Figure 面向全球人类发起“干活”悬赏，表面看是一场人力招募，本质上是为具身智能机器人囤积真实动作数据。很多做机器人和大模型的同行，第一眼以为这只是新闻噱头，但对真正跑过数据采集、清洗、训练这条链路的人来说，这是一个非常明确的信号：机器人行业最缺的已经不再是电机、算力或模型结构，而是高质量、可复用、覆盖真实场景的动作数据。
这篇文章不聊热闹，聊怎么理解这件事，以及机器人开发者、数据工程师、算法工程师能从中提炼出什么可落地的方法。无论你手里只有一台仿真环境里的机械臂，还是正在做一整套人形机器人的数据流水线，下面这些判断和步骤，都可以帮你少走一段弯路。
1. 机器人数据为什么突然成了最贵的东西
1.1 语言模型缺的是语料，机器人缺的是“动作轨迹”
过去几年大模型爆发的核心燃料是互联网上现成的文本和图片。语言模型可以从公开网页、书籍、代码里拿到海量语料，但机器人不一样。机器人学习需要的是“状态—动作—结果”这样的交互数据，简单说就是：机器人看到一个场景，做了某个动作，后面发生了什么。
这类数据在互联网上几乎不存在。你可以在网上找到几百万张猫的图片，却很难找到“机械臂在桌面上抓取一个透明杯子”的完整传感器记录。更麻烦的是，机器人数据不只是视频，还包括关节角度、力矩、速度、深度图、力反馈、任务指令等多个模态，任何一个模态缺失或没对齐，这条数据都可能不能用。
这也是为什么很多机器人公司宁可花大价钱让真人操作员去采集数据，也不愿意只靠互联网数据或纯仿真数据。人类动作里包含大量隐含的接触策略、容错方式和任务语义，这些东西很难用规则写出来，也很难在仿真里完全还原。
1.2 Figure 悬赏模式本质上是一个“数据众包工厂”
回到标题里的“悬赏人类干活”。Figure 的做法，核心不是找几个人到办公室里做演示，而是把数据采集这件事规模化、远程化、众包化。操作员通过遥操作设备或 VR 头显，远程控制机器人完成分类、抓取、摆放、整理这类物理任务，机器人在执行过程中记录下所有传感器数据，然后这些数据进入训练流水线。
这个模式对做机器人的人并不陌生。很多自动驾驶公司早就在用类似方式：让司机开着数据采集车在路上跑，把不同天气、路况、驾驶风格变成训练集。Figure 只是把这一套搬到了人形机器人和灵巧操作场景里。
这种众包模式有几个明显优势：
- 扩大数据覆盖面。不同操作员会有不同动作习惯，任务执行的时间、角度、力度都不一样，这种方差对训练泛化能力很重要。
- 降低采集成本。远程操作不需要每个数据样本都要一套完整硬件在旁边，操作员可以轮班，设备可以持续运行。
- 支持并行采集。一个团队可以同时管理多台机器人，每台机器人在不同场景执行不同任务，整体效率比研究员自己录数据高不少。
不过也要冷静看，这只是公开报道中的大致模式，具体薪酬、任务时长、结算方式，原始材料里并没有准确数字。想复制这套思路的人，重点应该放在“如何设计任务、如何保证数据质量、如何把数据回流到训练”，而不是纠结于某家公司的报价。
2. 从“人干活”到“机器人学会”：一条数据是怎么生产出来的
2.1 采集、清洗、增强、入模的标准链路
一套完整的机器人数据流水线，通常分成下面几个阶段：
- 任务设计：定义机器人需要完成的动作类别、场景范围、物体集合。
- 数据采集：真人通过遥操作、示教或遥控方式操作机器人，同时记录多模态传感器数据。
- 数据解析与对齐：把相机、关节、力觉等不同频率的数据统一到同一时间轴上。
- 清洗与筛选：去掉失败轨迹、重复片段、时间戳错位和标签错误的数据。
- 数据增强：在保留物理约束的前提下，做视觉扰动、位姿扰动、速度扰动。
- 输入模型：整理成状态、动作、奖励、任务描述等结构化样本。
- 仿真与真机验证：先在仿真里看学习效果，再放到真实机器人上做闭环测试。
很多刚接触这个方向的团队，最容易犯的错误是：第一反应就去调模型，结果数据链路还没跑通。实际上，机器人学习项目里，模型训练只占很小一部分工作量，绝大部分时间都在处理“数据能不能对上”“清洗规则是否合理”“样本分布是否偏了”这些问题。
2.2 采集端需要记录什么：不止是视频
