在這裡，我們按秒“出賣”身體資料。
“以後都是機器人在工作，咱們又要出去找新工作了。”排隊等待的時候，我的臨時搭檔李晨晨看著前一組的兩人，突然感嘆到。
前一組正在凌亂的桌子前，重複著一個頗有未來感的畫面：
一個人，戴著裝有運動相機的頭盔和手套，身後拖著三根粗細不一的長線，行動遲緩地微微彎腰，單手把一本書拉到桌子邊緣，拎起，放進置物架，然後又慢慢側身，把一包隨意放置的濕紙巾推到置物架旁邊擺正。
長線另一端，她的搭檔坐在電腦前，盯著顯示器上的感測器和相機畫面，挪動滑鼠、切換視角，觀察對應出的3D模型運動軌跡是否和真人一致、相機訊號是否穩定……
他們在教機器人如何整理桌面、打掃衛生、鋪床或者折衣服。人做的每一個動作——先拿什麼後拿什麼、用什麼姿勢、抓物品的那個地方、使多大勁……都會被相機和感測器記錄下來，轉換成資料，經過質檢、標註後用於訓練機器人模型。
通俗點來說，我們是資料採集員，也是機器人的老師。
就像人類幼兒要學會走路、拿筷子，需要大人手把手地教，機器人也一樣，需要大量的人類動作資料來“喂”它。只不過，這些資料在網際網路上十分稀缺。機器人要學會疊衣服、擦桌子、開門、整理書籍，必須先有人一遍遍地做給它看。
原本機器人最美好的願景是服務於人，但在它學會服務之前，人先彎下腰，成了它的燃料。
在北京的一間民宿裡，我見到了被裁員的程式設計師、背著房貸的前房產中介、結伴來的大學生......他們戴上頭盔和手套，一遍遍重複疊被子、折毛巾、整理桌面，把自己的身體經驗拆成資料，賣出去，全勤一個月能拿大約6000元。
這短暫地成了他們的一份工作，一份誰也不知道能幹多久的工作。
李晨晨今年36歲，做了很多年IT維運工作，2024年被裁員後創業，虧光了積蓄，還倒欠了幾萬元。她看著前一組那個緩慢整理桌面的人，像看到了某種隱喻——等機器人學會了所有這些，人還能做什麼呢？
一種巨大的無力感席捲這個空間，這裡的人或許都希望那一天不要來得太快。
像機器人一樣地行動
6月的一個下午，我花了半個小時，在招聘網站海投了近十家公司的機器人資料採集崗。
很快，有四家公司聯絡了我，三家確定了第二天的線上面試，其中一家還是估值百億元的機器人公司。但也只有這家招全職，並會通過第三方勞務公司繳納“五險一金”，其餘兩家是“外包”公司，後來我發現它們都為同一家資料採集公司服務。
事實上，繳納“五險一金”的公司佔比極低，這些機器人資料採集崗大多在兼職管道流通。一般是200元一天，工作八小時，晚班因為晝夜顛倒，會比白班每天多50元。工資有周結也有月結，干的時間過短，可能會被扣除一部分工資。
成為一名機器人資料採集員不算難。投簡歷、被拉進招聘群、線上面試、線下試崗，整個過程最快24小時內就能完成。我最終參加了兩家公司的線上面試，只被詢問了身高和體重，最終都通過了，並去了無需全職的公司試崗。
這個崗位幾乎不看學歷和經驗，入行門檻最終退回到了身體機能。
有30多個人和我參加了同一場視訊群面。
一位眾包外賣員很熱情，圓胖的臉被曬得黢黑，聲音高亢地做了一段自我介紹。他說自己以前是程式設計師，被裁員後開始送外賣，但還是想找份穩定的工作。他不太確定崗位到底叫什麼，憋了半天說自己是來應聘“抓娃娃”的。面試官很平靜地糾正他，“是機器人資料採集”。
一位應屆畢業生報完身高體重，身型比較嬌小，面試官的言語間表現得有些遲疑，讓她把手掌伸到鏡頭前，看了看說，先來試試吧。
整場面試下來，只有一位應聘者被當場拒絕。理由是體型過於肥胖，無法穿戴資料採集裝置。
對於這個剛剛興起的行業來說，什麼才是最理想的資料採集範式，還沒有形成統一答案。目前主流的方案大致可以分為三類：真人資料、模擬資料和真機遙操資料。
