独家解读 | 具身数采的最后一公里，求之拿出了拇指相机- 大数跨境

首页

独家解读 | 具身数采的最后一公里，求之拿出了拇指相机

鲸犀

2026-09-30

导读：十万用户戴上它，攒下的具身数据将超过所有第三方数采公司之和。

十万用户戴上它，攒下的具身数据将超过所有第三方数采公司之和。

作者丨张含菁

编辑丨董子博

一台37克的相机，

凭什么成为具身数据的关键一步？

37克，磁吸在胸前，第一视角拍摄。云栖大会上，求之科技发布的这台名叫DEGO S1的小相机，怎么看都是个拍Vlog的“小玩意”。

不少人都在问：“一家机器人公司，怎么跑去做了一个拇指相机？”

但在求之科技数据负责人陈博远眼里，DEGO S1不只是一部相机。这位年轻的清华博士、特奖得主，负责着这家公司从数据采集到清洗标注的整条链路。DEGO S1是求之在具身数据采集上，迈出的关键一步。

在无锡，求之盖了数千平米的数据采集场；但样板间再多，求之也清楚无法在场内收集全千家万户的真实数据。通过DEGO S1，用户可以根据自己的兴趣和生活场景，自由选择有趣的数采任务。

DEGO S1究竟能起到多大作用？陈博远估了个数：十万个用户戴上DEGO S1，场外攒下的数据规模，就能超过所有第三方数采公司的总和。

“改变算法的增益并不显著”：

数据决定机器人的能力

求之科技2023年诞生于清华大学智能产业研究院（AIR），创立发起人兼首席科学家周谷越是港科大博士，曾在大疆主导过掌上无人机Spark的研发与量产。最近两个月，求之科技陆续完成天使轮、天使+轮融资，两轮融资合计超2亿美元。

为了让机器人走进千家万户，求之面临着行业共性的难题：机器人的大小脑需要喂数据，真实家庭场景的训练数据十分稀缺。

求之科技是少数将大脑模型、本体和数采全部自己攥在手里的公司。具身数采一度被视为“劳动密集、流程琐碎、回报周期长”的脏活，但陈博远认为，数据是具身最重要的环节之一：“比较反常识的是，目前实验下来改变算法的增益并不显著，反而是数据的数量和质量决定了机器人的能力。” 数据采集方案决定了机器人泛化的上限，也因此，在求之，数据是最重要的工作单元之一。

两条腿走路：样板间打底，

真实家庭补全多样性

陈博远对雷峰网·鲸犀表示，家庭场景的数据采集，比工厂场景复杂太多了。“通用数采公司的家居数据占比，只有30%~40%，剩下的都是工厂、服务业这些场景。因为工厂好组织、好管理，家庭场景涉及千家万户，组织难度大、成本高，愿意做的公司很少。”

求之科技是行业内极少数100%聚焦家庭数采的公司。求之科技决定使用两条腿走路，场内场外采集并重。

在场内，求之建了数千平米的数采厂，里面做成类宜家的样板间，卧室、厨房、餐厅、洗衣区，跟真实家庭几乎一模一样，未来还计划扩展到数万平米。最大程度地还原场景，让机器人更好更快地适应真实家庭环境。

场外的数据用在预训练，陈博远解释，预训练数据多样性越丰富越好，比如不同家庭里的灯光、物品布局、人的习惯，越是复杂多元的环境，对模型的泛化能力越有帮助。所以第一视角数据（Ego）更适合由真实的家庭用户提供，比自己搭建场景更有效率，这也是求之选择开发DEGO S1的原因。

DEGO S1：先成为好用的产品，

再成为数采入口

DEGO S1的形态很像市面上的运动拇指相机，适合别在胸口上，拍摄第一视角的Vlog。

和很多全时佩戴式的相机类似，DEGO S1能够为用户提供生活记录查询、生活管家、状态总结等等效率服务。在成为一款数采入口前，DEGO S1必须先成为一款好用、易用的产品，用产品价值吸引用户。

DEGO S1的用户价值，与它的数据价值相辅相成。只有当DEGO S1能实实在在为用户提供记录美好生活的产品价值，用户才会长期留存，愿意顺便用DEGO S1采集数据，体验趣味数采任务。

在求之的设想中，DEGO S1 的目标核心用户并不是Vlog博主，而是宝妈、退休人员、大学生等有零碎时间、愿意利用业余时间打打“零工”的群体。

场外数采的质量相对不可控，镜头要录清楚人的双手在做什么事情，还需要采集合适的任务并减少重复。求之会通过明确任务类型、数采动作及操作指南来管理，帮助大量的个人用户做好高频的家务数据采集；同时，对于大量未明确定义的长尾任务，平台支持AI识别视频里的场景做聚类分析，如果出现了模型没见过的新场景（铲猫砂、浇花、磨咖啡豆等），还会鼓励数采员自发去寻找稀缺场景。