很多入门项目默认“录个视频就行”，这对人类理解没问题，但对机器人模型训练远远不够。机器人策略学习需要的数据，至少要包含四类信息：
- 视觉信息：RGB 图像、深度图、点云，用于理解物体位置、姿态和场景结构。
- 本体感觉：关节角度、关节速度、加速度计和陀螺仪数据，用于描述机器人当前状态。
- 力矩与力觉：关节力矩、末端六维力传感器、触觉信息，用于处理接触类任务。
- 任务描述：自然语言指令、任务编号、目标物体 ID，用于条件化策略。
举个例子，如果让机器人学习“把杯子放到托盘里”，只有视频根本没法训练闭环控制策略。模型需要知道当前关节角度是多少，末端夹爪有没有碰到杯子，夹持力够不够，杯子放在哪里。任何一个通道缺失，都会导致策略在真实环境里表现不稳定。
在数据解析这一步，最建议的做法是用统一的时间戳把所有传感器数据对齐。很多团队的代码里，相机是 30 帧每秒，关节控制是 100Hz，力觉是 500Hz，如果直接把这些数据堆在一起训练，模型很容易学到错误的因果关联。先做时间对齐，再保存标准化格式，这个预处理工作不能省。
2.3 从原始数据到训练样本：为什么数据增强不能乱用
数据增强在视觉任务里很常见，水平翻转、色彩抖动、随机裁剪都能提升泛化能力。但机器人动作数据比图片要复杂得多，因为机器人数据里藏着物理约束。
比如“水平翻转”一张抓取图片，看起来没问题，但如果是左右手对称性不强的机械结构，翻转后的关节角度和力矩方向可能根本不可能出现。再比如对关节角度做随机扰动，如果幅度太大，生成出来的动作轨迹在人形机器人上可能违反动力学约束，模型就算学到了，真机上也跑不出来。
更稳妥的做法是：
- 视觉层面做轻度颜色扰动、亮度变化、相机位置扰动。
- 动作层面只加微小噪声，幅度控制在系统噪声的 2 到 3 倍以内。
- 仿真数据可以做域随机化，但真机数据要保持原始物理关系。
- 增强后的样本，必须通过运动学或动力学可行性检查。
这个原则可以记成一句话：数据增强的目的是增加数据多样性，不是制造物理上不可能存在的样本。
3. 一条真正好用的机器人数据集，要过哪些关
3.1 覆盖度比总量更重要
很多团队的验收标准是“我采了几万条数据”，但实际训练时发现效果依然很差。原因往往是数据覆盖度不够，而不是数据量不够。
判断一个机器人数据集好不好，我会优先看这几个维度：
- 任务覆盖：是否包含同一任务在不同位置、不同角度、不同物体状态下的执行数据。
- 场景覆盖：桌面、地面、货架、传送带、户外，光照变化，遮挡情况。
- 操作方差：是否由多个操作员采集，而不是同一个人重复录同一套动作。
- 失败数据：是否保留了失败轨迹。失败轨迹对学习“什么时候该重试”“什么状态是危险状态”非常有用。
如果 1 万条数据全部是同一个操作员在同一个桌面、用同一个姿势抓同一个杯子，那训练出来的策略几乎没有泛化能力。与其盲目堆数据量，不如先做一个覆盖度检查，统计每个任务下的操作员数量、场景数量、物体位姿分布，把分布严重偏斜的地方补齐。
3.2 质量清洗不是只做人工标注
机器人数据清洗和传统数据标注不一样。传统标注关心“图片里有没有人”“这个框是不是轿车”，机器人数据清洗要关心的是“这条轨迹是否成功完成目标”“关节数据是否有跳变”“相机和关节时间戳是否对齐”“力矩数据是否饱和”。
我建议把清洗流程做成自动规则加人工抽检两部分：
- 自动过滤：轨迹长度异常、关节角度越界、传感器缺失、时间戳乱序、速度超限。
- 自动打分：任务完成度估计、操作平滑度、接触力是否在正常范围。
- 人工抽检：随机抽取一定比例的轨迹，检查语义上是否符合任务指令。
如果你处理的是大规模数据，可以先用 pandas 这类工具做统计分析和异常检测，先算出每段轨迹的长度分布、关节角度范围、任务完成标记缺失率，再决定清洗阈值。不要一开始就上很复杂的人工标注流程，先把明显脏数据剔除，再看分布。
3.3 仿真数据、遥操作数据和真机自动运行数据怎么配合
三种数据各有各的用途，不要互相替代：
| 数据来源 | 优点 | 缺点 | 适合场景 |
|---|---|---|---|
| 仿真数据 | 成本低、可大规模生成、可覆盖极端工况 | 物理真实度有限、Sim-to-Real 存在差距 | 预训练、感知模型初始化、危险场景测试 |