真機遙操資料，是由人遠端操作或通過外骨骼裝置，控制機器人在真實環境中完成任務，機器人身上的感測器同步記錄全過程。這類資料最接近機器人未來實際工作的場景，被認為價值最高，但其成本也最高——相當於同時承擔機器人本體和人工操作兩層成本，目前主要由機器人廠商自建採集體系完成。
模擬資料則是在虛擬環境中生成的資料，不需要真實場地和真人，成本主要來自算力，可以大規模平行訓練。但由於虛擬世界與現實世界之間存在差距，材質、摩擦、光照等細節很難完全復刻，訓練出來的機器人到了現實裡可能會“水土不服”。
真人資料則有兩種情況，一種僅採集真人行為視訊，成本最低，但能夠提供的資訊相對有限。另一種在視訊基礎上加上了動作捕捉、感測器軌跡等，能記錄更多細節，價格適中，是目前最划算的方案。
我們應聘的便是真人資料採集崗。一套真人採集裝置，主要由一個裝有運動相機的騎行頭盔、兩隻內建感測器的數采手套、手部運動相機、多個定位器以及配套軟體組成。加起來約十萬元，招聘方告訴我們，這套裝置目前正在申請專利。
正式工作前，需要經過三天培訓和試崗。
第一天，項目經理和組長挨個“捏手”，檢查每個人的手部條件。數采手套是均碼，手指太長不行，太短不行，太胖不行，太軟也不行。四十多個試崗人員排排坐，把手放在身前待檢。檢查結束後，現場少了四五個人。
李晨晨也在被淘汰的邊緣。她的小拇指偏短，戴上手套後，感測器在指節位置皺成一團，軟體無法精準還原指關節的動作。她仰頭瞪大眼盯著組長，央求說讓她再試試。組長點了點頭。
但手指只是第一關。
第二天，開始實操，人少了一半。我和李晨晨被分到一組，她偵錯軟體，我穿戴裝置。先戴頭盔，確保固定牢靠；再套上一層一次性手套防汗，然後戴上內建了感測器的數采手套，最外層再加一層針織手套，用來隔絕訊號干擾；三根長長的資料線從手套和頭盔延伸出來，被一根鬆緊帶固定在腰間。
接下來，我需要雙手平舉在胸前保持不動，等待軟體校準。
李晨晨坐在電腦前，對著螢幕裡的虛擬手模型不斷調整參數，組長坐在旁邊指導。十分鐘過去，模型手依然沒調到合適的位置。組長有些著急，直接接過滑鼠，點了幾下，“就這樣，換人，下一個。”
李晨晨起身幫我拆裝置。那天天氣不熱，房間裡開著空調，但她額頭上已經冒出一層細汗。“學不會。”她低聲說。
第三天試崗，李晨晨沒有出現，組長重新給我安排了搭檔，一位護理專業應屆生。
這一天工作地點安排在一間兩室一廳一廚一衛的民宿。我和搭檔在主臥，任務是整理床鋪、折疊毛巾；另一組人在客廳採集整理桌面的資料。還有一些同事被安排到桌游館、廚房等場景工作——具體去那裡、做什麼，取決於機器人公司的資料需求。
我們被要求像機器人一樣地行動——慢，手指活動幅度小。這是一個和本能對抗的過程。
起初，我像平時做家務那樣，儘可能高效的完成。彎腰、拿起枕頭、放一邊，組長在一旁說：“快了，視訊裡都成虛影了，等下感測器會跟不上。”我有意識地放慢速度，組長又說：“太僵硬了，自然一點，只是動作慢，但要像人一樣。”
於是，我不得不緊繃腰臀部的肌肉，拎起毛巾、展開、鋪平、折疊、壓實，拉平被子、掖好邊角、整理褶皺，每一個動作都儘可能地緩慢、完整、連續。
“不要甩毛巾、抖被子。”組長補了一句。因為小臂處沒有相機和感測器，機器人看不懂、跟不上，這類動作都被禁止。
我們還被要求靈活變換物品擺放的位置和整理物品的動作。有時毛巾在被子上方，有時夾在枕頭縫隙裡，我們有時要用一隻手拎起枕頭的一角，有時又要用兩隻手把枕頭抱起。這是為了豐富資料的類型。
