2026年，具身智能领域风起云涌，融资热潮持续，研究者期待能出现类似ChatGPT那样改变交互方式的产品。但在更宏大的目标实现之前，机器人首先要掌握最基础的动作：拿东西、叠衣服、把手伸进抽屉。完成这些训练的，往往不是工程师，而是下岗白领、带小孩的全职妈妈和想在家附近兼职的农村妇女。

在南京的一间民宿里，老葛与其他学员面对一堆毛巾，反复叠好又打乱，训练只需两天就能拿到设备带回家做数据采集。所谓的“数采”并不复杂：戴上头显和两只手部采集器，每个设备配一部手机，总重量约三斤；按要求拍视频、上传系统。任务多是日常动作：叠毛巾、叠衣服、撕贴画、把钱放入红包或将硬币放进盒子等。训练手册对动作有严格要求：特征点超过百个，动作匀速、背景复杂且需打乱、光线均匀，手不能出画，镜头不能遮挡。

这种方式属于无本体数据采集——不借助机器人本体，直接记录真人在真实环境中的示范，再把这些动作映射到机器人上作为预训练数据。实际操作远比宣传的“边做家务边赚钱”累人。模拟机械手的夹爪弹簧特别紧，长时间握持会导致虎口、手腕、腰肩疼痛；一天下来汗流浃背也很常见。年轻入行者吴晓芳发现，平台要求的很多动作并不是真正常做的家务，而且必须重复多次：要把一个动作拍够若干条才计入有效工时。评价机制中有一项名为“01系数”的严格规则，含十几条红线，只要有一条触犯，整段时长可能被判为无效，导致当天工资为零。比如平台规定“取出和放回不能在同一动作里完成”，按培训组长的口径操作却仍可能被系统判违规。此外，每个视频要人为打乱场景，铺桌布、摆几本书等，以满足规则。

在效率达到标准的情况下，一天5小时有效录制能拿到大约200元左右的报酬；刚入门者效率低，实际收入常在120到150元之间。劳动者抱怨规则不透明、缺少反馈，只能靠试错摸索边界。

这些采集工作通常不是由机器人公司直接招人，而是由数据服务商负责组织、培训和对接——行业里俗称“卖铲子的人”。具身智能的数据分为互联网数据、仿真合成数据和真实交互数据三类，后者最贴近机器人在现实中的表现，但采集效率最低、成本最高。为此，业界曾大量投入建造训练场：到2025年底，国内已建成数十家训练场，公开披露的场馆面积合计超过十万平方米，覆盖制造、医疗、零售与服务等场景。但训练场的实际效果仍待检验：真机采集规模难以扩展，不同场地的采集和标注方式差异大，数据与本体构型高度耦合，跨场地整合困难。

成本是另一个难题。当前高质量具身交互数据仅有数十万小时，而要达到能够推动“具身智能版ChatGPT”的规模，业内普遍认为需要达到十亿小时量级。按现有估算，采一小时真实交互数据的成本约在数百元，若要采集数十亿小时将难以承受；且训练这些数据所需的算力同样庞大，GPU成本可达数以千万计。因此，越来越多公司开始转向无本体数据采集，希望通过让大量普通人示范日常动作，以更可控的成本和更广的场景覆盖，缓解真机数据短缺的问题。

总体来看，具身智能的进展在很大程度上依赖那些在家庭中重复最普通动作的人。他们把最日常的动作戴上传感器、拍成视频，成为训练未来机器人的“原料”。