一台机器人60万，采一条数据几块钱：这笔账谁在算

📋 目录

• 💸 开场：一台机器人60万，一套设备几千块
• 🔁 遥操作的四个死结
• 👤 以人为中心：把人的手当传感器
• 📊 RoboPaint 对照实验：省了时间，赔了20个百分点
• 🔗 为什么"以人为中心"这件事比想象难
• ⚠️ 三个必须说清的口径
• 🏗️ 领码 SPARK 融合平台：让采集现场和训练现场用同一本账
• 🎯 给数据团队的五条判断标准

💸 开场：一台机器人60万，一套设备几千块

先看一个数字对比。

许晋诚在 AI 科技评论《物理 AI 50 人》访谈里讲遥操作的成本劣势时，说得很直接：

“一台机器人 60 万；而’以人为中心’的采集，成本主要在传感器和采集设备上，一套设备几千块。一台机器人的钱，够我采接近 100 个人的数据。”

这句话值得停下来想三秒。

遥操作是机器人行业最直觉的采数据方式：人戴着控制器，远程操作机器人做任务，录下来的画面和关节数据直接就是机器人的。听起来完美——没有映射误差、没有跨本体问题。

但按上面这组数字算：用真机采一份数据的成本，可以采将近 100 份"人手的"数据。

这就是帕西尼选的路。他们不采机器人，他们采人。

这个选择听起来像退步——毕竟机器人数据才直接可用。但当你把遥操作的四个死结摊开看，会发现"退步"是假的。

🔁 遥操作的四个死结

许晋诚在访谈中把遥操作的问题拆成了四条。这四条不是抱怨，是逐条核算过的。

死结一：构型一定会变

“数据在它自己同构型的机器人上使用是零损失的：采的时候构型一模一样，用的时候也一模一样。不同构型之间用数据会有损失，同构型就没有。但问题也随之而来——机器人构型一定会变。你永远无法让机器人’什么都不变’，哪怕就算大体上构型不变，只要传感器改了，数据同样用不了。”

这里有个容易被忽略的隐含假设：遥操作数据的"零损失"只在那个特定机器人、那个特定传感器配置、那个特定手型下成立。

而机器人产业恰恰是所有产业里迭代最快的：新手型半年一换、关节改版、夹爪换成灵巧手、传感器换代。每换一次，之前采的数据就贬值一次。

这是"零损失"这个说法的真正代价——它零损失，但有效期极短。

死结二：成本结构完全不对等

这是上面那个 60 万 vs 几千块的来源。展开看：

“一台机器人的钱，够采接近 100 个人的数据”——这个对比意味着，如果你的目标是采集广度（覆盖足够多的任务、物体、场景），遥操作是数量级上不可行的一条路。

死结三：效率低，而且废数据多

“遥操作要求你想象自己是机器人再去干活，很难；机器人构型和人不一样，还要用逆向运动学去解每个关节角，采下来很慢、很麻烦、废数据多。用人的方式采，又快又自然。”

三个关键词：要想象自己是机器人、要解逆运动学、废数据多。

遥操作员要做两件违背本能的事：控制一个身体结构跟自己完全不同的机器，还得同时在脑子里反解一遍关节角。这两件事都会拖慢速度、抬高出错率。而"废数据多"意味着你还要额外投入去筛掉采坏的。

死结四：最致命的——遥操作采不到真实触觉

这一条是触觉领域独有的死结，其他三个领域没有。

“遥操作采不到真实的触觉。人手上没有主动力反馈设备，你不知道现在触觉力有多大。所以大部分人一捏就捏死，采到的触觉数据没用。”

这一句值得反复读。

遥操作员的手上只有控制器，没有力反馈。所以他不知道机器人手指此刻承受了多大的力。结果就是：他想轻拿一个易碎品，但手感是空的，只能保守地用力——一捏就捏死。

更要命的是，"一捏就捏死"这件事发生在数据产生的那一刻。你采回来的不是"轻拿易碎品"的触觉数据，是"捏碎易碎品"的触觉数据。它不是噪声，是系统性偏置——整个数据集的力值分布都偏大。

而以人为中心就不存在这个问题：

“以人为中心’采集时，传感器就在我手上、隔几毫米，我的皮肤能直接感知到力度的传递——我可以很轻地把它拿起来。”

