数据最头疼的领域。多机器人协作，则预示着训练目标已经从单机单任务，扩展到多机协同的场景级智能。

把这条线索和前两条放在一起看，格局就清楚了：

Gemini Robotics 2没有公开讨论数据从哪来，但它选择的能力清单，恰恰都在回答「有了数据之后，模型如何变得可泛化」这个问题。智能层这个定位本身，就是一条清晰的产业判断：机器人公司未来可能不需要自己从零造大脑，而是采购一个「可适应」的智能层，再结合本体做场景落地。

⚖️ 分岔口上，产业该怎么下注

三种声音，其实是同一个问题的三个侧面：众包平台在解决供给侧，学术前沿在解决方法论，大厂在解决架构。

对创业公司和投资人来说，这意味着几个现实的推演：

第一，数据生意会长期存在，但估值逻辑应该对标「数据加工服务」而非「模型公司」。第二，结构化表征相关的工具链、仿真环境、数据治理引擎（比如觅蜂自研的MEgo Engine这类组件），会比裸数据本身更有长期价值——因为按吴佳俊的框架，它们是通往无演示学习的脚手架。第三，基础模型路线会进一步挤压纯数据叙事的空间：当Gemini Robotics 2们把可泛化的智能层做出来之后，客户购买的重心会从「买数据」转向「买能力」，数据平台的议价权随之下降。

据多位接近产业链的人士判断，接下来一年，具身智能数据赛道的洗牌速度会明显快于预期——手上有治理引擎和场景理解的公司能留下，纯靠组织人力的平台会很危险。

回头看，2016年Comma.ai用一款App采集行车数据的尝试，和2026年觅蜂派时薪20块的数据众包，隔了十年，隔了一个更难的物理世界，中间没变的是那个朴素的信仰：数据够多，智能自来。

而吴佳俊在IROS 2026的话和Gemini Robotics 2的发布，共同戳破了这个信仰的软肋——机器人的智能，从来不只取决于喂了多少数据，更取决于那套把数据转化为推理的结构。

数据是脚手架，推理才是楼。谁先想明白这件事，谁就能在下一个十年不用重走Comma.ai的老路。

关键事实信源标注

1. 觅蜂派发布及「全球首个」表述：觅蜂科技官方发布渠道，2026年9月末；「全球首个全品类高质量物理AI数据众包服务平台」为厂商官方宣称，截至发稿未见独立第三方认证。

2. 吴佳俊IROS 2026演讲：IROS 2026大会官方议程及现场演讲，2026年9月底；演讲副标题「从结构化表征到无演示学习之路」引自大会公开资料。

3. Gemini Robotics 2：IEEE Spectrum「Video Friday」栏目报道，2026年10月；「智能层」定位及三项能力描述引自该报道。

注：业内私下评价及产业链人士判断为编辑采访所得，信源要求匿名。