工作前，組長跟我們說，工作地點就在民宿，上廁所還是很方便的。但事實上，穿脫、偵錯裝置往往需要至少十五分鐘，上一次廁所，會浪費兩個人將近半小時的時間，而少采一分鐘，都可能影響最終的績效考核——採集的資料過少不扣錢，但每天採集的有效資料達到5小時、18000秒，才會獎勵50元。
這裡的時間是按秒計算的。一天86400秒，一個班次工作8小時，也就是28800秒。作為新手，我們需要每天採集約9000秒的有效資料，但在戴上裝置、偵錯裝置的1000多秒時，我就感到了疲倦。
為了不讓頭部相機在我的運動過程中晃動，我只能儘可能旋緊頭盔的調節帶，這使頭盔像孫悟空的金箍一樣死死地紮在我的頭頂；防汗用的一次性手套，經過層層包裹，形成了高溫高濕的“小氣候”，採集一輪後，也不過是2000多秒，摘下時，手套和我的手都變得潮濕又皺巴。
傍晚，我已經記不清自己疊了多少次被子、折了多少條毛巾，肩頸因為頭盔的重量變得痠痛，腰也因為長時間弓著身子有些僵硬。在機器人學會像我一樣工作之前，我先變得和它們一樣了。
誰在買賣燃料？
試崗那天，這些正在申請專利的裝置幾乎一直在出問題。一會兒是定位器頻繁斷聯，一會兒是感測器發生形變，無法校準；不同人的手型還會導致對應效果出現偏差。
一位維運人員在幾棟樓之間來回奔波，換著方案不停重啟、偵錯，額頭上的汗一直沒幹過。因為裝置是全新研發的，沒有標準操作流程，只能靠人工調整。他告訴我，半個月前他還在做視訊剪輯，來到這裡後，修裝置的知識也是現學的。
“兩小時了，數采手套還沒連上。”隔壁組的一位組員有些無奈。他舉著雙手站在原地配合偵錯，肩膀酸了就活動兩下，然後繼續保持姿勢等待。那天八小時的工作時間裡，我們有將近一半時間耗在了裝置偵錯上。
所有人都希望裝置盡快恢復正常。這裡只有24套裝置，也是整個空間裡最昂貴的“資產”。為了儘可能高效利用這些裝置，公司安排了白班和夜班，每套裝置對應4名採集員輪換使用。裝置閒著一分鐘，就意味著少一分鐘資料產出。
而在具身智能行業，這樣由真人操作、有視覺和感測器資訊的資料，有價無市。據澎湃科技報導，當前，具身智能資料總體定價區間在200至500元/小時，部分在現實場景中實際操作採集的真機資料高達每小時1000元。理論上，一組機器人資料採集員，一天工作8小時的有效資料產出，最高可以賣到1600至8000元。
但“有效”兩個字就像是在給資料“過篩”。在8小時的班次裡，視訊畫面丟失、動線設計不合理、操作重複、相機拍到人臉，都意味著資料失效，需要在對應的資料檔案上標叉，然後重新開始。
熟練的採集員一天能產出4-5小時的有效資料，新手往往只有2-3小時。這些資料在流入市場之前，還要經過質檢、清洗、標註，每一輪都在損耗，最終能按那個價格賣出去的，遠比想像中少。
即便打了許多折扣，資料依然值錢。但值錢的是資料，不是生產資料的人。
勞務公司告訴我們，這個崗位白班日薪200元，晚班日薪250元。而招聘方又說，他們實際給了勞務公司每個人每天300元，“不便宜”。從人的日薪200元到資料每小時最低200元，中間隔著勞務公司、資料服務商、機器人廠商等，每一層都從中抽走了價值，採集員就站在這條價值鏈的最底層。
這條價值鏈之所以存在，恰恰是因為資料太稀缺了。
一家估值超過百億元的機器人公司HR透露，機器人資料生產大致分為採集、質檢和標註三個環節，眼下行業最緊缺的仍然是最前端的資料採集。
這類資料天然無法從網際網路獲得。過去幾年，大語言模型能夠快速成長，一個重要原因在於網際網路已經積累了海量文字、圖片和視訊，模型只需要不斷閱讀和學習這些公開內容，就能獲得關於網際網路世界的大量知識。
