对话Maxinsights：具身“卖铲人”的250倍增长、机器人Ego数据狂潮

（本文作者为 硅谷101，钛媒体经授权发布）

文 | 硅谷101

过去两年，在访问机器人公司时，我们听到最多的一句话就是：太缺数据了。

当机器人公司们还在探索模型、算法、数据和部署的时候，一家并不生产机器人的硅谷公司，把机器人数据做成了一门年化收入数亿美元的生意。

从100万美元到2.5亿美元，250倍增长，发生在短短一年。这家数据公司叫Maxinsights，它让普通人戴上摄像头，记录做饭、叠衣服、打扫卫生等日常动作，再把这些视频转化为机器人可以学习的训练数据。

如今，他们已经积累了200万小时的人类第一视角数据，并且建立起一张覆盖全球四千名数据采集人员的网络，而这家公司的数据采集运营团队，全职员工不到10个人。

我们在最近也访问了Dyna Robotics，这家硅谷机器人公司号称通过100万小时的人类第一视角数据，找到了机器人的scaling law（规模定律），而下一步，是1000万小时的数据。

当机器人行业开始验证自己的数据规模定律，这是否意味着，我们正在见证机器人领域下一个Scale AI的诞生？这篇文章，我们对谈了Maxinsights创始人袁宇光，从他经历的两代机器人创业潮说起，到当前机器人数据的商业模式、全球采集管理、数据技术，聊聊这场刚刚开始的机器人数据热潮。

陈茜：宇光，欢迎做客硅谷101。我听说你们现在是机器人行业里，数据业务收入最高的公司之一。你们主要的业务是什么？

袁宇光：我们主要做人类的数据，并且把人类的数据变成机器人可用的数据，帮助头部机器人公司训练自己的模型。

陈茜：现在具体的体量有多少？也就是硅谷现在说的ARR（年度经常性收入）。

袁宇光：我们的ARR（指的是2026预测年度经常性收入）差不多可以达到2.5亿美元左右。

陈茜：那今年增长应该非常快了。

袁宇光：是的，我们去年一年才差不多100万美元，到今年增长的速度非常快。这也跟行业发展有关，现在很多客户已经通过使用更多高质量数据，帮助模型训练，并得到了一些基本认知。

这些模型不仅有了更好的表现，而且使用了至少100万小时的数据。所以目前可以看到，Data Scaling Law（数据规模定律）在Physical AI（具身智能）里面已经实现了。

陈茜：过去两年，我一直听到机器人行业说缺数据。2025年大家说缺的还是遥操作数据，但最近我在硅谷看到，大家开始押注human-centric（以人为中心）的第一人称视角数据。

袁宇光：2025年和2026年确实发生了一些变化。2025年早期，客户跟我们一起去开发新的、帮助具身智能用更scalable（可规模化）的方式落地。

当时我们探索了很多数据类型，包括teleoperation（遥操作）、simulation（仿真）、egocentric data（第一人称视角数据），甚至做过手套数据。那时我们就发现，除了第一人称视角数据外，大部分数据要么难以规模化，比如遥操作永远有一个上限；要么落地时存在很大的差距，比如大家都知道的Sim-to-Real（仿真到现实迁移）问题。

当我们考虑规模化时就发现，如果能把每个人身上的特殊技能变成机器人的技能，想象空间就变大了。

2025年，作为这个行业里面最领先的人，我们第一个订单是200小时。那时候，200小时对我们来说还没有概念。

陈茜：是遥操数据吗？

袁宇光：不是，是第一人称视角数据。

陈茜：客户是谁，可以披露吗？

袁宇光：是美国头部的大模型公司。当时他们也在探索，我们一起试了很多数据类型，最后定在人类第一人称视角数据上。

主要有几个原因：第一是有用，第二是可以快速规模化，第三是还能把人类一些隐藏的技能，变成机器人新的知识和技能。把这些串起来就会发现，机器人将来想要实现真正的AGI，是可以把人的想法变成机器人的想法，并且予以实现的。

陈茜：人类隐藏的技能是什么？

袁宇光：就说现在很火的叠衣服，可能全球有成百上千种叠衣服的方式。如果把它们合并在一起，就可以让机器人用各种人类的方法去迭代，去叠一件很简单的衣服。

这样做的好处是，第一，可以让它叠得更有效；第二，可以叠得更可靠；第三，见到不同的东西都可以叠。所以我觉得，这给机器人本身增加了很多基础智能。

陈茜：相当于通过第一人称数据的方式，达到了它的泛化性。

袁宇光：是的。去年我们就已经发现，这些数据本身能增加模型一些简单的泛化性。

从最早的200小时，到去年年中、下半年加起来，我们一共有2万小时，相当于100倍的提升。到了今年年初，2万小时变成了20万小时。所以我们作为整个行业的一个先驱者，已经是走了三步。

在这个方向上，我们发现痛点也发生了变化：从缺数据，变成了缺高质量的数据。今天很多人还在说“我有很多数据”，但真正决定你能不能在行业里站住脚的，是数据质量到底有多好。

陈茜：先跟大家划清一下类别，你们采集的都是以人为中心、第一人称的视频数据？这些数据怎么采集？

袁宇光：是的，这种数据是来源于人们日常的生活，通过头部的设备进行采集。这是我们上一代的产品，而这是我们最新的产品，戴在头上可以记录整个手部的内容，而这种手部的内容会成为我们的毛坯数据，再经过我们的高质量处理管线，变成高质量数据。

陈茜：我看到上一代设备有六个摄像头，它有多大的视野？

袁宇光：270度。

陈茜：为什么要270度？

袁宇光：这也是我们最早积累的know-how（专有技术）。刚开始我们用GoPro，很小的摄像机。那时候我们收集的数据非常地真实且不可控，因为真实生活中，你的头会晃来晃去，手也会离开画面。所以我们用了270度的大范围视角，保证手至少在画面里，也能捕捉更多、更丰富的周围环境的信息给模型。

陈茜：两边各有一个，中间有四个摄像头，为什么这么设计？

袁宇光：中间四个主要拍到手，以及身体的一些部位，这些身体部位也可以给到模型提供更多的信息。以人为中心的数据不只有手，还有身体的位姿，所以会涉及pose tracking（姿态跟踪）和hand tracking（手部跟踪）。设备将来还要提供更丰富的信息，帮助模型做全方位跟踪。

陈茜：所以采集时，需要一位采集员戴着这个头盔。一天采集多少个小时？

袁宇光：我们的采集时间相对比较长。我们采用的都是相对专业的采集员和采集团队，这也是跟行业里不太一样的地方。现在很多公司有自己的外包采集网络，这很像当时Digital AI（数字智能）的模式：发动身边的人，让他们获得一些补充收入。