这就是为什么以人为中心这条路线在触觉领域不是可选项，是必需项。

👤 以人为中心：把人的手当传感器

清楚了死结，来看帕西尼具体怎么做。

硬件：把传感器贴在人手和人手操作的对象之间

帕西尼的 PXCap 系列五指数据采集手套，内置 30 个六维触觉模组，触觉点数密度高达 3015 个，采样 1 秒 100 万次。

关键在结构：传感器在手上，人也在操作。人手的力度传递路径上有传感器，人自己的皮肤也在同一时刻感知到了这个力度。这两路信息天然同步——不需要事后对齐。

空间信息：加视觉和编码器，把"手在哪"补齐

只有触觉是不够的，因为不知道手在空间中的位置。所以 PXCap Pro 是"触觉感知力、视觉记录态、编码器定姿态"三位一体：

三者之间的时间对齐，帕西尼的说法是："相机间硬件同步 + 多模态间算法同步"的双重保障，系统延迟控制在 5ms 以内。

5ms 这个数字为什么重要？许晋诚在访谈里讲过一个很典型的客户问题：

“也有客户来找我们，说拿我们的数据去标感觉不准、差了 10%。我们技术团队一看，原来是他们的数据跟我们差了百毫秒，所以要先把时间同步性拉齐，一拉齐精度就上去了，波形图一看就知道时间没对齐。”

差了百毫秒，精度差 10%。这就是时间同步在具身数据里的权重——它不是个技术细节，它是精度本身。

采集现场的两条反直觉设计

第一条：审核拆成"80–90% 自动化 + 最后一层人工"。

“审核分几件事：动作有没有达成目的？有没有失败？失败不代表数据不能用，失败是更珍贵的负样本。……这里面80%—90% 都可以自动化审核，只有最后一步是人工干预，其余全部自动化。”

两个要点：失败样本被明确归类为"更珍贵的负样本"，而不是垃圾数据——这个判断直接改变审核策略；质检是一个以规则引擎为主、人工兜底为辅的流水线，不是纯人工工位。

第二条：把任务顺序打乱。

“任务分第一步、第二步、第三步……并且顺序会被打乱，第二步可能变第三步，他踩一下脚踏就换序。”

为什么要打乱？因为如果采集员每次都按固定流程做，采出来的数据会混入一个极强的伪特征——任务顺序。模型可以靠"第一步应该先拿 A"这种时序规律拟合，而不用真学"怎么根据物体状态决定下一步动作"。打乱顺序是在人为破坏这个捷径，跟机器学习里的数据增强是同一个思路。

外加一条管理设计：采集员有每日任务量配额和排行榜。听起来不温情，但这是解决"数据质量靠手工认真"这个不可控问题的办法。

闭环：模型组反过来给工厂下任务

“我们同步做模型训练。在我们这边，最大的甲方就是模型训练组：模型组跟数据工厂说’你的数据让我的能力提升了多少，但还有些数据更有帮助’，然后下任务给工厂；工厂改完再反向交给模型组训练；模型能力又提升，再提新方向。”

这个"模型组是数据工厂的甲方"的机制，是整套体系能持续收敛的原因。

普通的数据工厂是推式的：工厂按标准采，采完卖，客户爱要不要。帕西尼是拉式的：模型组发现缺什么，反向给工厂下具体任务。

推式工厂的问题是产能利用率——采了一堆通用数据，客户买不买全看运气。拉式的问题是采集员被模型的短期需求牵着走，可能偏离长期目标。这两种张力要靠具体的接口设计来平衡。

📊 RoboPaint 对照实验：省了时间，赔了20个百分点

前面讲的所有好处，都得有一个诚实的对照。RoboPaint 论文（arXiv:2602.05325，帕西尼与上海交通大学、浙江大学联合发表）提供了一个难得的、把两套方案放在同一实验条件下的对比。