機器人不同。機器人需要學習的是如何抓取杯子、折疊衣服、打開櫃門、搬運物品，這些知識並不存在於現有的網際網路資料庫裡，只存在於人的身體經驗之中。
智元機器人合夥人、具身智能業務負責人姚卯青曾表示，機器人完整的資料，包括各種感測器所帶來的資料，有視訊，還有力觸覺感測器等，它需要以某種方式去採集。無論是在真實環境裡採集，還是在虛擬世界裡採集，都需要先布設機器人、搭建場景，再引入遙操人員來控制機器人採集這類資料。
換句話說，大模型主要是在學習如何像人類一樣地思考和表達，機器人則是在學習如何像人類一樣地行動，對真實的物理世界產生影響。
這也是機器人資料採集爆發的根本原因。截至2026年初，全球高品質真實物理互動資料總量僅約50萬小時，而訓練通用具身智能模型需要千萬小時起步，缺口巨大。
需求迅速催生出一門新的“賣鏟子”生意。
智元機器人、銀河通用、自變數機器人等機器人公司，都加速自建資料體系，建設真機資料採集基地、訓練機器人“小腦”模型，甚至推動資料業務獨立拆分；京東建設資料採集中心，希望兩年內積累1000萬小時真實場景資料。
但嗅到機會的並不全是機器人相關的公司。我試崗的這家公司去年成立，核心團隊此前從事VR裝置相關業務。營運負責人告訴我們，公司已經完成融資，目前最主要的工作是為機器人企業採集和生產訓練資料。
與此同時，不少活躍在具身智能資料賽道的明星企業，如無問智科、弈人科技，最早其實誕生於自動駕駛浪潮之中。隨著具身智能升溫，這些公司開始將原有的資料生產能力遷移到機器人領域，從模擬資料逐漸擴展到真實場景資料採集。6月22日，如祺出行也發佈了具身智能資料平台。
今年，多家資料服務企業陸續披露融資和訂單情況，有的轉型不到一年，資料採集業務收入便超過億元，有的獲得多輪億元乃至十億級融資，在手訂單達到數億元規模，部分資料採集企業甚至比機器人本體廠商更早實現盈利。
不確定的人進入不確定的行業
試崗結束後，我再也沒見過李晨晨。那些走了的人，雁過無痕。留下來的人，困在這套裝置裡，也困在自己的生活裡。
在機器人資料採集現場，我很少聽到有人討論機器人，大家聊得更多的是房貸、婚育、找工作和工資。
一個前地產中介，31歲，不久前辭了職。大概六七年前，他在河北廊坊買了房，背上房貸。如今他和妻子在北京城區租了一個小單間，房租、房貸成了兩人每月的固定開支。
“先幹著吧。”他說。他知道這不會是一份長期職業，但眼下沒有更好的選擇。過不了多久，他的妻子就要休產假了，在此之前他希望能找份更穩定的工作。
一個25歲的女孩，和丈夫認識三個月就結了婚，之前在父母開的電商公司工作。因為這段婚姻，她從家裡出走，但未能順利解除勞動關係，只能到處找兼職。機器人資料採集是她出走後的第一份工作。
還有兩個結伴而來的大學生，來自北京某大專院校物聯網專業。他們參加過市級競賽，拿過獎項，履歷並不差。培訓時，公司負責人走到他倆面前，半開玩笑地感慨：“還是工作不好找啊。”
另一位剛工作一年的女生比較簡單——天氣太熱，她不想在外面跑面試，於是先來做兼職，等天氣轉涼點再找新工作。偵錯裝置時，她舉著胳膊站了十幾分鐘，第二天手臂酸得發抖。
這些人年齡不同、經歷不同，來到這裡的原因也不同，但他們有一個共同點：都在等待下一份更確定的工作出現。沒人相信自己會一直幹下去。
事實上，這份工作也很難一直幹下去。枯燥本身就會篩掉一大批人，第一天的40多人，到第三天，已經只剩下20個人。很多人不是因為被淘汰，而是受不了。
我也只忍受到了第三天，沒拿到工資。
但與此同時，外面關於這個行業的傳言卻越來越熱鬧。過去一年中，社交媒體上流傳著不少關於資料採集員的帖子。智聯招聘2026年產業人才報告顯示，這個崗位招聘職位數同比暴漲769%。