对我们来说，数据采集更像DoorDash，或者国内美团的模式。采集时，你需要大量、高质量，而且有多样性的数据，所以需要对采集团队进行直接管控。这种直接管控能帮助团队获得更高质量、更高的输出，才能在这个行业里获得更好的位置。

陈茜：这一块特别重要，整个数采团队的管理，我们待会儿可以详聊。先继续说数采设备，新一代相比上一代有什么区别和升级？

袁宇光：它更轻了，更轻，它的电池可以维持时间更长。

陈茜：感觉要小巧一些，甚至。

袁宇光：对，新的产品会更能快速地标定，就相对它得到的信息和结果会更准确。

陈茜：我看它只有4个摄像头。

袁宇光：对，4个就够了。

陈茜：那为什么之前要6个，然后现在只要4个。

袁宇光：其实也是迭代的过程。有更多的摄像头，大家就觉得会有更好的输出。但实际上我们也会考虑将来这个行业需要往成本优化的方式走，所以我们再去考虑得到更相同信息的前提下，要考虑更优化的成本结构。

陈茜：这两代摄像头的像素都一样吗？

袁宇光：对，类似。所以减到4个成本肯定是降低。

陈茜：那穿戴的体验，有没有什么区别？

袁宇光：这个是很轻的，而且它戴上的时候像帽子一样。然后你手机上会有一个APP，直接打开它连上就可以了。

陈茜：就是我看上看下看左看右，它就随着我的视线来动。

袁宇光：对，而且不管你怎么动，手部都不会离开画面。我们也希望通过硬件设计，让采集方式更容易规模化。

陈茜：特别有意思。那你们现在的体量是可以收集多少万小时的数据了？

袁宇光：我们一个月最高的产能可以收集到45万小时。

陈茜：所以你们现在手里面是有多少个小时的数据？

袁宇光：接近200万小时。

陈茜：这个规模在第一人称视角数据行业里，属于什么量级？是最多的吗？

袁宇光：是最多的，而且是相对高质量的第一人称视角数据集。

陈茜：你一直强调高质量。我也听机器人公司的研究员说，有些供应商号称有很多万小时数据，拿来训练却发现质量很低，根本没法用。怎样评判数据质量？

袁宇光：是的，质量本身也是不断迭代的过程。2025年刚开始，我们还没有清晰的质量概念，到今天已经有非常严格的质量管线，它会包含几个主要内容。

第一，tracking（跟踪）信息的准确度要高，达到毫米级。第二，数据要有足够的多样性，为模型提供更多样的数据。第三，还要有一定的量，每天只提供一小时，客户肯定不够用。这三个叠加起来，形成一个完整的数据包。

除了跟踪准确度里有很多language annotation（语言标注）的信息，视频本身也要包含有意义的任务输出。比如一直在玩手机，或者挠挠这里、挠挠那里，都不属于有效输出。有效的事件、准确的跟踪、准确的标注，把它们做成一个数据包，才是有效、高质量的数据。

陈茜：采集员戴着头盔完成任务、录下视频，你们收到之后，还要做哪些处理，才能交付给客户？

袁宇光：收集完所有毛坯数据后，要经过一条很长、很复杂的数据处理管线，最后才能交给客户使用。这一套管线出来的结果叫Training-ready Datasets（可直接用于训练的数据集），或者High-quality Datasets（高质量数据集），拿来就能训练。

而中间要对手部进行标注，要理解视频、进行语言标注，还要给整个视频做索引，归类它到底是什么。最后需要QC（质量检查），我们也会通过human in the loop（人工参与闭环）的方式验证数据质量。

陈茜：从原始数据进入管线，到成为可训练、可交付的数据，中间的淘汰率或筛选率是多少？

袁宇光：说实话，这个数字很难评判。因为很多筛选出来的数据，比如通过人工参与筛选出的数据，还会作为后续处理配方的一部分，回到管线里重新处理。我们会把数据的confidence level（置信度）分成不同等级，对应不同客户的要求，所以整个数据集也有不同分级。

陈茜：是不是有些客户要求很高，有些客户也能接受质量低一点的数据？

袁宇光：理论上，客户都需要高质量数据。

陈茜：低质量的数据给谁？

袁宇光：只是客户的要求不同。相对低质量的，我们更多叫General Datasets（通用数据集），会回到管线里重新处理。我们不会给客户低质量数据。

这些低质量数据能帮助我们重新认识，模型在标注过程中到底出了什么问题，以及数据管线应该怎样迭代。到今天，我们的管线已经迭代过差不多六七遍，这是行业里最重要的核心的部分。

陈茜：刚才提到遥操作、第一人称视角和合成数据这三类。第一人称视角数据，跟UMI有什么区别？

袁宇光：UMI数据是人手拿着夹爪，让它的形态跟机器人夹爪的形态对应起来，直接做retargeting（动作重定向）。UMI本身还会结合第一人称视角数据，现在比较流行的是这样一套方式。

第一人称视角数据是裸手的，没有任何夹爪，它们的区别就在这里。

陈茜：为什么要用夹爪？

袁宇光：这要看模型训练的三个阶段。大家知道pre-training（预训练）、post-training（后训练），现在还有mid-training（中期训练）。UMI会更多用在中期训练，甚至后训练里。

夹爪是目前更流行的方式，因为对于机器人来说，夹爪相对可靠，当然将来也会有很多灵巧手设计。我们的第一人称视角数据，不仅能对应夹爪，也能对应手。而UMI本身可以直接重定向到夹爪上，会更快、更有效。

陈茜：相当于UMI更适配夹爪机器人。如果我的人形机器人用的是五指灵巧手，就没必要用夹爪的UMI数据了。

那为什么要把第一人称视角数据和UMI结合？是希望训练出来的机器人，既能操作灵巧手，也能操作夹爪吗？

袁宇光：还是要看客户的机器人形态。有些偏向夹爪，就更依赖UMI；有些主要用灵巧手，那么直接从人手形态重定向过去会更好，因为两者更像。

陈茜：成本上有区别吗？

袁宇光：采集成本相差不大，主要区别在中间的数据处理管线。UMI的采集效率比裸手低很多。

陈茜：因为拿着工具去完成任务，肯定不如直接用手方便。

袁宇光：对，你做饭也不会用两个夹爪做饭。

用UMI采集，效率会低一些，但过数据管线时，处理会相对简单。裸手数据非常真实、不可控，会有很多边缘情况，所以管线需要处理这些问题。比如手经常被遮挡，有时看不到手，或者同一个镜头里出现多只手，比如我们在握手，都很难得到稳定的手部输出。

