具身数采隐性成本高企：采错1小时数据，或需20到30倍算力兜底

“技术路线是对的，但是钱花完了，即便有了足够多的数据，也没有足够的钱把它训出来。”

这番话说在张江举行的「Triple T」张江塔尖会系列技术沙龙上。说这话的人是上海交通大学人工智能学院副教授、上海创智学院全时导师李永露，他谈的正是当前具身智能数据采集（下称“具身数采”）的难题。

李永露认为，具身数采这笔账不能只算前端的采集费用。后续的数据处理、模型训练和评测等一系列隐性成本，也得一并算进去。

那这笔账到底该怎么算、钱怎么花才划算？沙龙现场，多位具身智能初创企业高管和高校科学家聊起了这条赛道里的数采“生意经”。

圆桌对谈现场 来源：主办方供图

“买数据”只是开始

具身数据是专门为训练与评估具身智能系统构建的多模态数据集合。它记录的是机器人等智能体在物理或虚拟环境中通过“身体”与环境交互的全部数据。

采集方式上，真机遥操作目前被行业公认为“黄金标准”，市场报价为500至1000元/小时；无本体/便携采集的规模化潜力最大、部署门槛最低，价格约100至200元/小时。

李永露介绍，行业内部第一视角（Ego）数据的生产成本最低能压到每小时约40至50元。不过后续处理成本与采集费用差不多是1:1。

视频切片与标注就是例子。AI模型还没法像人那样，看几个小时冗长录像就能悟出其中的因果关系，得靠人工把长视频切成具体任务片段，再加文本描述和其他标签供模型训练。这个环节的人工投入不菲。

处理好的数据放上云端存储，也是一笔要持续掏的钱。李永露说，团队花钱采来的数据，就算暂时用不上也舍不得删；留在云端就得一直付费。

深朴智能联合创始人兼技术副总裁李明磊也为这事“头疼”。他表示，市面上有些流通的数据价格便宜，可精度不够、标注质量差，买回来还得花大量精力筛选；每新增一批数据，团队都要重新检查一遍，确认其中有没有带来新的有效信息。

模型评测的工作量同样“重”。李永露提到，去年其所在团队参与过100项模型的评测：持续两个月，投入几十人、上百台机器人，两班倒测试，每项任务测试20次。

数采团队与模型团队，一笔算不拢的账

现场多位嘉宾都提到，对于“多采集一些数据”，数采团队和模型训练团队的理解存在落差。

李永露解释，数采团队一般先找场景，再安排人员去采。在同一个场景里，数采团队希望尽可能多产出可以出售的数据，这样能摊薄成本、提高利润；模型团队要的却是更多样的任务、动作和环境，未必想要重复且高度相似的数据。

“这天然和模型团队的需求是矛盾的。”他说，若要求数采人员去采多样化的任务数据、提出更高的数采要求，执行难度和成本又会无形中增加。

行业里有人算过另一笔账：不同企业拿到一小时“有效数据”的成本差异很大，可能是100元，也可能是1000元。拿到有效数据后，企业可能还要投入10到20倍的算力成本去训练，再花30倍的资金对最终发布的模型进行微调和整体运营。李永露说：“这意味着什么？你每采错1个小时的数据，可能需要花20到30倍算力的钱才能把问题兜回来，然后才知道对错。”

少花冤枉钱：分批检验、源头提质、协同设计

数采上怎么少花冤枉钱？李永露团队现在的做法是分批检验数据效果，再适度调整采集方向。

具体而言，每采一批数据，团队先预测它对模型训练的影响，再用实际测试结果校正预测，据此指导后续采集方向。他强调，采集设备、数据基础设施和模型训练需要协同设计：“我们要做模型的人和做硬件数据的人，最好坐在一个屋子里。”他称这是团队实践中的教训。

减少浪费，还可以从改善数采人员的操作示范入手。

蚂蚁灵波科技首席数据科学家黄用韬讲了一个包裹抓取的案例：任务本身比较简单，但数采员的操作轨迹不统一，有人动作慢、犹豫，模型也跟着出现犹豫、伸手中途停顿等表现。团队后来让操作最快的数采员集中采了几百条数据，模型才收敛。

数采人员怎么培养，也是绕不开的一环。新智具身CEO赵世豪认为，数采不是机械重复，操作者水平和动作到不到位，直接决定后续用数据时要搭进去多少时间、精力和钱，“提高源头质量也是提高效率的一部分。”

李永露还透露，团队正尝试将数据质量预测、模型效果预测包装成服务对外出售，这只是改善生产流程、加强人员培训之外的又一条路。按他的说法，数据采集得有可持续的成本安排，毕竟后面数据处理等环节还得砸进不少钱。