央廣網和央視財經將它定義為具身智能浪潮下的熱門新職業，預計未來五年全產業鏈相關崗位增量將突破百萬。各地機器人企業、資料服務商持續線上線下大規模招工，職校校企專場、居家兼職招募廣告隨處可見。
“熱門新職業”“百萬崗位缺口”“門檻低、上手快”——這些詞聽起來像是一個風口在向所有人招手。但真正進到這個行業的人很快發現，確實有高薪，比如通過外骨骼裝置或遙操系統直接控制真實機器人的操作員，這需要一定的技術背景，採集員日薪可達千元以上。
但更多的還是最下面那一層——日薪兩百。便如這間民宿裡的人。
在這家公司裡，大部分中基層員工都不是正式員工，而是通過第三方勞務公司招聘。負責培訓我的組長今年21歲，是機電專業應屆畢業生，來到公司不過三個月時間。因為控製成本，公司暫時沒有擴張團隊，他至今仍然按照周結方式領取工資，勞務公司要從他的日薪中抽去兩成。
即使是身處行業中心的人，也很少對未來做出長期承諾。培訓時，營運負責人只能告訴我們，公司未來一年的訂單已經確定，未來兩年發工資沒有問題。
聽到這句話，我們紛紛扭頭，彼此對視，眼神有些意味深長。
訂單在增長，融資在增長，行業規模也在增長，但在這間民宿裡，這些數字和站在床邊彎腰疊毛巾的人沒什麼關係。
具身智能依然是當下最熱門的創業賽道之一，企業相爭融資、上市，資本也在不斷湧入，所有人都在爭搶高品質資料。但另一方面，它也依然處於早期階段，機器人還不能穩定、成規模地投入市場，很難獨立完成一個完整、流暢的家務動作。
因此，整個行業都在拚命收集完整的機器人資料。今天的機器人需要學習如何疊毛巾，於是有人重複折疊幾百上千次；需要學習如何整理桌面，於是有人一遍遍把水杯歸位、書本按大小放整齊，再打亂重來。這些資料最終會變成機器人的能力。
但當機器人真的學會了這些動作之後呢？
類似的變化在大語言模型行業發生過。最初，行業需要大量標註員處理基礎資料，標註員也成為了一個“熱門新職業”——門檻低、需求大、到處招人。人們只需坐在電腦前，給圖片打標籤、給文字分類，用最機械的勞動喂養最前沿的演算法。
但隨著模型能力提升，簡單標註逐漸失去價值，需求開始向法律、醫療、教育、科研等專業領域轉移，真正稀缺的標註員成了高等院校畢業的碩士、深耕行業的專家。
眼下這間民宿裡的人，正在走同一條路。資料採集不會消失，但採集員未必還是今天這批人。苗頭是，行業裡已經開始討論資料標註質量、場景真實性以及資料是否真正能夠提升模型能力。換句話說，機器人學到的越多，人類需要教給它的東西也會變得越難。
下午六點半，我們撤下裝置，給相機和定位器充電，離開民宿。兩個半小時後，夜班的採集員會陸續到崗。那時候，裝置重新啟動，定位器亮起綠燈，新一輪的資料採集開始了。24套裝置，幾乎晝夜不停地運轉。
在民宿之外，關於這個行業的敘事，是另一套話術：這是一個即將解放人類勞動力的兆級產業，機器人將走進千家萬戶，照顧老人、陪伴孩子、打理家務......
我們不知道機器人什麼時候能夠服務於人類，但知道在這之前，會有人重複千萬遍同樣的動作，把自己與世界相處的經驗拆解成資料，把身體裡的常識、習慣和判斷一點點教給機器。僅僅只是把這份工作視作人生中的一個臨時停靠點，但他們做的事情，卻指向一個漫長得多的未來。
至於未來到來的那一天，自己會身處何處，沒有人知道答案。
“以後都是機器人在工作，咱們又要出去找新工作了。”我又想起李晨晨說的這句話，想起她說這句話時皺著的眉頭和牽強上揚的嘴角。她至今沒敢告訴父母自己欠下的債務，和四處找兼職的境況。 (融中財經)