| 遥操作数据 | 包含人类动作习惯、接触策略真实 | 采集成本高、速度慢、需要操作员 | 精操作任务、灵巧手控制、复杂接触 |
| 真机自动运行数据 | 与部署环境最接近、数据分布最一致 | 需要已有策略、探索效率低 | 策略微调、闭环测试、长期生命周期管理 |
实际项目中，一般先仿真预训练，再用遥操作数据训练技能，最后让真机自动运行采集一批近距离分布的数据做微调。这个顺序可以把成本和效果平衡住。
4. 国内机器人团队和个人开发者能从这次事件里学到什么
4.1 低成本搭建自己的机器人数据采集方案
很多人会觉得“数据采集只有 Figure 这种公司才做得了”，其实个人和中小团队完全能起步。如果你的目标只是验证一个抓取策略或一个导航策略，不需要先买人形机器人。
建议按这个顺序配置：
- 先用仿真环境采集数据，比如常见机器人仿真平台里的夹爪、移动底盘、相机模型。
- 如果有真实设备，优先选带力觉反馈或高精度关节反馈的机械臂，没有力传感器也可以用电流估算接触力矩。
- 遥操作设备不一定要买昂贵的力反馈手柄，普通 VR 手柄加视觉反馈，已经能完成大量桌面抓取任务的采集。
- 传感器数据统一用 ROS2 发布订阅机制保存，或者直接存储成包含时间戳的标准数据格式。
重点是先把“一条轨迹从采集到回放”验证通，再考虑扩大任务量。不要一上来就搭几个工位、采集几万条数据，最后发现格式没对齐，全部白采。
4.2 从数据采集到模型训练：导航、感知和运动控制怎么共用同一份数据
机器人数据集并不是只给“机械臂抓取”这一个任务用的。同一个真机环境，可以同时产出：
- 机器人导航数据：激光雷达、里程计、深度相机数据，用于训练路径规划模型。
- 视觉感知数据：目标检测框、分割掩码、物体位姿标签，同样来自采集时的相机画面。
- 运动控制数据：关节位置、速度、力矩轨迹，用于训练控制器。
- 任务决策数据：状态转移序列和动作标签，用于训练高层策略。
举例来说，如果你用一台移动底盘加机械臂做“取送物品”任务，采集到的一段数据可以同时拆出导航轨迹、目标检测训练集、机械臂抓取轨迹三部分。合理设计任务，一份采集任务可以喂多个模型团队。
对于视觉感知部分，如果手头有图像数据，可以用类似 yolov8 训练自己的数据集来进行物体检测，先做预标注，再人工校对。机器人导航部分则要重点关注地图表示、路径规划和避障策略，特别是多机器人协同场景，路径规划算法的输入输出格式要和数据采集范式保持一致。
4.3 资源受限机器人设备的数据采集与传输
很多实际机器人设备不是高性能工作站，而是资源受限的嵌入式平台，比如树莓派、Jetson、PLC 控制的工业设备。这种环境下做数据采集，不能照搬 PC 上那套方案。
我建议优先做三件事：
- 边缘预处理：在设备端先做图像压缩、时间戳标记、异常检测，减少原始数据落盘量。
- 数据分级存储：完整原始数据落本地，关键帧和状态摘要实时上传；任务完成后在空闲时段统一同步。
- 断点续传机制：如果网络不稳定，采集任务不能因为一次中断就全部重来。
另外，一定要建立数据备份与恢复的流程。机器人数据采集成本很高，真机跑了几小时的数据，一次存储盘损坏可能就全部丢失。至少做到任务目录自动备份、日志单独保存、定期校验文件完整性。
这里需要强调的是，很多报错并不是算法问题，而是文件系统问题。比如设备断电导致 rosbag 文件没正常关闭、目录权限不足、磁盘空间满了，这些错误看起来像“采集失败”，实际是存储层的问题。排查时先看磁盘和日志，再改采集参数。
5. 机器人公司开始变成“数据公司”：行业变化与个人机会
5.1 从模型参数竞赛转向数据工程竞赛
过去几年，很多 AI 公司比拼的是模型参数量和训练计算量。到了具身智能阶段，数据工程能力会慢慢成为更核心的竞争力。原因很简单：模型结构大家很快会趋同，训练框架也有成熟方案，但“高质量任务数据从哪里来”没有统一答案。
谁的数据采集成本更低，谁的清洗和标注工具更自动，谁能更快把一份新任务的演示数据变成可训练样本，谁就能更早跑通“采集—训练—部署—再采集”的闭环。
