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

硅谷101

2026.11.04 16:59

· 来自上海

全文22234字

DoorDash与丰田模式，与“自由的鸟”。

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？