所以管线必须非常强大，才能提供高质量数据。

陈茜：目前客户主要在买什么数据？今年更多买的是human-centric（以人为中心）数据吗？

袁宇光：公允地讲，客户的数据训练配方里，有遥操作需求，有human-centric、也就是第一人称视角数据的需求，还有UMI需求。从我们目前的观察看，裸手第一人称视角数据的需求量最大。

你可以想象，不需要先变成夹爪这种中间形态，而是直接把人手变成机器人的灵巧手，像人一样下地干活，这多有想象空间。

陈茜：从成本看，遥操作最贵，仿真和合成数据最便宜，第一人称视角数据在中间？

袁宇光：理论上是的。但仿真数据，我们在2024年就研究过。因为仿真数据本身其实不是一个销售的产品，因为客户本身知道它非常便宜，可以生成很多，自己也可以做，所以它不是数据公司的主要方向。

仿真公司也有可以做的事情，比如环境、数据资产，这些是它们真正应该关注的。但就数据本身而言，我们认为目前从供应商购买的两个主要来源，一个是遥操作，一个是human-centric（以人为中心）。

陈茜：Human-centric（以人为中心）比遥操作要便宜多少？

袁宇光：不同客户有不同要求。如果从整个行业的发展来看，我认为可能便宜一半。

陈茜：我今年看到有一个趋势，很多世界模型公司、之前做视频生成的公司，现在都变成了机器人数据公司，也在向机器人公司卖数据。它们在这个环节里处于什么位置？

袁宇光：我们认为，很多世界模型公司也是我们的客户。它们需要相当多真实数据，才能生成数据，也希望跟我们合作。这类公司跟我们的生态位相互依存，反而会带来整个行业的提升。

陈茜：但它们买了你们的数据，再卖给机器人公司，会不会跟你们形成竞争？

袁宇光：是这样。在世界模型体系里，它们会基于我们提供的一些简单任务，做不同的泛化处理，最后进入整个数据闭环。在某种程度上，我们是相互依存的：我们提供更多原始数据，它们再生成视频，而我们可以继续用高质量标注产线，帮助它们把这些视频标注成处理后的数据，变成客户最终能用的数据。

陈茜：它们现在没有数据产线。如果将来也建了自己的产线呢？

袁宇光：假设这些公司有很多现金储备，今天想做数据产线，其实是在做我们2023年做的事情。刚才说过，我们大部分产线依靠模型，而这些模型的制作，需要Ground Truth Data（真值数据）。

我们有很多自己开发、研究的真值数据管线，这部分属于真正的Proprietary Data（专有数据），是任何人都没有的。所以，即使它们今天做，也只是在做我们2023年、2024年做的事情。

陈茜：有两到三年的差距。

袁宇光：对。所以我们认为，现在很多想做数据的公司已经入局晚了，头部已经产生了。

陈茜：这个差距没办法用其他方式赶超，因为这个数据产线是你们过去两三年积累的资产和护城河。

袁宇光：对，这是我认为数据公司一个重要的护城河。产线的结果是高质量数据，过程依靠不同模型，而模型又基于之前积攒的专有数据。这些专有数据的规模，我们认为已经达到行业相对领先的位置。

其他公司想再积攒，需要相当长时间。这些属于物理过程，不是直接就可以生成的数据过程。

陈茜：数据收集，以及收集过程的管理，也是护城河？

袁宇光：是的，数据收集及其管理都是护城河。数据公司需要一条很强的Vertically Integrated（垂直整合）产线，从硬件开发、运营，到数据管线，再到最终输出，整个链条都要连在一起。任何想卖数据的公司，都离不开这些。

刚才说的视频蒸馏公司，它们没有运营，也没有硬件。对于一个纯数据收集公司，没有数据产线，也没有那些专有数据。只有把这些连在一起，才能输出最高质量、最大规模，而且有多样性的数据。

陈茜：这大约200万小时的human-centric（以人为中心）数据，是多少人采出来的？

袁宇光：我们全球有接近4000人的采集团队，都是直接管理的。这个模式很像DoorDash，能帮助我们快速扩大规模、找到新场景，并采集到更高质量的数据。

陈茜：能不能解释一下这个DoorDash模式？

袁宇光：这种运营模式挺有意思的。今天包括Figure等公司，也在做外包网络。我们在2025年就试过外包的形式，但发现几个大问题：质量低、输出慢、产量也低。

在我们的理念里，运营就像工厂，只是它没有集中在一个地方，而是散布在各地。这更接近DoorDash式的直接管理：早期DoorDash会对骑手有更多管理，需要去哪儿、怎么做，系统都会直接给指示。

我们的运营团队是自建的，不太使用外部供应商。供应商的价值，是提供一些罕见、不常见的场景。而大量的自建团队，则能帮助我们快速进入想要的场景。

比如明天需要医院、养老院场景，可以直接向采集员下达任务，让他们进入这些场景，快速反馈回来。如果先找供应商，再让供应商安排，反馈闭环就会非常慢。这是快速迭代的行业，运营必须快速跟上要求，提供更高质量的反馈。

陈茜：自营听起来是个挺重的模式，需要怎样的管理经验？

袁宇光：挺难的，管理运营是一件特别难的事情。我们构建运营网络时，走了很多弯路。刚开始也用很多外部供应商，直接给目标，让他们采几万小时。

2026年1月，我们给出的目标是10万小时/月，如果低于2万就别干了。最后的成绩是18000小时/月。所以2月份进入调整期，我们觉得这种方式不行。我带着团队一点点看，怎样才能输出更多、更高质量的数据。

后来发现关键是以设备为中心，让周围的资源围着设备转，因为设备是唯一的资源。第一，设备要准；第二，设备要提升使用效率；第三，设备还要被正确使用。我们做的所有部分，都围绕设备本身拓展的。

刚才也聊到，我们一天能采集多少数据。在整个行业里，我们的设备使用率是最高的，所以这样才能帮助我们产生大量、高质量的数据，回到产线里继续使用。

陈茜：听起来，首先硬件要好，接着培训和管理都要到位。

袁宇光：同时还需要科技加持，需要一个平台。我们全球有接近4000名采集员，但管理这4000人的数据采集运营团队的全职员工不到十个人，这是一种非常高效的管理模式。

这种模式依靠的是中间这一层，叫AI Agent in the Loop（智能体参与闭环）的平台。它既能管理设备，也能管理人，还能帮助他们提高质量和数据产量。后端模型依靠我们大量的数据，直接给采集员反馈，甚至设备没戴好，agent也会提醒他们。