实验设计

论文采集的是标准化的多模态人类示范：3 路 RGB-D 视频、11 路 RGB 视频、29 自由度手套关节角、14 通道触觉信号。

然后用触觉感知重定向方法（几何 + 力引导优化）把人的手部状态映射到机器人灵巧手状态，再在逼真的 Isaac Sim 环境里渲染成机器人训练数据。

真机验证用的是UR5 机械臂 + DexH13 灵巧手，每个物体独立做 10 次试验。

结果一：成功率——遥操作 100%，生成数据 80%

差距 20 个百分点。重定向轨迹在 10 个物体操作任务上成功率 84%，其中简单几何体（椰子水瓶子、柔顺剂瓶子）达到 90–100%，复杂物体（塑料杯、相机）也在 80% 以上。

结果二：效率——遥操作慢 2.57 到 5.33 倍

这是以人为中心真正赢的地方，而且赢得不少：

注意这个梯度：任务越复杂、越依赖双臂协同和精细力控，倍数越高。

这有实际含义。简单抓取用遥操作采，无所谓，反正只要 1.5 小时。但叠衣服、收桌子这种任务，遥操作要 12–16 小时，人采只要 2.5–3 小时。你要么雇更多人采 16 小时，要么 3 小时采完去做下一件事。

两张表合起来读

这张表没有"谁赢"，只有"你买哪一栏"。

如果你要做的是长尾场景铺量、或者根本拿不到足够的机器人来采——80% 换 2.57–5.33 倍效率是划算的。如果你做的是装配这种"错一次就废件"的任务，20 个百分点可能是不可承受的。

更重要的是：这 20 个百分点的差距，能不能靠更多数据补回来？这是论文没回答、但产业界最想知道的问题。

🔗 为什么"以人为中心"这件事比想象难

有理由担心这条路是"看起来省，其实把成本转移到了别处"。成本确实转移了——转移到三个地方。

转移点一：跨本体迁移的损耗

人的手有 22 个自由度以上（帕西尼的说法是"人手其实不止 22 个自由度，很多球轴"），灵巧手结构完全不同。迁移过程必然有损。

帕西尼的应对是内骨骼式的采集终端——“像人的手直接驾驭在灵巧手上，跟外骨骼不同，能适配很多灵巧手”，以及SomaRedirect 体感重定向技术，“把数据解耦为通用的运动表征，实现跨机器人构型的低成本迁移”。

但"低成本"和"零成本"差得很远。20 个百分点就是这项技术当前的成本。

转移点二：数据的一致性靠人工纪律维持

遥操作的数据天生有个好处：机器人每次动的轨迹是受控的。人以为中心的数据，主观性更强——不同人捏的力度不同、动作习惯不同、节奏不同。

帕西尼的应对是"场景工程"组：针对需求场景做定义，生成 SOP 文件，明确采集量要多大、采几次才够。加上审核、排行榜、模型组闭环。

但这套东西全部依赖"人"在执行。而人一多、一散、一流动，质量就会掉。

访谈里有一个细节很能说明问题：

“最终给客户时，比如某些大科技公司，我们给数据的同时给模型结果，他们就特别认可，因为他以前用过某家未做任何清洗、直接裸着丢出来的数据集，立项之后花了三个月做清洗和学习，很后悔；后来找我们买数据就提了三条：第一，先证明你的数据有用；第二，讲清楚清洗和标注到什么程度；第三，给我看模型训练效果。”

“花了三个月做清洗”——这是买方最痛的记忆。所以帕西尼卖数据时的卖点不是数据本身，是**“这批数据是干净的，而且我能证明它有用”**。这反过来定义了卖方的责任边界：卖数据的人必须把清洗和标注程度讲清楚，并把效果证明一起交出去。

转移点三：触觉一致性的物理门槛

许晋诚讲触觉标准时说了这么一段，是整段访谈里最"内行"的部分：

“触觉标准里我们不限制任何原理，只管一个：输出一致性一定要够高。我们把触觉传感器分几个级别，大家越往高级别爬越好，级别越高，数据的产出价值和价格越高，数据标准这边就会引用这个分级。”

关于一致性的后果：

“这次任务和上次任务，如果传感器一致性偏差很大，数据就偏差 20%，模型要信谁？”

还有一个必须自证的例子：

“也有客户来找我们，说拿我们的数据去标感觉不准、差了 10%。我们技术团队一看，原来是他们的数据跟我们差了百毫秒……”

