物理 AI 数据赛道迎来两个 " 行业第一 "。昨天，觅蜂科技第 20000 套 MEgo 无本体数据采集设备正式下线——这是行业第一次实现大规模化量产无本体数据采集设备；同时，觅蜂宣布累计生产超过 100 万小时高质量无本体数据，成为行业第一家拥有百万小时级、可对外售卖无本体数据的数据服务商。

仪式现场，觅蜂科技董事长兼 CEO 姚卯青同时宣布与腾讯 Robotics X 实验室达成无本体数据业务合作，为腾讯具身模型建设提供数据支持。

" 物理 AI 的数据电网，今天立下了第一根电线杆。" 姚卯青表示，" 就像电网建成之后，电力才真正改变了世界——数据采集第一次有了基础设施，物理 AI 的数据，从此可以被规模化生产。"

六个月，两万套

觅蜂的量产速度在行业里并不多见。这家今年 2 月才成立的公司，最初只有几十人，却在 6 个月内完成了从产品研发到万台级量产的跨越。作为参照，智元机器人达到约 2 万台机器人量产用了三年半；虽然机器人本体供应链更复杂，但觅蜂半年做到 2 万台无本体采集设备，仍是物理 AI 数据赛道的标志性事件。

在姚卯青看来，这 2 万台设备意味着无本体数据采集第一次具备了规模化应用能力，可以进入真实场景，而不只是在搭建好的实验室里获取数据。目前，2 万套产品已陆续进入家庭、办公、零售、生产、餐饮等场景，约一半由觅蜂自持用于众包采集，另一半已销售给海内外用户。

伴随量产，觅蜂累计采集有效数据达到 100 万小时，全部来自开放环境，覆盖 22 大类场景、1 万余个真实环境、5 万余类物体和 500 余种细分任务。居住、办公、零售、生产等八大头部场景贡献约 82% 的数据，构成通用物理 AI 能力的核心基础；14 类长尾场景则拓展垂直行业覆盖。采集形态上，觅蜂形成了 Ego 裸手、Ego+Wrist 腕戴、Ego+UMI 夹爪三类数据体系，分别约 50 万、35 万、15 万小时，对应人类自然操作、腕部姿态与连续轨迹、机器人末端执行等不同需求。

物理 AI 的 " 数据墙 "

大模型的数据可以从互联网源源不断获取，但机器人最终要动手，真实技能只能来自经验，而这些经验在互联网上几乎不存在。姚卯青直言，与大模型相比，物理 AI 的数据量小了四五个数量级，真实度和丰富度也远远不足，且不可能完全在实验室里复刻。

过去一年，行业尝试过多种路径。传统采集需要搭建仿真环境、雇佣员工全天候操作，成本高、产能有限。京东科技集团副总裁何贺回忆，一年前采集物理交互数据，员工干 8 小时，真正有效的可能只有 1 小时，电费、人工、场地成本都很高。实验室数据分布也有限，难以覆盖阳光角度变化、物体凌乱、多人交互等真实世界复杂性。

无本体数据采集给出了另一条路径。MEgo 采用头戴超 300 ° 全景加腕部特写多视角设计，配合三维触觉和毫米级轨迹重建，让采集者在日常工作中顺便记录操作数据。姚卯青举例，食堂阿姨每天带着设备工作，8 小时可以采集五六小时的有用数据，而如果用真机采集，效率只有其 1/5。而且 MEgo 采集的数据还更有丰富度和泛化性——数千个餐厅工作人员采集的环境分布，不是一个实验室餐厅场景能比拟的。

硬件之后，闭环才是关键

2 万台设备构成硬件底座，但真正打破瓶颈的，是觅蜂跑通的从采集到训练的全链路体系。

真实世界动作复杂，手部出框、重度遮挡、高速运动、多人交互都是常态。觅蜂构建了 MEgo Engine 数据处理基础设施，并发布 HandPose 高精度手部重建技术。在遮挡、交互、快速移动等场景中，HandPose 七项核心指标达到 SOTA 水平，PA-MPJPE 重建误差较业界次优方案降低 62%，帧间抖动降低 93%。在奶茶制作场景中，即使手部被杯具大面积遮挡、可见率低于 30%，仍能实现亚厘米级三维重建和零跟踪丢失。

数据治理上，觅蜂没有走 " 过滤不合格数据 " 的老路，而是提出 " 不过滤，只分级 "。每一条真实数据都有价值，关键是找到合适应用场景。其 ManiEval 体系从数据类型、任务类型、传感器质量、语义质量、动作质量五个维度打分，将数据分为四类：精准数据用于策略模仿学习，丰富数据用于预训练表征，异常数据用于训练模型对错误的感知，长尾边界数据用于增强泛化与鲁棒性。

觅蜂还自研 REMORA 任务进度模型，让模型在真实运行中理解任务进度并识别错误异常；结合 Value Model 识别和筛选部署中的失败数据，将其中有训练价值的部分回流到数据体系。这意味着一次部署中的错误和失败，也能转化为下一轮训练的数据资产。由此，" 采集—重建—质检—训练—部署—回流 " 的闭环被逐步打通。

目前，觅蜂百万小时级无本体数据已开始服务腾讯 Robotics X 实验室等客户。腾讯方面表示，无本体数据让模型更好地理解物理世界，对跨本体泛化具有重要价值。

从百万到亿小时：走向全民采集

"2 万和 100 万是觅蜂的里程碑，但我们更希望它成为行业的分水岭。" 姚卯青认为，通往 AGI，物理 AI 最终需要亿小时级数据。

从百万到亿小时，最大瓶颈在于运营模式升级。觅蜂希望从集中式采集走向社区化、全民参与。" 我们希望不是自己拍脑袋设计 100 个任务来训练机器人，而是发动人民群众，把独门绝技绝活都贡献出来。" 姚卯青展望，未来数据采集会像骑手、网约车一样，成为灵活就业平台，每个人的技能、时间、经验都可以变成可量化结算的资产。

这一图景正在落地。觅蜂的设备已撒向各行各业，不再局限于专业采集厂。随着设备成本下降、操作门槛降低，" 每个人都可以成为数据采集员 " 正在临近。

产业层面，何贺判断，未来 1 至 3 年，物理 AI 数据产业将在生产、服务、家政、健康等场景更大规模推广。姚卯青则认为，数据产业可能比模型本身更先实现规模化和产业化。当更多参与者加入，数据积累将加速，最终推动物理 AI 从认知智能走向决策智能，让机器人真正 " 打卡上班 "，穿行货架、入户服务，走进日常生活。