陈茜：Agent相当于一个“小监工”，盯着采集过程，随时反馈。

袁宇光：我们叫小助手。

陈茜：“小助手”这个名字好听一点。这4000名采集员分散在哪里？

袁宇光：我们分散在八个国家：美国，包括现在在的洛杉矶也有团队；还有墨西哥，东南亚的印尼、越南和泰国，中国、土耳其，以及最远的南非。为了管理这件事，我们还在印尼设了自己的办公室。

陈茜：4000人不算特别大的规模，为什么不集中在一个国家，比如印尼或巴西，而要分散到这么多国家？

袁宇光：这跟数据需求有关。模型需要更多样性的数据，理解来自不同地方的数据类型。不同国家有不同生活方式，把这些不同生活方式合在一起，才变成最后的智能。所以要去不同国家采集，每个人的生活方式不一样。

陈茜：比如做的菜不同，有法式菜、中餐，叠的衣服、生活方式和环境也不一样。

袁宇光：对，比如东南亚能见到很多长袖、戴帽子的，洛杉矶则有很多短袖。

陈茜：10个人通过agent去管理4000人，这个模式还是挺有意思的。现在可以透露一下客户都有谁吗？

袁宇光：客户分为两类。一类是大模型客户，就是你天天用的那些AI。因为一些原因，我们不能说具体名字。另一类是做Robotics Intelligence（机器人智能）的客户。

陈茜：大模型客户用这些数据，也是为了训练机器人，还是做视觉推理？

袁宇光：是训练机器人。

陈茜：所以Astra出来，它们肯定也用了很多机器人数据。

袁宇光：Astra这个方向特别惊艳。

陈茜：它出来之后，整个机器人行业都炸了。

袁宇光：我们也很兴奋。大模型使用很多第一人称视角数据和机器人数据，帮助机器人产生更多泛化性。

机器人公司看到变化，也开始思考：是不是真正要落地、做垂直应用，公司将来的方向是什么？我们希望帮助这两类客户，得到它们各自需要的基础设施，包括数据、评估和后面的落地，结合起来提供全栈支持。

陈茜：卖给这些客户的，都是同一套数据吗？

袁宇光：我们一直提供数据集的license（使用授权）。数据集每天都在不断扩大，所以每天都会不一样。

陈茜：我们前几天访问了Dyna Robotics。他们在Dyna-2发布时提到，用100万小时的human-centric（以人为中心）数据，找到了他们的Scaling Law（缩放定律）。这100万小时里，可能大部分都是从你们这儿买的，而你们也可能把其中七八十万小时的数据卖给其他客户。

从商业角度出发，机器人数据现在的模式会不会有一点像SaaS（软件即服务）？同一套软件可以卖给上千个客户。如果目前human-centric（以人为中心）数据总共就这么多，100万、200万小时，也可以卖给所有大模型公司和机器人公司？

袁宇光：数据对客户来说可以复用。如果一套数据集已经被一个客户验证过，它就很容易给其他客户带来相同、甚至更高的价值。所以我们也要不断提高对自己的要求。

陈茜：如果大家买到的是同一套数据集，对模型训练来说，数据本身就没有差异性了。

袁宇光：它们的训练配方不同。模型架构、模型使用方式都不一样。我想Dyna、Genesis、OpenAI，以及其他大公司，都有自己的一套训练方法。这是数据之外，它们自己的配方。

陈茜：所以，模型能不能更好地利用这些数据，是最终效果的差异点。后训练是不是也是？比如Dyna内部也会采集遥操作数据，用在后训练或RL（强化学习）中，这部分是它们自己要做的事情。

袁宇光：我们认为是这样。预训练、后训练、中期训练会形成反馈机制，让机器人更好地落地。我看到一个说法，99%只是一个起点。还有1%，需要通过后训练，真正实现部署。

作为数据合作伙伴，我们可以在后训练里提供更多不同价值。但这确实需要跟客户走得更近，了解它们的需求、帮助它们落地，才能做到。

陈茜：目前客户主要拿你们的数据做预训练？

袁宇光：目前是，但明天可能就不一定了。

陈茜：为什么？有什么不一样？

袁宇光：我们认为，行业变化很大。看到新的Astra 6出来，我们觉得基本泛化性的问题已经基本解决，但一些长程任务、更难的任务还解决不了，仍在提升。除此之外，行业也会进入下一个阶段。

我们认为明年有两个大趋势：第一，数据量继续扩增。我们自己的观点是，每家客户基本需要100万小时左右，作为保底的地板线，往上不设上限。不同客户有不同需求，但基本都是十倍增加。

在这个基础上，一些客户会进入后训练。这非常依赖具体环境，而我们的运营体系能快速提供不同环境、不同场景，帮助客户测试和评估硬件。不只包括模型，也包括硬件本身的可靠性。这也是我们跟客户越来越近的原因：不只是数据供应商，后面还包括模型反馈的供应商。

陈茜：我跟Dyna聊的时候，他们说现在Dyna-2完成100万小时之后，接下来想再验证1000万小时的量级，看Scaling Law是否还能立得住。如果成立，可能说明路线是对的。

行业往1000万小时的human-centric（以人为中心）数据迈进，对你们是很好的机会，但竞争也会更多。什么时候能达到这个规模的训练集？一年能完成吗？

袁宇光：我觉得可能都不需要一年。这就是为什么要建立足够灵活、能产出高质量数据的团队。

从100万到1000万小时，十倍提升，是对运营最大的考验。像外包网络，一个人一天可能也就产出一两个小时数据，要多少人才能满足1000万小时的需求？

陈茜：如果你们要产出1000万小时，需要多少人？

袁宇光：我估计需要现在基础上3到5倍左右的人。

陈茜：现在是4000名采集员，可能要到2万人？

袁宇光：差不多在1.5万到2万人左右。

陈茜：对公司的挑战是什么？

袁宇光：我们永远在看怎样快速扩大规模，这对公司成长非常关键。最大的挑战有三点：

第一，能不能保持数据质量的同时增加数量，还能保证多样性。这三个放在一起，要看管线够不够稳健可靠。如果每天只能产生一两个小时，我认为无法满足行业需求。

第二，在这么多行业、这么多国家运营，能不能快速转换？

第三，在前两点的基础之上，能不能理解客户对1000万小时的具体细分要求？这些要求可能不止一个，还会根据客户自身需求不断迭代，你怎样跟客户紧密协作？

目前我们有三十多个客户，每个客户对数据需求都有不同想法。我们也会反过来建议，数据应该怎么做、往后怎么走。从100万到1000万小时，需要跟客户持续沟通数据迭代的过程。我们非常愿意成为行业的一部分，帮助整个行业像飞轮一样转起来。