对个人开发者来说，这是机会。无论你是做数据标注工具、数据管理平台、传感器同步方案，还是做仿真到现实的迁移工具，都会有实际需求。机器人团队现在普遍缺的不是算法专家，而是能把数据链路跑通的人。
5.2 数据治理、数据合规和任务分配
当数据采集规模变大之后，数据治理问题就会浮出水面。比如数据版本管理、样本溯源、标签变更、质量回溯。很多团队开始时只有几百条数据，怎么存都行；到几万条、几十万条时，没有版本管理和元数据规范，后面根本没法复现实验结果。
规模化数据采集还涉及任务分配问题。众包模式下，操作员水平差异很大，任务规格如果不明确，同一任务可能采出来完全不同的动作风格。建议任务描述里写清楚每个动作的成功标准、接触力度范围、禁止动作，并提供可参考的演示视频。
数据合规也很重要。如果采集场景涉及真实办公环境、家庭环境或人脸信息，需要提前做好隐私处理。公开博客里不多谈具体法条，但做项目时一定要把“数据是否可以收集、是否允许保存、是否允许训练模型”这三个问题前置确认。
5.3 多机器人协同和场景环境数据
机器人数据不只是单台设备的数据，还包括环境信息和多机器人交互数据。比如多机器人路径规划算法，需要的是多机器人同时运行时的位置、速度、路径选择、冲突避让记录；服务机器人的环境感知系统，需要灯光、空间布局、人流密度等场景数据。
这些数据的采集方式比单台机器人更复杂，需要全网同步、多设备时间同步、任务编排管理。如果标题里“全球悬赏干活”这种模式继续发展，肯定会从单人单机采集，逐步演进到多机协同、多场景并行、跨地域部署的状态。到时候，如何统一不同设备、不同地域的数据格式，会成为下一个坑。
6. 如果你想进入这个方向，先把这些坑排掉
6.1 先确认自己是做采集、标注、工具，还是做训练
机器人数据赛道看起来很热，但入口很多，不一定每个人都要去训练模型。可以按自己的背景选方向：
- 硬件背景：做传感器同步、数据采集板卡、遥操作设备。
- 工程背景：做数据存储系统、自动化清洗流水线、可视化质检工具。
- 算法背景：做数据增强、仿真迁移、轨迹生成模型。
- 业务背景：做任务设计、采集标准、质量评估体系。
先想清楚自己适合哪一层，再投入时间。最怕的是什么都想碰，最后既没有把采集工具做好，也没有把模型训练跑通。
6.2 小团队验证数据流水线的建议
如果你的团队只有几个人，想验证一条机器人数据流水线，我建议按这个节奏来：
- 定义一个非常窄的任务，比如“把红色方块从桌面上抓到右侧托盘”。
- 手工采集 50 到 100 条成功轨迹，做好完整传感器记录和时间戳。
- 写一个简单的数据回放脚本，确认所有数据能同步回放。
- 训练一个最简单的行为克隆或强化学习基线，在仿真里看到学习曲线。
- 把策略部署到真机，跑十次，记录成功率和失败原因。
- 根据失败原因，回头补数据、改清洗规则、调整任务定义。
这个过程不追求规模，追求的是把链路打通。链路通了之后，再考虑把采集量从 100 条扩到 1000 条、10000 条。
6.3 排查清单：日志、时间戳、文件命名、备份
最后给一份我自己在排查数据流水线问题时优先看的清单：
- 先看现象：是训练不收敛、真机失败率高，还是数据无法加载。
- 再看数据文件：文件是否完整、命名是否规范、目录有没有写权限。
- 然后看时间戳：相机、关节、力觉时间是否对齐，是否有延迟跳变。
- 接着看清洗规则：过滤条件是否太严或太松，失败轨迹是否被误删。
- 再看数据分布：每个任务、每个操作员、每个场景的数据量是否均衡。
- 最后看工具链版本：ROS2 版本、torch 版本、数据集格式是否兼容。
踩过几次之后我发现，大量机器人数据项目的问题根本不是模型能力不够，而是前置环境和输入材料没有处理干净。文件路径带中文导致加载失败、数据集的标签顺序和训练代码不一致、设备时区不同导致时间戳错位，这些都会让你误以为是算法有问题。
Figure 这种全球悬赏模式，短期看是在解决一家公司的数据需求，长期看是在验证一个更通用的方向：物理世界的“干活”行为，正在被变成可以被复制、被训练、被分发的数据资产。对正在做机器人、做数据平台、做自动化工程的开发者来说，最好的应对方式，不是等着别人定义标准，而是尽早把自己手里的那一段数据链路跑通。
