养大机器人的，可能是这些在家带娃的妈妈

一句话概括：2026年具身智能融资超过750亿，方案一个接一个，可机器人连“怎么拿东西”都得先学。教会它们的，可能是一群失业白领、全职妈妈和农村妇女——戴上数据手套，把最日常的动作重复几百遍再卖出去。

2026年的具身智能赛道，融资像潮水一样涌进来。市场都在等一个属于机器人的ChatGPT时刻。但在这之前，机器人得先解决最基础的事：怎么拿东西、怎么叠衣服、怎么把手精确伸进抽屉。

而教会它们这些的，可能是失业的白领、照顾孩子的全职妈妈、想在家门口挣一份工资的农村妇女。她们戴上头显和数据手套，把自己最日常的动作重复几百遍，再折算出售。

一份把日子过成流水线的工作

7月，南京一间民宿里，老葛和其他5名学员正对着一桌散乱的毛巾，把它们叠好、打乱、再叠一次。这是个培训课，两天的课程后，学员可以领设备回家做具身数采。培训内容不复杂：戴设备、拍视频、传系统。三个设备，头戴一个、左右手各一个，每个设备上还要架一个手机，算下来身上至少绑着三斤重的东西。任务则是叠毛巾、叠衣服、撕贴画、把钱塞进红包——都是日常里最基础的动作，一遍又一遍重复。

培训教程说，戴着设备可以做一切家务，但特征点必须超过100个，动作要匀速，背景要复杂，光线要均匀，手不能出画面，镜头不能遮挡。老葛采集的是无本体数据：不经过机器人本体，人穿上可穿戴设备或手持夹爪，在真实环境里直接示范，把人的动作记录下来映射到机器人身上。

实际干起来比想象中累得多。所有动作都要戴着夹爪完成，而模拟机械手的夹爪弹簧特别紧，得一直用力捏合。做1小时，老葛的虎口就开始酸痛肿胀；录完2小时，手、腰、肩酸得不行，取掉头套能摸到满脑门的汗。

吴晓芳今年1月入行，看到的宣传语是「简单活，做饭、洗衣、打扫卫生，干活的同时，钱也挣了」。但实际任务库里大多是冷门的家务，而且要重复很多遍。她说，一天要达到4个小时有效时长，前提是工作8小时，一个动作得重复拍10条。

第一天，老葛的有效时长被认定为0，算薪资的话一分钱没有。群里的AI助手告诉他，评价有效数据最重要的一项指标叫「01系数」，包含17条红线规则，只要有一条违规，总时长就作废。他做的任务里有一条规则：取出和放回不能在同一个动作里完成。把毛巾从A筐拿到B筐算不算同一个动作？培训时组长说可以，因为放的不是同一个筐，他照做了，系统却判定违规。

为了拍动作还得搭场景，每个视频都要打乱场景，比如在桌子上铺块桌布或放几本书。老葛算过一笔账：效率达标的前提下，一天做5小时，前3.5小时大概赚120到150元，后面1.5小时赚70多元；新手效率只有60%到70%，实际到手可能只有120到140元。「听起来很科学，但问题是规则不透明。没有反馈就没有改进，劳动者只能靠猜测、靠试错去摸边界。」

链条中间的「卖铲子的人」

老葛此前做了多年投流运营，2026年初离职后在家学AI。招聘软件上，一家机器人公司联系了他，说招数据采集员，要求年龄50岁以下、有高中以上学历，一天能赚两三百元。后来他才知道，这些公司并不是具身智能公司，只负责招人、对接数据、转交培训。

连接机器人和采集者的是数据服务商，行业里叫他们「卖铲子的人」。具身智能的数据分三类：海量互联网数据、仿真合成数据和真实数据。最后一项最能反映机器人实际行为、质量最高，但采集效率最低，过去主要靠大型训练场、以真机数据为多。

中国信息通信研究院发布的《具身智能发展报告（2025年）》显示，截至2025年12月底，国内已建成具身智能训练场超30家，公开披露的21家总面积超10万平方米。但训练场的实际效用还有待验证：真机采集没形成规模效应，各家采集标注方式和部署本体构型又不统一，跨场数据难以整合共享。

成本更是硬伤。据亿欧智库报告估算，全球高质量具身交互数据仅约50万小时，要达到ChatGPT时刻需要百亿小时级别。极佳世界创始人朱政剖析过：「现在采一小时数据成本约200元，几百亿小时根本负担不起；数据利用效率也太低，训几十万个小时就要几千万GPU成本。」