陈茜：如果类比大模型数据，Scale AI最初的采集成本没那么高，但模型能力越来越强，就需要硕士、博士标注高质量科研数据，成本也越来越高。

机器人数据会不会也是这样：通用、泛化性较强的场景相对便宜，但垂直专业场景的成本会很高？

袁宇光：我认为Physical AI会跟Digital AI走一样的路线。今天Scale AI、Mercor等公司都在提供更多数据给大语言模型，具身智能将来也会这样。

2025年最初的200小时基本不设限，什么都可以。到了下半年采几万小时，任务要求还很简单，做些简单事情、搬动东西就行。到今天，要求确实越来越难。它不再需要数据工厂里的模拟场景数据，也不再需要简单的“擦擦擦”。

陈茜：什么叫擦擦擦？

袁宇光：比如擦桌子、擦玻璃，这就叫“擦擦擦”。现在也不再需要简单地把东西摆来摆去。

和Digital AI一样，将来会需要越来越难的数据。一类帮助大模型继续提升，另一类满足落地型客户的需求。比如客户要去养老院，就不需要医院的数据，而是希望全球不同地方的养老院一起帮忙测试。怎样把成功率从99%提高到99.99%，才是我们提供的价值。

目前我们有三十多个客户，我们认为是行业里客户数量最多的公司之一。同时，ARR（指的是2026预测年度经常性收入）差不多能达到2.5亿美元。行业扩张确实带来了很多欣喜，但也带来了很多困扰。

陈茜：困扰是什么？

袁宇光：困扰是怎样尽可能快地规模化提升数据质量。从200小时到200万小时，甚至将来1000万小时，需要的基础设施是不一样的。

比如上传网络怎样设置更省钱？怎样更好地标注？现在还有很多业内人士用大模型做文字标注，太贵了，会花非常多钱。所以我们做自己的模型，既为了省钱，也为了提高质量。

另外，怎样把人的活动连接起来，让他们形成一定网络，还能保持大规模、高质量，这件事很难，这是我们在考虑的下一步。

陈茜：大语言模型已经穷尽互联网上的人类语料和数据，机器人的数据会穷尽吗？因为机器人数据不在互联网上，而是采集出来的。从100万小时到1000万小时，它的上限在哪里？

袁宇光：我认为会，但也要看数据类型。遥操作的上限相对较低，到一定程度，量就够了。第一人称视角数据的上限更高，但到一定程度，也会进入平缓期。

陈茜：为什么会进入平缓期？

袁宇光：平缓期是指，在相同模型架构的前提下，继续增加这些数据，对成功率的提升已经非常有限。

再下一步，就要看你想用模型做什么。如果觉得99%可以了，可以去做更难的任务，但更难任务的提升也会很慢。另外，如果要从99%提高到99.99%，就需要更多、更专业的数据。

所以我们认为，将来的运营网络会从普通人都可以戴的设备，发展成专家式的网络，帮助客户更快跨过99%到99.99%的平缓期、更快落地。人形机器人最终要商业化，更快执行一个应用、真正落地，才能更快收回成本。谁能帮客户更快落地，谁就能赢得信任和订单。

陈茜：如果数据增加到一定程度，对模型的提升有限，或者说曲线变得平滑，那你们这类机器人数据公司的价值还在哪里？

袁宇光：在后面。数据只是切入点，落地时还需要评估和部署。这种评估和部署在Digital AI时代里是没有的，需要在实际生活里做物理尝试。

比如模型做好了，最近Physical Intelligence发布了API，你要测试：第一，它到底在哪些地方、哪些场景、哪些情况下会失败？第二，失败后，能不能帮助它恢复？恢复的过程，又会成为更宝贵的数据，帮助模型提高泛化能力和成功率。这些是数据公司可以做的。

再往后，想象沃尔玛、Costco使用人形机器人时，需要的是全栈支持，不仅包括落地，还包括数据。那时数据合作伙伴也很有想象空间。当把数据生产产线、运营网络，再加上部署和评估平台结合起来交给客户，这时候比如Costco、沃尔玛就可以使用这一套产品，真正落地，就像今天使用ABB、库卡的工业机器人一样。

陈茜：所以最终的愿景，是做全栈服务商。

袁宇光：是的，我们也在往这个方向发展。数据带来的是高质量、大规模的数据处理能力，这是深的能力；运营是广的能力。两种能力叠加，再跟客户共同迭代，形成与客户协作的能力。

这三种能力放在一起，三位一体，才能在Physical AI领域走得越来越远。这是我们不断打造能力、考虑更长远发展时在做的事情。

陈茜：从数据的角度看，你觉得什么样的机器人公司最后能够走出来？

袁宇光：我们希望每一家客户都走出来。

陈茜：所以都来用你们的服务、买你们的数据。

袁宇光：我们真的希望每一家客户都走出来，也是抱着这样的信念在做。我来自传统机器人领域，工业机器人很可靠，但很多人在做编程，其实是人在为机器人服务。

我们希望大模型公司提供更高的泛化能力，也希望这些与我们合作的、行业内有名的具身智能公司，真正进入它们能做的每一个场景。看到那一天，我会非常欣喜，不管我们在行业里是什么位置。能够为行业发展尽一份力，就是我们想看到的未来。

陈茜：接下来聊聊你的创业经历和来时路，帮助大家理解你为什么会选机器人数据这个方向。你从交大毕业后去了伊顿，后来进入机器人行业、自己创业。当时为什么选择伊顿？为什么想做机器人？

袁宇光：当时有很多offer，但那是很多很多年前了，我只是长得比较年轻。

交大毕业后，我当时也接触过Accenture，以及一家咨询公司Booz Allen Hamilton，后来拆分成Booz Allen和Hamilton，是全球除了麦肯锡、BCG、贝恩之外的第四家最大的咨询公司。

但我不是特别喜欢做演示报告、做分析，还是希望能动手、去尝试，所以选择进入自动化公司伊顿。这是一家五百强左右的企业，给了我很好的机会。我去过美国、墨西哥、日本，这些经历对现在的影响非常大，给了我全球视野和经验。

陈茜：伊顿当时主要做什么业务？你担任什么职位？

袁宇光：伊顿比较有名的项目之一，是国内C919的动力总成。它也是美国很大的电力供应商，有点像西门子、施耐德。比如我们这栋楼的电力系统，应该就是伊顿的。

我做过很多职位，产品经理、供应链、市场经理、销售，几乎把非技术的角色都做了。对我影响最大的，是在日本工作的四年左右，接触了很多生产体系，其中最有名的是丰田生产体系。这是一种质量管控体系，怎样在上量时控制质量，把两边平衡好，我把这些用到了今天的运营里。

