“技术路线是对的，但是钱花完了，即便有了足够多的数据，也没有足够的钱把它训出来。”
(资料图片仅供参考)
近日，在张江举行的「Triple T」张江塔尖会系列技术沙龙上，上海交通大学人工智能学院副教授、上海创智学院全时导师李永露这样描述当前具身智能数据采集（下称“具身数采”）的难题。
在他看来，具身数采这笔账，不能只算前端的采集费用，还要把后续的数据处理、模型训练和评测等一系列隐性成本一并纳入考量。
具身数采的账究竟应该怎么算、怎么花才最划算？沙龙现场，多位具身智能初创企业高管和高校科学家谈起了这条赛道里的数采“生意经”。
圆桌对谈现场 来源：主办方供图
“买数据”只是开始
具身数据是为训练与评估具身智能系统而构建的多模态数据集合，专门记录机器人等智能体在物理或虚拟环境中通过“身体”与环境交互的全部数据。
从采集方式看，目前真机遥操作采集是行业公认的“黄金标准”，市场报价500至1000元/小时；无本体/便携采集的规模化潜力最高、部署门槛最低，每小时约100至200元。
李永露介绍，行业内部第一视角（Ego）数据的生产成本最低可以做到每小时约40至50元，但后续处理成本与采集费用的比例差不多是1:1。
以视频切片与标注为例：由于AI模型还无法像人类那样看几个小时冗长录像就能领悟其中的因果关系，需人工把长视频切分为具体任务片段，添加文本描述和其他标签用于模型训练，这个环节人工是一笔不菲的投入。
处理好的数据放上云端存储，同样是一笔需要持续投入的开支。李永露说，团队花钱采来的数据，即使暂时用不上，也舍不得删；保留在云端就要持续付费。
深朴智能联合创始人兼技术副总裁李明磊同样为此“头疼”。他说，市面上有些流通的数据价格便宜，但精度不足、标注质量差，买回去之后还要花大量精力筛选；而且每新增一批数据，团队都得重新检查一遍，确认有没有提供新的有效信息。
模型评测的工作量也非常“重”。李永露提到，去年其所在的团队曾参与100项模型的评测工作：这项工作持续两个月，投入几十人、上百台机器人，两班倒测试，每项任务测试20次。
数采团队与模型团队，一笔算不拢的账
现场多位嘉宾提到，数采团队和模型训练团队对“多采集一些数据”的理解也存在落差。
李永露解释，数采团队通常要先寻找场景，再安排人员采集。在同一场景中，数采团队倾向于尽可能多地产出可以出售的数据——这有助于摊薄成本、提高利润；而模型团队需要的是更多样化的任务、动作和环境，未必想要重复且高度相似的数据。
“这天然和模型团队的需求是矛盾的。”他说，如果要求数采人员采集多样化的任务数据、提出更高的数采要求，又无形中增加了执行难度和成本。
行业里有人算过另一笔账：不同企业拿到一小时“有效数据”的成本差异很大，可能是100元，也可能是1000元。而在拿到有效数据之后，企业可能还要投入10到20倍的算力成本去训练，再花30倍的资金对最终发布的模型进行微调和整体运营。“这意味着什么？你每采错1个小时的数据，可能需要花20到30倍算力的钱才能把问题兜回来，然后才知道对错。”李永露说。
少花冤枉钱：分批检验、源头提质、协同设计
怎么在数采上少花冤枉钱？李永露团队目前的办法，是分批检验数据效果、再适度调整采集方向。
具体来说，团队每采集一批数据，就先预测其对模型训练的影响，再用实际测试结果校正预测，指导后续采集方向。他强调，采集设备、数据基础设施和模型训练需要协同设计：”我们要做模型的人和做硬件数据的人，最好坐在一个屋子里。”他称这是团队实践中的教训。
减少浪费，也可以从改善数采人员的操作示范入手。
蚂蚁灵波科技首席数据科学家黄用韬分享了一个包裹抓取案例：任务本身较简单，但数采员的操作轨迹不统一，有人动作缓慢、犹豫，模型也跟着出现犹豫、伸手中途停顿等表现。团队后来让操作最快的数采员集中采集了几百条数据，模型才得以收敛。
数采人员的培养同样关键。新智具身CEO赵世豪强调，数采并非简单的重复劳动，操作人员的能力和动作会影响后续数据使用中投入的时间、精力和资金，“提高源头质量也是提高效率的一部分。”
除了改善生产流程、强化人员培训，李永露还提到，团队正在探索把数据质量预测、模型效果预测做成一项服务去卖。在他看来，数据采集需要可持续的成本安排，因为数据处理等后续环节仍要投入大量资金。