DEGO S1能够进行数小时的续航，相比使用手机采集，凭借其可穿戴的形态，能够释放双手，轻松记录；而相比AI眼镜，DEGO S1的成本则要更低、落地更快。

数据infra：任务定义没想清楚，

后面全是浪费

数据采集只是第一步。想要数据真正为机器人所用，还要看清洗、标注、格式统一和训练衔接这一整套数据infra的效率。

陈博远把数据infra拆成了八个环节：任务定义、采集、上云、数据格式统一、清洗、标注、训练衔接、真机评测。他强调，场内采集最关键的是采集前的“任务定义”，如果没想清楚采什么任务、怎么拆、拆成多细，后面全是浪费。

“场内数采任务有超百种任务指令, 场外用户可以通过DEGO S1的APP获取任务指引，做稀缺的任务积分会更高。”

采集回来的数据要进一步上云清洗和标注。清洗出有效可用的数据，数据越高质，后期模型训练效果越好；标注则为数据打标签，即增添更多有效信息，如语义、物体类型定义。

标注环节，目前求之正与阿里千问合作。陈博远提到，千问现在的识别率很高，场景和物体它基本能认对，切分的颗粒度通过调prompt也能很快对齐。

在上云之后的整个过程，数据的格式都要保持统一，一直衔接到AI训练的地方。比如统一画面的帧率；或是动作统一成“相对位姿变化量”等等。陈博远强调，只有数据格式统一，不同来源的数据才能混在同一个batch里喂给模型，场内场外的数据也才可能在同一个训练管线里复用。

训练不是终点，

真机评测才是数据闭环的最后一环

Infra链路的最末端是真机评测，求之自研评测系统，评估模型训练的成果。陈博远提到，由于现在模型侧还没有收敛的迹象，所以模型的真机评测也缺乏一个能让所有人都信服的benchmark。

求之在无锡搭建了自己的真机评测系统，让数据采集、模型训练和真机验证形成闭环。陈博远举了一个“叠衣服”的例子，“评测的一致性很重要：换一台机器、换个时间地点，成功率会不会变化？换一位操作员，叠好衣服的标准会不会改变？我们希望排除这些因素，客观评价模型。每次评测都会打上“过程分”与“结果分”，再定向反馈回数据采集和训练环节。”

对话陈博远｜“数据是核心资产，必须把握在自己手里”

鲸犀：现在行业里有个观点，“机器人没有百万小时数据不要谈理解世界”，你怎么看？

陈博远：很多具身公司追求AGI，觉得达到AGI自然就能进家了，但求之会更进一步。我们认为家庭里面的实际操作没有大家想象的那么多、那么难，求之的数采就是对家里的任务进行拆解后定向搭建的。

鲸犀：现在求之让机器人学会一项能力，至少要采多少条数据？

陈博远：拿叠衣服来举例吧，我们在场内采1万条UMI ，短袖就能叠得很好了；想要所有类型的衣服都能叠好，至少需要采10万条数据。我们场内的数据利用率能达到70%~80%。

鲸犀：场内和场外的数据，要求差在哪？

陈博远：差别很大。首先，场内的数据用在后训练，后训练必须要有action label，得教会机器人怎么去动，但预训练不一定需要，像 World Action Model 能从像素里推出物理规律，不需要你额外标注“这只手在施加什么动作”。其次就是精度的差别，预训练允许有一些误差，比如action label就不需要标出手部骨骼，手距离相机的相对位置偏移一两厘米，有时候偏移三五厘米也能用；但后训练就需要手位置的准确率。所以预训练数据适合交给真实家庭用户，后训练数据适合我们自己建厂采。

鲸犀：你在清华的研究方向涉及本体、世界模型，为什么会选择来做数据infra ？

陈博远：数据采集是个很笨重的事情，很多人高高在上不愿意干，更愿意去研究算法和模型。但是做具身这行就是要“Get your hands dirty”，去把琐碎的工作做好。大厂模型团队的领先离不开他们数据处理和管线做得好，现在数据已经成为了具身的最大瓶颈之一，不能因为“dirty”就选择逃避，我自己也还在不断学习。

鲸犀：求之是非常坚定数据相关的业务全部自己做吗？

陈博远：数据是核心资产，必须把握在自己手里。不过我觉得，未来可能会出现像早期阿里巴巴供应链一样的，B2B数据交易平台，各种规格的数据都明码标价。全行业共同目标是让机器人走进千家万户，求之也愿意在数据互通上做出贡献。