陈茜：丰田的体系是什么？

袁宇光：丰田的体系叫TMS（丰田制造系统），也有其他日本名字。它分为几个部分，但大部分讲的都是质量：怎样在快速上量的同时保持质量？

比如生产汽车有一种流程叫PPAP（生产件批准程序）。上量的同时，质量必然会受到影响，所以要控制上量，再提升、再控制。我们管理运营时，也把它看成一个工厂，只不过这些工厂不在一个地方，而是在全球各地。

它背后的理念，就是First Principle（第一性原理）,第一性原理是不变的。上量时，质量必然会受到影响，所以要控制质量，压下来，到一定程度再调整、再控制。这样才能在短期内，不断得到大量、高质量的输出。

陈茜：下压的过程中，会遇到什么挑战？

袁宇光：很多挑战。不同场景有不同要求，比如具身智能采集中，会有很多无意义的任务：玩手机、走路、手离开画面、跟人聊天。还有设备佩戴不对的情况，有的人喜欢这样戴。

陈茜：镜头就直接对着天花板了。

袁宇光：像这样戴，数据怎么处理？还有很多边缘情况，怎样通过管线处理？场景又能不能持续保持多样性？

我们发现过，一个房间四个角各放一张桌子，四个人采四份数据，衣服叠完了放、放完了再叠，效率最高。但这对我们的管理不利，对客户的泛化性也不利。我们用很多方法去掉这些问题，最后输出的才是真正的高质量数据。这些细微之处，客户是不知道的。但我们为管理这些数量和质量问题，花了大量精力。

陈茜：这些来自你当年在伊顿的经验？

袁宇光：确实是在日本跟生产体系学到了怎样生产。只不过现在不是在一个地方，而是在全球各地生产。

陈茜：2014年左右，你为什么决定离开伊顿创业？

袁宇光：想做一只自由飞翔的鸟。2014年出来以后，我最大的感受是，原来自己像笼子里的鸟，被喂得挺胖、挺好，别人给食吃，但永远在笼子里。飞出来后，才发现世界很大，有很多有意思的感受，也很好奇。但有时候找不到食吃，这也是那时挺痛苦的地方。

陈茜：你创办的Mega Gear Robotics，当时做什么？

袁宇光：做机器人。我们想做自己的低成本机器人。2014年，十二年前，ABB、库卡、Yaskawa（安川）、Fanuc（发那科）这“四大家族”，加起来占中国90%以上的市场份额，跟今天截然相反。我们觉得这是机会，想做自己的机器人，替代头部企业，就是这么简单的想法。

陈茜：你当时觉得他们做得不好，还是觉得他们太贵了？

袁宇光：太贵了。按今天的价格看，那时差不多是现在的2倍、2.5倍，甚至3倍。

陈茜：当时做的还是大型机械臂、工业机器人，并不是人形机器人。

袁宇光：对。那时还没有今天熟悉的节卡（JAKA）、埃里特等协作机器人品牌。最初我们也做得不好，做了一台裸机，外壳都没装，线露在外面。做下一代产品时，想把它当废铁扔了，但我觉得这样不行。

后来遇到一位大学老师，他说有些预算，我就问能不能用在我们身上，他问我们有什么。2014年，我刚看到“开源”这个新词，就说这台机器人是开源的。他愣了两秒，问什么叫“开源”，我说“就是你可以随便改”。他觉得挺好，因为大部分工业机器人只能编从A到B，没办法编太底层。我们的机器人可以编到底层，满足了很多大学、技能学校的需求，帮助学生提升对机器人本身运动学的认知。

陈茜：相当于宇树现在的生意：提供本体，让大家在上面编程。

袁宇光：是的，变成了一个小的开源平台。当时销售还不错，我也觉得挺好。

陈茜：你当时卖多少钱一台？

袁宇光：接近20万元人民币。

陈茜：这么贵？

袁宇光：那时候算便宜的。相同负载下，ABB、库卡还要高20%到40%。

陈茜：“四大家族”已经占了这么大的市场，你为什么有信心，觉得自己能做得比它们好？

袁宇光：那时候没有自信，就是试试看。我不是想做鸟吗？飞出来以后，得先找东西吃再说。我们一直在探索，试过很多方向，从机器人做起，后来做到了这部分。

开源机器人虽然有很多学校客户，但宇树走到今天，是因为它一直坚持，并不是所有人都看好教育行业。所以后来我们又从硬件转到模型、计算机视觉，用很多图片做了一个小模型，才真正走出来。

陈茜：但那时的模型跟今天肯定完全不一样。

袁宇光：不一样，但也有相同的地方。那时候模型很小，难的是取得数据、取得高质量照片。我们当时做的一个产品需要不断拍照。拍照看上去很容易，但产品本身有不同特性。我们的目的是，用一种特别的方式，准确把它夹起来，放到同一个很精确的位置上。这需要了解产品形态，而形态有上千种，对我们很难。所以那时候，我就开始对数据有一些认知了。

陈茜：后来为什么把公司卖了？

袁宇光：这是创始人一个好的出路。我觉得创始人有三种出路：上市、卖公司，或者让公司非常盈利。这给了我今天做企业的一些感受：要以终为始，先想最终怎样做，再回到今天。

那时候没有这个想法，是从始终，看到方向，先做再说，就像在黑森林里，看不到任何东西，不知道往哪走。所以给其他创始人的一点建议；先想商业模式是什么、怎么盈利。别像我一样，先打开笼子飞出来。没有食吃，瘦了一圈，才挣扎着看清世界，那时候挺痛苦的。

陈茜：是不是当时觉得市场也就那样了，因为高校教育市场本身比较小，当时大家对机器人软硬件的认知，也还没准备好？

袁宇光：是的。2014年甚至更早，二零一几年的时候，这个行业一直很难发展。当时没有具身智能的概念，大部分在讲“工业4.0”，还记得这个词吗？

后来我们又试了很多方向，大概转型六七次，包括工业互联网、IIoT（工业物联网），把机器人连接起来，做能联网、监控的平台。

后来为什么不做了？因为商业模式不对，收不上来钱。我们很快铺了几个工厂，能监控几百台机器人，但客户不愿付费，就只能转型。

陈茜：不愿付费，是因为没有看到价值？

袁宇光：我认为那时还没有到那个付费习惯。痛点和痒点很难区分，客户告诉你“我需要”，很多时候只是痒点，挠一挠就行了，不愿意付费。真正的痛点，才会让客户持续付钱。

有句话说得很好：当你的产品不完善，几乎不能用，只有核心功能时，客户还愿意付费，那才是真正的痛点。

陈茜：当时客户告诉你，他们的痛点或痒点是什么？

袁宇光：我当时根本没问痛点是什么。我带着一个小团队，把大家关在屋里，说咱们打电话给这些人，给他们装上，他们肯定有需求。

我假设他们有这个需求。我问了两个朋友，他们说“有，可以试试”。但他们的第一句话，我当时没有真正记在心里，现在才有感受：他们在回答有没有需求之前，先问的是“这事要不要收钱？”我说“不收钱，先试试”，他们就说“好，试试就试试，挺好”。