注意这两个 20% 和 10% 是不同的事：20% 是一致性偏差导致的数据分布漂移，10% 是时间没对齐导致的标定误差。两个都是"数据本身没问题，但用起来有问题"——这类问题最贵，因为它不报错，只是让模型学得很烂。

以及一个更硬的门槛：

“**触觉传感器有一个前置条件：使用上必须是刚性连接，背板必须是硬质的。**非硬质的情况下，受压时前面后面都形变，你要算谁？没法算。”

手套的耐用性现实也很具体：

“手套确实很难做，人手握力大、关节活动幅度大，关节角度编码器在反复拉扯下可能发生偏轴。……原本只有两三个月寿命，现在提升到半年到一年，虽然本质上来说它是一种耗材。”

手套寿命半年到一年、线束是行业通病——这些细节说明"以人为中心"这条路的成本大头，最终落回到了硬件耗材上。

⚠️ 三个必须说清的口径

口径一："3 到 6 倍于遥操作的效率"是官方宣传语，论文实测是 2.57 到 5.33 倍

帕西尼官方材料写的是"以 3~6 倍于传统遥操作的效率"。论文 Table 2 的实测区间是2.57× 到 5.33×，六个任务，平均值大概在 4.1 倍左右。

宣传区间和实测区间的差异在于：宣传取整了上下界，实测是逐任务的值。引用时写"论文实测 2.57–5.33 倍"更稳妥。

口径二：84% 和 80% 是两个不同的实验，不要混用

一个测的是"轨迹能不能执行"，一个测的是"训出来的策略好不好用"。中间还隔着一层模型。官方材料里两个数字经常并列，容易被读成同一个。

另外，π0.5 有三个对照架构（论文里还测了 DP），遥操作数据在这三个任务上都是 100%。20 个百分点的差距是在最有利于生成数据的设置下测出来的——三个任务、每个任务 10 个随机初始位置。

口径三："80% 数据靠真实、10% 可以用仿真"是许晋诚对自家长尾场景的判断，不是行业共识

访谈原话：

“即便它触觉真实性、视觉真实性、力反馈真实性不够，也能补长尾——大约 90% 数据靠真实、10% 可以用仿真。”

紧接着他对"90% 靠仿真"的做法明确不看好，理由是成本和有效性：

“有做仿真数据的公司一年花一两个亿，还有建模成本，很多仿真数据公司在招美术建模师，而建模师建不出真实的物理效果，最大瓶颈是超弹性体：能建出形状，建不出受压后的视觉效果；大部分只能做刚体接触。你花一周建模一个东西，而实采只要去楼下便利店花五毛一块钱就买到了。而且仿真生成的几亿条数据不一定都有效，重复性特别高的会被判为无效（比如只是关节角偏了一下也算一条），而对模型来说数据越不一样越好。”

这段话里最扎实的是那个"五毛一块钱"的对照——实采的成本优势不是理论上的，是可以拿便利店发票证明的。

但 90/10 这个比例本身，是他在描述自己公司长尾场景做法时给出的经验值，不能当成行业共识引用。而且注意一个内在张力：他前面说"主要应用所需真实数据的体量远大于长尾数据"，所以 10% 这个数字是他那个场景下的结论，不是通用比例。

🏗️ 领码 SPARK 融合平台：让采集现场和训练现场用同一本账

这一节写给做数据平台的人。

上面这几条死结、这套采集流程、这些口径误读，在企业里都有一个精确的对应物。企业没有机器人，但企业有一样的结构问题。

对应一：iPaaS 接数据——采集现场和训练现场必须在同一条链上

企业里的对应场景是：业务系统（ERP/CRM/工单）产生原始数据，采集现场是数据录入人员，训练现场是算法团队。

最常见的失败模式是：中间隔了一层 Excel 导出。隔了一层人工转换，数据的时序、语义、质量就都断了。而且中间那层转换没有审计：你不知道某个字段的值是采集时就没有，还是转换时丢的。

