近日，在觅蜂科技的厂房里，第20000套MEgo无本体数据采集设备正式下线。
这套外观酷似运动相机加手套的设备，将被装进一个印有京东Logo的箱子，发往某个仓库或门店，跟随一线员工进入真实的工作场景。
同一天的交付仪式现场，觅蜂科技董事长兼CEO姚卯青做了一个比喻：“物理AI的数据电网，今天立下了第一根电线杆。就像电网建成之后，电力才真正改变了世界——今天，物理AI的数据，从此可以被规模化生产。”
这个比喻是否准确，需要时间检验。但一个事实已经确立：觅蜂科技成为行业首家累计产出超过100万小时高质量无本体数据、并实现数据采集设备大规模量产的服务商。在物理AI（Physical AI）这个被资本热捧的赛道上，”百万小时”不仅是一个数字，更是训练具身智能模型的一道门槛。
什么是无本体数据采集？
要理解这个行业的逻辑，先要搞懂一个概念：无本体数据采集。
打个比方——如果你想教一个从没做过饭的人炒菜，传统做法是给他配一套完整的厨具（锅、铲、灶），手把手教他每一步动作。这叫“有本体采集”，需要专门的机器人硬件来记录动作。
而无本体采集的做法是：人在厨房里正常炒菜，头上戴个360度摄像头，手上戴个传感器，旁边再架几台相机。人怎么炒，设备就怎么记。等数据收集够了，再把人的动作”翻译”成机器人能理解的指令。
核心优势在于：不绑定任何特定机器人。用无本体数据训练出来的模型，理论上可以适配各种形态的机器人——人形机器人、机械臂、移动操作机器人，都能用。
觅蜂的MEgo设备就是干这个的：超300度全景相机看全局，腕部特写相机盯指尖，三维触觉传感器记录力度，全通道硬件级同步确保视觉、触觉、姿态"亚毫秒级对齐"。简单说，就是尽可能完整地记录一个人在真实环境中“怎么做事情”的全过程。
百万小时为什么是道门槛？
在具身智能领域，数据就是燃料。
大语言模型（比如ChatGPT）需要海量的文本数据来训练，而具身智能模型需要的是“物理世界”的数据——人怎么抓杯子、怎么拧螺丝、怎么在杂乱的环境中灵巧操作。这些数据必须来自真实世界，仿真环境生成的数据目前还远远不够。
觅蜂这次交出的成绩单，细看相当硬核：
设备规模：第20000套MEgo下线，行业首次实现无本体数据采集设备的大规模量产。
数据规模：累计100万小时高质量无本体数据，覆盖22大类场景、10000余个真实环境、50000余类物体、500余种细分任务。
场景分布：居住、办公、零售、生产、仓储、餐饮、文娱休闲、交通出行八大高频场景贡献约82%数据，其余14类长尾场景延伸至医疗、教育、养老、农业等。
形态拆分：Ego裸手约50万小时、Ego+Wrist腕戴约35万小时、Ego+UMI夹爪约15万小时，对应人类自然操作、腕部姿态、机器人末端执行三类需求。
客户验证：百万小时级数据已开始服务腾讯Robotics X实验室、蚂蚁灵波等头部客户。
但把这组数据放到行业坐标系里看，会发现一个反差：百万小时很多，但对标需求又很少。
据亿欧智库行业估算，具身智能要达到真正可用，至少需要1000万小时级别的真实场景交互数据，而当前全行业高质量真实物理交互数据总量仅约50万小时，行业存在巨大数据缺口。（该50万小时为全行业各类来源真实交互数据的市场估算，不等同于无本体采集数据存量。）
觅蜂的100万小时，相当于把行业“已知库存”直接翻倍，但离“够用”仍有1-2个数量级的距离。姚卯青自己也承认：“通往AGI，物理AI最终需要亿小时级的数据。”
电线杆立起之后
觅蜂的“两万套+百万小时”，更准确的解读是：具身智能数据产业从“手工作坊”迈入了“基础设施”阶段。就像19世纪末电线杆立起的那一刻，电力时代真正开始了——但距离家家户户通电，还有很长的路。
当前行业共识是：物理AI数据要达到"GPT-3.5级别能力"，需要1亿小时量级的数据，这中间隔着2个数量级的巨大缺口。觅蜂的百万小时是重要的一步，但只是第一步。
对投资人而言，接下来的观察窗口有几个关键指标：
数据可用率：采集小时数×可用率，才是真实的“有效供给”。
场景覆盖度：能否从8大高频场景延伸到14类长尾行业，决定数据是“通才”还是“专才”。
闭环能力：能否建立“采集‑重建‑质检‑训练‑部署‑失败数据回流”的数据飞轮，决定护城河的深度。
客户集中度：腾讯、京东、蚂蚁灵波之后，能否拿下更多头部模型公司和机器人本体厂。
对产业而言，觅蜂的里程碑释放了一个清晰信号：具身智能的竞争，正在从“谁的机器人能动”转向“谁的数据能教机器人干活”。而这场数据基建的赛跑，才刚刚开始。
电线杆立起来了，但要把电送到千家万户，还需要更多的电线杆、变压器和电表。觅蜂们要做的，远不止卖出下一套设备那么简单。
采写：南都·湾财社记者胡雯雯配资论坛线上
淘配网官网提示：文章来自网络，不代表本站观点。