但上量以后，发现他们真正的付费意愿比较低。

陈茜：如果当时说要收钱，可能就不想试了。

袁宇光：下一个问题可能就是“收多少钱”。而且很多时候，我问的人不是最终决策者，甚至说愿意付钱，都不一定是真的。

这给了我很多今天的感受，包括这次创业之前，我咨询了大量的人。2022年，我有了再做一些事情的想法。2023年，看到机器人叠衣服，我觉得行业要变化了。这跟过去ABB、库卡那些大型工厂、车间里的机器人完全不同，需要一种全新的、处理柔软物体的能力。

看到叠衣服，我觉得接下来肯定会发生什么，但又不确定。于是向UC Berkeley和自己的关系网络，发了大量陌生拜访邮件，咨询了接近200人。

陈茜：当时你在伯克利念书？

袁宇光：在伯克利念MBA。

陈茜：是把之前的公司卖掉后，去伯克利的？

袁宇光：是的。我在伯克利发邮件，几乎给机器人行业的同学都发过。最初回复率很低，只有10%。后来不断改进写邮件的技巧，提高到了40%。

陈茜：那时还没有ChatGPT帮你写邮件。

袁宇光：对，都是自己写。每周差不多安排两个会，不断问他们的想法。这些人里，有些今天成为客户，有些成为竞争对手。生活就是这么有意思。

陈茜：伯克利是个很神奇的地方。我觉得你毕业的两所学校，在这一轮AI浪潮里都很重要。交大不用说，硅谷很多核心研究员、创始人都是交大毕业的。伯克利也一样，比如机器人领域的Chelsea Finn、Sergey Levine、Pieter Abbeel，都是教父级、教母级人物。伯克利的机器人行业氛围是什么样的？

袁宇光：伯克利、斯坦福，学术合作都非常紧密，整个湾区作为一个整体，大家都是机器人的信仰者，相信人形机器人、相信机器人领域的AGI。所以说这种信仰，把大家聚集起来。

我当时跟他们聊，也在想这种信仰是什么。逐渐融入这种氛围，再同频交流，才有了今天的Maxinsights。公司的所有基础，都来自那个时候很早期的认知。

今天大家都知道数据是瓶颈，但回到2023年，很少有人有这个认知。从当时的非共识到今天的共识，我们把赌注放到桌上，把所有精力放到桌上，变成真正的筹码。这跟整个行业和整个学术的氛围是离不开的。

我们公司有学术人才，也有工程师，彼此结合很有意思。既要发展前沿技术，又要帮助它规模化，这才是将来的核心。

陈茜：这一轮吸取了上次的经验，一定要找到足够痛的痛点。你确实也找到了机器人行业的痛点，就是数据。当时你创业的时候，为什么这么笃定？

袁宇光：这件事有两个大的认知。第一个是同类对比，Physical AI有无人驾驶这个先行者，还可以参考Digital AI，它们都离不开数据。过去获取数据的方法，跟今天很相关，可以参考。

第二个是另一个维度，是找到真正的决策者。可能就是带动行业前沿技术发展的研究人员，他们说的话，一顶一地重要。所以我当时聊一个人就很兴奋，天天聊都不觉得累，反而精力充沛，因为得到了更多知识，知道行业会怎样发展。

我觉得我们的工作也是这样，包括很多VC公司也是。这些是我当时得到的基本认知，但那时完全是自发的，只有我自己发邮件，到今天发件箱里还保存着那些邮件。

从这两个角度交织在一起看，我认为行业正在变化，再加上2023年看到机器人叠衣服的结果，这些合起来，成为我往后发展的动力。

陈茜：你现在押注机器人的Scaling Law。虽然之后想做全栈服务，但这件事的上限，也决定了目前能卖多少数据。

袁宇光：我认为是这样。但行业边界在于Physical AI到底有多大，真正部署人形机器人的机会有多少。客户可以做智能、做部署，但真正部署时，需要很广的输出、很深的认知，这是我们提供的价值。

所以它不仅由数据的上限决定，也由整个行业的边界决定。我们笃定Physical AI的上限会远大于Digital AI，这是我们真正押注的现实和未来。

陈茜：你们是这一轮“卖铲子”的人，但这听起来好像没有做机器人本身那么sexy，你能接受吗？

袁宇光：每个行业都有自己的角色，要从自身优势和能力出发。我们团队结合了工程化与研究，也包括我个人的经历。你让我真的做AI深入研究，我做不了。

但我能做的是，让整个行业的基础变厚，帮助客户快速扩大规模。我的所有经历，都在告诉我怎样规模化，包括在日本的运营，以及后来工作中怎样寻找新机会。上一家公司，我花了大量精力寻找部署机会。把部署经验和运营经验结合起来，就是我在这个行业里能提供的更高价值。

陈茜：你对数据公司的门槛很有信心。但中国、东南亚一些公司的成本，可能只有在美国做的几分之一，甚至更低。你怎么看未来数据之间的竞争？

袁宇光：要看一小时数据的成本结构，其中很大一部分来自运营，另一部分是云，此外才是其他成本。刚才说的人员、G&A（一般及行政费用）、R&D（研发）等，摊销到每小时数据里，占比很小。

我们有三个办公室，硅谷、苏州、印尼，分别为公司提供不同价值。我们核心在硅谷，不断地提升前沿技术，以及数据管线里的多个模型；外围办公室提供运营管理，美国也有全球管理；中国更多提供工具开发能力。

对比东南亚、中国的一些公司，它们相对更具地域性。就像Uber全球运营一样，我们的愿景也是全球运营，以美国为基础，发展到中国、欧洲，不局限于一个地方，这才是整个客户体系。