最后一行是重点。帕西尼那个客户案例——精度差 10%，根因是差了百毫秒——在企业里每天都在发生，只是没人会想到"精度问题"可能是"时间戳没对齐"造成的。

对应二：治理中心前置——审核规则要写在采集之前，不在之后

帕西尼的审核结构是"80–90% 自动化 + 最后一层人工"。这个比例结构的关键不在 80%，在于它是一个流水线，不是一个工位。

企业里最常见的错误是：数据先进来，等出问题了才开始想办法治理。这时候脏数据已经流到了下游模型、报表、决策里。

对应的处理方式：

• 采集前：变量清单先行——每个字段定义类型、取值范围、是否可空、采集方式
• 采集时：规则引擎实时判——超范围、缺必填、逻辑矛盾（结束时间早于开始时间）当场拦
• 采集后：自动审核打标——可机器判的标"通过/不通过/待人工"，只有待人工的进队列
• 人工环节：只处理规则判不了的边界情形，且人工判定结果要回流成新规则

“失败是更珍贵的负样本"这个判断，在企业里对应的是"异常数据要不要留”。大多数企业的做法是入库前就丢弃异常——因为没有人定义过异常值的位置和用途。帕西尼的做法是给失败数据一个明确的分类（负样本），这样它才能被检索、被训练、被计价。

对应三：全域守卫划权限——采集现场的权限和训练现场的不一样

有个容易被忽略的权限维度：谁能定义变量、谁能改口径、能不能看原始采样数据。

关键在这个错位：能看到所有数据的人，不一定能改定义；能改定义的人，不一定能看到每一条原始数据。权限跟着数据粒度走，不是跟着岗位名走。

对应四：与 Dify 分工——规则归治理层，编排归应用层

上面这些规则（超范围判定、顺序随机化、分布检测、审核流转）应该写在治理层，不是写在某个 Agent 的 prompt 里。

Dify 这类编排层适合做的：从已治理的数据里生成一份采集质量周报、生成某个字段的口径说明文档、触发返工流程。

不适合做的：让它自己判断"这个字段的分布是不是漂了"——因为这个判断需要跨时间、跨来源、跨采集点的对照，prompt 里写不下这些上下文。

分工清楚了，采集现场才可能规模化。采集员不需要懂数据治理，但采集员用的小工具里，规则必须已经在了。

🎯 给数据团队的五条判断标准

① 先算"人力单位成本"，再算"技术单位成本"。

一台机器人 60 万、一套手套几千块，这个对比说明：在数据采集环节，“用什么身体去采"这个决策的影响，可能大于"用什么传感器去采”。先把这个问题问清楚，再去比技术参数。

② 问"这份数据换个构型还能用吗"。

如果答案是不能，那你要算的是这条数据的有效折旧期，而不是它的采集成本。遥操作数据在机器人换型时的归零率，值得在采购前就问供应商。

③ 力反馈这件事，别用视觉代偿。

遥操作员手上没有力反馈这个缺陷是系统性的，不是培训能补的——它会让整个数据集的力值分布系统性偏大。触觉相关的任务，采集端没有力反馈闭环就不能用。

④ 把"时间同步误差"当成精度指标，不是技术细节。

帕西尼那个客户案例：数据精度差 10%，根因是差了百毫秒。你的数据管线里如果有多个源、多个时钟，那"最大允许时间偏移"必须是一个被监控的指标，而不是靠人记得。

⑤ 把失败和异常数据单独设计一个位置。

帕西尼的做法是"失败是更珍贵的负样本"，并且有 80–90% 的自动审核支撑。企业里对应的动作是：先定义异常数据存哪、叫什么、谁有权检索，再考虑采集流程。

如果只定义成功数据，那你的数据资产里就永远只有一种信息。

遥操作是机器人行业最直觉的方案。以人为中心听起来像退步。

但把成本、效率、力值真实性、跨本体四项摊开再乘上 20 个百分点的成功率，这笔账的形状完全变了。它不是"哪个方案更好"的问题，是"你的瓶颈在数量、在质量、还是在速度"的问题。

而无论是哪条路线，有一件事是共同的：采集现场和训练现场必须用同一本账。数据从哪来、怎么定义、谁说了算、失败放哪——这些答案要在采集开始之前就定下来。

你们团队现在采数据，是"谁定义字段谁说了算"，还是"算法提需求、采集照做"？这两种模式下，异常数据最后都去哪了？评论区说说，我帮你看看这两种模式各自的坑在哪。