无本体采集因此被看作一条出路。多位从业者提到，它突破了真机采集的产能约束——真机遥操作需要机器人、设备、专业人员和专用场地，还涉及磨损、维修、复位和安全，难以快速复制；无本体设备成本低，能进家庭、商超、工厂等自然场景，靠分布式采集和众包快速扩大规模。而且无本体数据不对应特定机器人，「一份数据能重复卖给不同的机器人厂商」。

夏林是山东某县的村支部书记，一次跟民办大学校领导吃饭，对方说在搞数据采集项目，缺农村、社区的真实场景。实地考察后，夏林觉得可行，在村里建了培训基地对外招募村民。目前项目有100多人，大部分是30至45岁的女性。她们每天以孩子上下学为节点安排工作，通常是上午8点到11点、下午2点到5点，有的晚上也来一两个小时。「为了照顾孩子，她们不能全职去周边厂子干活，做数据采集后，全职妈妈们每天都有收入。」

研究者口中的「补足组织」

2019年，数据标注行业兴起，浙江大学社会学系副教授吴桐雨和华东师范大学传播系副教授夏冰青走访各地标注基地，研究的正是这样一群「妈妈工人」。负责组织她们的，是夏林这样的中介角色。研究者用「补足组织」来描述：产业链下游研发团队有一套抽象的工程逻辑，与真正做标注的工人之间存在鸿沟，这些中介组织理论上能在这道鸿沟里「补足」，帮工人理解和执行抽象规则，让数据生产运转起来。

具身数采的中间层中介更多，而且完全线上、单向派发指令。吴桐雨解释，模型训练对数据的需求很难预测、波动很大——有时只需少量特定数据测一项功能，测完需求就消失；有时又突然需要海量数据甚至不断追加。大厂需要一个随叫随到、随时能调动大量劳动力的结构，这个结构恰恰就是补足组织。

「我们当时在重庆做田野调查，当地管这些层层转包的中间人叫'串串'。'串串'的繁荣，让整个数据链条能存活下去，因为他们解决了大厂需求波动和稳定劳动供给之间的根本矛盾。」但吴桐雨也说，每一层都在把风险外化、把成本压低，越往链条末端走，劳动者议价能力越低、权益保障越差，工人越没有议价权。

陈之昂在河南一家数据采集供应商当质检员。她所在公司负责收集数据和审核，客户收到数据后还会初验终验，同一套数据很可能经手好几个公司。她发现，客户要求看似离谱，其实是没沟通好——边采集边定规则，一环理解错了、话传错了，就会大批量返修。

机器人的「ChatGPT时刻」还差得远

2026年被称为具身智能的「部署态元年」。一个明显特征是涌入的公司大都很年轻。截至2025年12月底，国内已有超150家具身机器人企业，半数以上是初创或「跨行」入局。资金同步涌入：截至2026年7月30日，具身模型领域年内发生195起融资、覆盖108家企业，累计金额754.63亿元，前7个月就超过2025年的4倍。

但风口上的选择像摸着石头过河。刘浩所在的公司做了六年，原本给自动驾驶企业供数据，去年上游转型做人形机器人，公司也跟着转。三个月前市场还在热炒机器人遥操，行业里叫它「昂贵的木偶戏」，刘浩的公司押注这条路径、大量投资，「投资回报比很惨，现在你已经看不到机器人上'职校'这样的新闻了，说明市场风向变了」。

无本体采集看似站上了风口，但质量差距客观存在：它难以完整表达机器人的动力学约束、接触力、执行延迟和失败恢复，大量众包数据主要用于预训练。多位从业者提到同一个问题：各家数据质量标准不统一、采集设备硬件接口各自为战，更关键的是，人类动作数据到机器人可执行策略之间的迁移模型，还没有一套被广泛验证有效的方案——行业还在野蛮生长的早期。

这种不确定性让人想起数据标注行业走过的路。标注行业也曾经历从「有多少人工就有多少智能」到对质量、专业度要求越来越高的转变，「妈妈工人」式门槛几乎为零的用工需求，在成熟的标注细分领域已经很难再见。

吴晓芳还在一边带孩子一边做数采。她说之前每天的任务随便挑，这两个月却要靠「抢」。刘浩的感受更深：行业对采集人员的要求呈金字塔结构，底层基础采集门槛低、人多，越往上专业度越高、人越少。他观察到，头部模型公司已经只和受过专业训练的家政阿姨合作居家场景采集——这是模型迭代进入下一阶段的信号。

做了十五天，老葛决定不做了。手疼得不想碰设备是原因之一，更重要的是他找不到这份工作的意义。「某种意义上，我们是在'蒸馏'自己。把人类最基础的能力提炼出来，喂给机器。机器学会这些动作，取代我们去做这些工作。」