陈茜：亚洲公司也可以设全球办公室。你们在硅谷，是不是也有地缘政治因素：美国机器人公司更倾向采购美国数据公司的数据？

袁宇光：理论上是的。作为美国公司，我们离美国客户更近，能提供更紧密的服务、更快的迭代。

将来我们还希望在欧洲设办公室，跟欧洲客户持续迭代。客户服务需要不断加快反馈机制，这对后面的评估和部署也有帮助。

陈茜：冷启动时，机器人数据、尤其human-centric（以人为中心）数据还没有爆发，增长也没那么快。你怀疑过这次的路线是否正确吗？

袁宇光：行业发展中，你会不断自省。不是怀疑，而是去确定，事情是不是在正确方向上。那时，我认为数据的大方向基本确定，行业发展离不开模型架构、云、数据这三个要素。

数据是我们不断迭代、发展的重要方向，但数据本身又有不同分层，那时还有很多人在讨论仿真数据。当时仿真数据看上去很吸引人，也很容易规模化。

陈茜：这也是英伟达的一条主要路线。

袁宇光：对，其他公司也在用仿真数据。我们不评判仿真数据究竟怎样有用，但从销售角度，它很困难。客户能自己生成，数据就会很廉价。

我们也研究过遥操作在行业里的方向和影响。刚开始真的是车库创业，我和合伙人在他家车库摆了一套设备，做遥操作、接订单，接完回来继续研究。但确实碰到了很多困难。设备可靠性差，要找维修技术人员，运营效率也很低，而且越简单的任务，效率反而越低。这可能反直觉：简单的抓取、放置需要复位，如果复位时间跟操作时间一样，有效率最高就是50%，超不过去，一天的输出就那么多。

我们才有了新认知：遥操作确实很难规模化，也不适合我们的团队，所以继续找新方案。不断复盘，才能找到新方向，继续提高。

短期内，继续增加数据仍然可行，我们看到明年客户的基本需求，差不多都有十倍以上增长。但还要往下一步走，有部署、有评估，跟客户走得更紧密。还是以终为始，终点一定是人形机器人在某些场景里落地。落地需要评估模型，需要更多后训练、中期训练，甚至预训练数据。把它们合在一起，就是今天要准备做的事。

陈茜：做这些事情，目前最大的挑战是什么？

袁宇光：最大的挑战还是规模化提升数据质量。这是核心，背后有很多因素支撑。

首先，管线要更灵活，运营也要更灵活。单纯增加到一万人，怎样控制产量？如果需求变化，一万人天天消耗现金，这不行，所以必须灵活。

另外，怎样复用今天的数据质量和运营能力，把它们结合起来，变成真正给客户创造价值的部分。

陈茜：现在大家都看到数据行业是个香饽饽，都进来了。我听说有一些比较灰色的地带，比如有“数据二道贩子”，自己采集能力不够，就买别人的数据打包，凑成似乎很大的量，再高价卖给客户。你怎么看？

袁宇光：我们非常反对这样的事情。在我们的认知里，这个行业没有代理商。一份数据复制过来，就做更多销售，对数据行业会产生很不好的影响。

我们有一个词叫“数据纯度”，越纯，说明你拥有数据的能力越高。我们的数据纯度是百分之百，都是自己采的，全部由我们拥有。我们听到有些公司买其他外包商的数据，也听到有些公司在其他国家使用代理商，这种方式很难持续。

全球公司要有全球视野，清楚自己笃定的核心判断、商业模式是什么。首先要拥有数据，做好垂直整合，然后在拥有的同时，快速转化成客户的要求、保持标准。这才是规模化提升数据质量的最终结果。

陈茜：未来一年，你觉得硅谷机器人行业会怎样发展？

袁宇光：我们认为会发展得更快，实话实说。

陈茜：数据也会快速上量。

袁宇光：是的。看到客户需求，就能反推现在要做的事。两者连起来，你会发现客户接下来要做的事，让我们非常兴奋。我们认为明年具身智能会进入新时代，不仅有数据需求，还有更多落地和垂直应用。

身处上游、行业头部，看到的不是一两个客户，而是整个行业的变化。我们的客户几乎涵盖了所有这些品牌，我们也希望跟客户一起迭代，把最好的产品带到市场上。

陈茜：你们如今的议价权高吗？

袁宇光：产品价格在于提供的价值，而价值需要跟客户一起迭代。我们与客户变成了一种合作伙伴关系，原来叫Data Vendor（数据供应商），现在叫Data Partner（数据合作伙伴）。

跟客户一起迭代，走得越来越近，议价权已经不重要了，重要的是产品真正提供的价值，有没有体现在价格里。我们一直坚持的数据质量，能不能真正帮助模型提升，这才是要做的事。

陈茜：议价权重要，议价权意味着利润。就像GPU，因为稀缺，所以有高议价权。如果未来一年竞争多起来，议价权就不得不下降。

袁宇光：我们认为，行业价格基本是平稳的，没有特别多变化。只有一些新、小供应商，会用极低价格进入。

陈茜：有点打价格战的意思。

袁宇光：但客户不买单。一个供应商跟你合作很久，提供大量高质量数据，客户看的是，它到底能不能提升更多价值，弥补成本。这笔账，客户是算过的。

用了非常低价、质量不好的数据，计算成本反而更高。如果模型退化，还要重新训练一版，就不只是买数据的问题了。所以数据合作关系会越来越紧。

陈茜：当数据量上去之后，单价和成本是不是也能降一些？

袁宇光：数据量上去后，会进行分级定价。

陈茜：怎么理解分级定价？

袁宇光：现在流行的大部分还是手部数据，大家放的演示也主要是手。以后会有upper body（上半身）、whole body（全身），还会有手套等不同方式。

陈茜：具体怎么做？从第三人称拍机器人吗？

袁宇光：有些从第三人称，有些第一人称就够了。我们有不同生产方式、不同管线，所以要用不同设备，才能更有效地生产数据。也包括不同模态，比如力控、力觉的感受。这是我们做的手套，表面有很多bending sensor（弯曲传感器）。

陈茜：外观看起来跟普通手套差不多。

袁宇光：湾区可能用不太到，但在比较冷的地方，能看到很多这样的手套。它很柔软，手心、手掌和手背都有弯曲传感器，用来收集力的数据。

陈茜：它采集什么数据？

袁宇光：力、tactile（触觉）这一类数据。

陈茜：手指上也遍布传感器。这跟我在国内看到的触觉传感器不太一样，它们直接做在灵巧手上，感觉更复杂一些。

袁宇光：有些原理一样，也有区别。最难的还是规模化，同时保证可靠性。这些数据也会成为刚才说的分级定价的一部分。新的数据种类、新的数据形态，会决定不同定价。所以数据量虽然上去了，平均价格没准还会上升。

陈茜：自动驾驶因为极端情况、安全、监管等问题，落地比我们预想中晚了很多年。机器人也会这样吗？如果也晚很多年，对你们意味着什么？

袁宇光：无人驾驶是在车的基础上提升智能，难点是很多极端情况、安全问题。真正在路上发生交通事故，非常困难。早期Uber自动驾驶出过问题，后来卖掉整个部门，现在又重新做。