这是觅蜂 MEgo 进入量产后的第三个月，一切进展迅速。当天他们公布了另一个数字：由 MEgo 系列设备采集、经过基础治理的有效数据累计超过 100 万小时。
觅蜂 2026 年 2 月成立，MEgo 在 6 月进入量产。它用惊人速度把无本体数据做到了今天的规模。其中，这 100 万小时数据已经去重，达到入库和售卖状态，后续还要经过校验、报告分析和客户交付。
在当天展示的几个合作案例里，京东提供仓储、零售、家政等真实场景，同时采购、使用并组织数据采集；腾讯需要数据训练具身模型；觅蜂提供采集硬件和后端处理系统。
这些设备正在进入不同城市和行业，人的操作被持续转换成 AI 训练数据。姚卯青把这种数据体系建设称为 " 数据电网 "。
在觅蜂看来，这些迅速发生的变化，意味着机器人数据领域的转折点会更快到来。
" 百万小时证明无本体数据已经从去年年底到今年年初的学术概念、前沿团队探索的方向，真正变成了规模化、产业化的事情。" 姚卯青在现场说。
机器人数据不能只靠真机采
大语言模型能从互联网上读到海量文字，机器人却找不到同等规模的 " 工作经验 "。一段做饭视频可以告诉模型最后端出了一盘菜，却很难精确交代手腕转了多少、何时接触锅铲、用了多大力，以及动作失误后人是怎么补救的。带有空间、动作和因果关系的记录，在现有互联网数据里十分稀缺。
" 机器人最终是为了让它动手干活儿，真正的本领技能是从经验而来的，这些经验在互联网上是没有的。" 按觅蜂估计，物理交互数据在数量上比语言模型数据少四到五个数量级；而丰富度也无法靠少数实验室任务补齐，模型需要见过不同商店、工厂和酒店里的真实操作，才有可能举一反三。
机器人行业所说的 " 本体 "，指一台具体机器人的硬件身体。传统真机数采通常让操作员遥控机器人完成任务，数据天然绑定这台机器的关节结构、视角和控制方式。它离最终部署很近，机器人、场地和人力成本也高。何贺算过一笔账：一年前用本体遥操作采集，员工工作 8 小时，有效数据可能只有 1 小时。
无本体采集由人来示范动作。人先戴上头部、腕部设备，或使用带传感器的夹爪，在原本的工作场景里照常做事；系统记录第一视角画面、手部与身体轨迹、深度、触觉和声音。姚卯青解释，" 无本体 " 指数据不与某一款机器人耦合，后续可以依据机器人的 URDF 结构模型，把人的手腕和手部关节数据转换成机器人的关节变化。模型先见过足够多的物体、动作和环境，再进入具体机器人的专项训练。
" 未来让机器人真正干活儿，要学人怎么干，真实环境里的数据就是教材。" 何贺说。
京东在这里同时扮演三个角色：购买和使用数据，自己组织采集，并开放物流、零售等场景。第 20000 套 MEgo 交给京东后，将进入场景方的生产体系。
腾讯看重的则是跨本体能力。腾讯 Robotics X 实验室产品生态负责人朱亚娟说，腾讯从 2024 年底便开始考虑同一套模型如何适配不同机器人，" 无本体本质上像异构数据，解决了让模型更好地理解物理世界；异构加 Gripper，一定程度上替代了原来用本体做遥操作 "。
无本体数据和真机数据分工不同。姚卯青表示，两者 " 不是完全相互替代的关系 "：无本体数据更多用于预训练和通用表征；到了具体任务的 Demo 和落地阶段，仍要依赖对应本体的数据做后训练。
觅蜂的一整套系统
相机拍下来的长视频不能直接喂给模型。连续几小时的画面，要被拆解、还原和标注，最后才会变成训练样本。觅蜂把采集端和治理端接在了一条生产线上。
硬件端，MEgo View 用头戴五目相机覆盖超过 300 度视野，再用腕部相机补足手部特写；MEgo Gripper 则把类 UMI 夹爪、六自由度轨迹和三维触觉放进同一套采集系统。觅蜂称，设备支持全通道 200 万像素、最高 60FPS，七个传感器可以硬件同步触发，无线设备在 99% 以上的情况下把时间误差控制在 0.5 毫秒以内。无线连接、快换电池和不依赖基站的自组网，则让设备能够跟着采集者进入餐厅、工厂或家庭。
