“教养”机器人范式变迁，120家数采中心何去何从？

如何将一个混沌未开的孩童教养成人？

这是机器人学界与业界一直在思考的问题，也催生了中国各地快速搭建的一百多家人形机器人数据采集中心（以下简称“数采中心”）。而这个全新的业务形态，很快就成明日黄花。

2026年9月1日，李飞飞创立的World Labs发布新一代世界模型Atlas，将生成、重建与模拟收进同一个模型里，它能够创造出从未见过的3D场景，或者根据几张零散的照片重建不同视角或完整场景，更重要的是，它可以推演并模拟真实世界里的物体将发生何种变化。

这三种能力合在一起，直指机器人训练新范式：Atlas可以生成一个虚拟“沙盘”，将稀缺的真机数据复制、放大、再生产。

引爆这一轮AI发展的大语言模型（LLM），主要归功于文本数据的Scaling Law，即在更大更好的数据集基础上训练出更大更强的AI模型。人类试图在物理AI领域复刻LLM的Scaling Law。

行业估算，训练出通用机器人需要千万甚至上亿小时的数据，而目前真实的物理交互数据不过50万小时，真机遥操得到的数据昂贵且低效。为此，以Atlas为代表的仿真路线，以及UMI（Universal Manipulation Interface，通用操作接口）、Ego（第一视角）的数据采集模式，都在试图召唤Scaling时刻的到来。中国的数采中心们，也将走向新的十字路口。

数据焦虑催生数采中心“建厂潮”

2012年，Geoffrey Hinton带领学生凭借深度卷积神经网络AlexNet，将图像识别的错误率从25.8%降低至15.3%，宣告深度学习的复兴。

除了算法本身，成绩还归功于一个叫作ImageNet的数据集，它包含了1400万张被手动标注的图片URL，为当时“饥渴”的人工智能提供了亟需的数据。ImageNet的创办者李飞飞因此被冠以“AI教母”之名，而Hinton后来也被称作“AI教父”。

到了LLM时代，这一逻辑被推向极致。2020 年，OpenAI团队正式提出了“Scaling Law”这个概念，他们用一条幂律曲线证明，模型的智能可以随着计算量和数据量而增长。后来，GPT-3横空出世，靠的也是Common Crawl 这类爬虫从互联网打捞的浩瀚文本。

如今，人们希望在机器人身上重现这条定律。

互联网是一座取之不尽的语料矿山，但对机器人的用处却不大。

语言模型像是柏拉图语言中的“洞穴囚徒”，他们被缚在洞中，面朝岩壁而坐，无法回头，只能看见火光将人与器物的影子投射在岩壁上，浑然不知火烛幻影之外的真实世界。互联网上海量的文字，如同世界的字符投射，而机器人必须要走出洞穴。因此，它需要一种“带有物理”的数据，包括关节角度、电机力矩、身体位姿、触觉等等。

真机遥操作由此成为行业最早的数采范式之一。它是指，由操作员头戴VR头显，穿戴外骨骼或握持手柄，远程驱动机器人完成各种任务，记录下各项参数。

图说：银河通用苏州具身智能数据采集中心，工作人员正遥操机器人叠衣服。南方周末研究员摄

机器人数据焦虑迅速催生出一个新产业，2025年，数据采集厂蔚然成风。

根据中国信息通信研究院的报告，截至2026年6月底，全国已