多个传感器记录同一个动作，首先要把时间和空间对齐。模型学习倒水时，水壶的位置、手腕旋转、手指接触和水流变化必须落在同一条时间轴、同一个空间坐标系里。任一传感器慢半拍，模型看到的因果关系就可能是错的。多视角则负责处理杯子遮挡、手部快速出画和多人双手交互，尽量还原完整动作。
数据进入 MEgo Engine 后，还要经历预处理、空间重建、语义标注和质量评估。系统把视觉、IMU 和语音信号放在一起理解，将一到三小时乃至更长的连续视频标成三层：完整任务、子任务和原子动作。觅蜂称，目前可以识别 120 多种动作类型，并把抓取、放置、释放等动作及语言描述，对齐到手部 21 个关节点、头部和夹爪轨迹所在的具体帧。到这一步，原始视频才被加工成可供模型训练的结构化数据。
手部重建是关键环节之一。觅蜂公布的评测显示，其 HandPose 方案在遮挡、交互和高速移动场景下，把三维重建误差做到 4.29 毫米，较其所选次优方案降低 62%，帧间抖动为 1.11 毫米。在奶茶制作、美甲、宠物洗护和工业手套等样例中，系统仍能持续追踪手部。
重建人的动作之后，还要把数据转到机器人身上。觅蜂现场展示的方案先重建人体和手部关键点，再映射到精灵 G2 机器人；公司称，末端执行器的跟踪误差小于 10 毫米。这项指标描述的是动作映射精度，机器人能否稳定完成任务，还取决于后续训练和真机控制。
ManiEval 采用分级复用。觅蜂将它概括为 " 不过滤，只分级 "：动作干净、轨迹准确的数据可以用于模仿学习；语义和环境丰富的数据用于预训练；不规范动作可以训练进度与错误识别；失败和边界样本则用于泛化测试。配合 REMORA 任务进度模型和 Value Model，机器人部署后产生的错误会被识别、筛选，再送回训练环节。两万套设备负责采集，MEgo Engine 完成重建、标注和分级，部署后的失败样本继续回流，这条循环构成了觅蜂设想中的 " 数据电网 "。
百万小时之后，打开更多可能
按觅蜂透露的情况，这 100 万小时数据覆盖 22 类场景、1 万多个真实环境、5 万余类物体和 500 多种细分任务。居住、办公、零售、生产、仓储、餐饮、文娱和交通出行八类高频场景贡献约 82%；采集形态上，裸手数据约 50 万小时，腕部数据约 35 万小时，夹爪数据约 15 万小时。
" 盲目地采集 100 万小时，说实话还是很容易做到的事情；重复地做工种任务就可以了，但几乎没有任何价值。"
姚卯青给出的下一组衡量标准包括场景和任务覆盖、可量化的质量报告，以及最终有多少数据通过客户验收、签下订单并确认收入。
需求也在变。姚卯青说，年初还有人 " 拿手机、运动相机采一采都能卖 "，到下半年，头部客户开始集中要求 60FPS、1080P、双目和深度，对设备重量、无线连接、时间同步和空间标定也提出更细的指标。他据此判断，具身数据行业正在走向专业化，工程、运营和资金门槛会把订单推向少数规模化供应商。
如果目标从 100 万小时扩大到 1 亿小时，继续增加数采工厂和专职采集员很难线性复制。姚卯青给出的路径是，从集中式采集走向半集中式，最后引入更广泛的众包，让退休人员、宝妈和各行业一线员工在原有工作中完成采集。他说：" 从百万到亿肯定是在整个运营模式上需要做很大的升级，因为是 100 倍。" 这也意味着，觅蜂下一阶段的难题会从设备量产转到跨城市的设备流转、人员培训、场景准入和质量管理。
无本体数据还没有统一定价。觅蜂称，价格取决于场景稀缺性、进入难度和交付周期；交易既可以出售使用权，也可以由客户独家买断产权。头部客户对 60FPS、1080P、双目和深度等规格逐渐形成共识，但不同设备的传感器和图像管线仍会造成分布差异，多家数据混训并不天然兼容。
这些都是接下来的真实挑战。不过，至少一个转折点已经发生。
过去，具身数据只能跟着机器人本体一小时一小时地采。觅蜂试图把顺序倒过来：先把人类每天发生的操作变成大规模预训练数据，再让模型到具体本体上完成后训练。
两万套设备和百万小时数据，已经把这条路线推进到量产阶段。姚卯青把它称为物理 AI" 数据电网 " 的第一根电线杆，它也有可能成为具身数据采集上的一次 " 觅蜂时刻 "。
