人类视频与动捕数据

一句话结论

1. 第一视角视频的供给已被免费开源主导：Build AI 的 Egocentric-10K / 100K / 1M 家族中，Egocentric-10K（10,000 h）和 Egocentric-100K（100,405 h）均为 Apache 2.0，HF 数据卡可核 [3][4]。Egocentric-1M（约 100 万 h，2026-04-08）仅有二手博客一处来源，⚠️ 未核实，不作为事实引用 [18]。
2. Motus2（13 万小时第一视角构成）（arXiv 2608.30237）Table 1 合计约 129,900 raw hours：开源约 112,500 h（约 87%），采购约 10,400 h（约 8%），Ropedia 混合 7,000 h（约 5%）；Egocentric-100K 单项约占 77%，10K+100K 合计约 85%（按表内小时推算）[1]。
3. 有动作标签的"伪动作"来自 SLAM + 手部位姿估计，而非真实机器人动作。EgoScale（2 万小时，对数线性 scaling） 报告 20,854 h 预训练的验证损失与小时数呈对数线性（L = 0.024 − 0.003·ln D，R² = 0.9983），1k→20k 小时平均任务完成度 0.30→0.71（论文口径）[2]。
4. 动捕是另一条线，服务对象是人形全身控制而非灵巧操作：SONIC（人形动捕控制） 约 700 h 动捕（100M+ 帧），BONES-SEED 公开子集约 288 h / 142,220 条，AMASS 仅 40+ h 且限非商用，数量级比视频小 2-3 个数 [12][16][23]。
5. 价格带被压低：行业报道原始第一视角 1-10 美元/小时、标注后 15-50 美元/小时，2026 年 1-6 月降约 30%（单一来源）[24][34]；赛博源 CyberOrigin 公司口径报价 60 美元/小时 [17]。免费 10 万小时级数据使通用原始视频难以溢价，溢价只能来自双目、标注、手套、任务对齐和许可纯净度。

生产方式

采集形态

从视频到伪动作

• 手部位姿路线（EgoScale（2 万小时，对数线性 scaling））：现成 SLAM 和手部位姿估计恢复相机运动与手轨迹，论文自述"噪声较大"；手臂动作取腕部相对运动，手指用 21 关键点优化重定向到 22-DoF Sharpa 手关节并平滑。人类数据没有成对机器人动作 [2]。
• 潜在动作路线（LAPA（latent action），arXiv 2410.11758）：用 VQ-VAE 目标训练动作量化模型，学帧间离散潜在动作，再预训练潜在 VLA，最后用少量真机数据映射到机器人动作；仅用人类操作视频预训练即优于用 Bridgev2 预训练 [9]。v2 摘要称比用真值动作训练的 SOTA VLA 高 6.22%，预训练效率超 30 倍（论文口径）。
• 世界模型路线（Motus2（13 万小时第一视角构成））：以海量无动作标注视频做预训练，分单目、双目、机器人轨迹 + 人机对齐三阶段 [1]。
• 人体动作路线（SONIC（人形动捕控制））：统一 token 空间，输入可以是 VR 遥操、人类视频或 VLA 输出 [12]。

人力与成本

• 采集人力以工厂 / 家庭兼职工人为主。贡献者时薪：OpenTrain 岗位 18-30 美元/小时（家庭场景），入门 3-6 美元/小时；印度工厂报道约 250 卢比（约 2.5 美元）/小时 [25][26]。
• Human Archive 工人基础工资 1 美元/小时（TechCrunch 报道）；竞品 250-400 卢比/小时（约 2.63-4.20 美元，Economic Times 转述）[32]。印度工厂工人日薪约 400 卢比，工厂方收 450-500 卢比/小时（RoBoEra，工人实得未知）[34]。
• Build AI 100K 采集规模：14,228 名工人（humanoidsdaily 报道；Claru 二手称人均约 7 小时）[31][30]；Egocentric-10K 数据卡为 85 家工厂、人均 4.68 小时（据此推算约 2,100 人，为推算值）[4]。Build AI 官方未披露单位成本。

厂商与渠道

中国

美国与全球

其他印度采集商（RoBoEra、Awign、Objectways、Humyn Labs、Neo Cambrian 等）见行业报道，规模多为公司自称 [34][24]。

学术与开源数据集

应用方式

Motus2 的数据拆解（Table 1）

Motus2（13 万小时第一视角构成） 的 Table 1 是目前少有的、能把"开源 vs 采购"逐项拆开的公开数据 [1]。

• 占比为按表内数字计算：10K+100K 合计约 85%；开源四项 112,500 h 约 86.6%；采购四项 10,400 h 约 8.0%；Ropedia 5.4%（混合）。
• 单目全部来自开源，双目几乎全部来自采购和 Ropedia：商用数据的价值集中在双目这一档。
• 阶段：Stage 1 单目（低分辨率 500K 步，高分辨率 340K 步），Stage 2 多分辨率双目 450K 步；LightWheel 的单目录像进 Stage 1，双目进 Stage 2。mid-training 为机器人轨迹 + 数十小时 Wuji Human Gloves 人机对齐数据，合计超过 100 h。
• 这些是 raw hours，未过滤 / 分段。采购部分中，光轮仅为 Table 1 标注为 Procured 的数据源之一（1,200 h，不到总量 1%），品类是真人双目第一视角数据，不是合成数据，也不等于战略合作 [1][38]。
• ⚠️ 页面全文约 138,530 字符，仅读到前 100,000 字符，附录中可能还有各源过滤后的小时数。

EgoScale 与 GR00T N1.7

• 论文 arXiv 2602.16710（NVIDIA、UC Berkeley、U Maryland）：用 20,854 h 有动作标签的第一视角视频预训练流式 VLA，另用 EgoDex 829 h；对无预训练基线平均成功率提升 54%（摘要口径，正文 3.2 节写"超过 55%"）；主平台 Galaxea R1 Pro + 22-DoF Sharpa Wave，次平台 Unitree G1，G1 上人类预训练带来 30 pt 以上绝对提升 [2]。
• GR00T N1 / N1.5 / N1.7 N1.7：2026-03-16 GTC 发布，权重和代码 4 月放出，Apache 2.0，骨干 Cosmos-Reason2-2B；NVIDIA 仓库称其泛化和语言跟随提升归因于 20K 小时 EgoScale 数据预训练，后训练仅用约 4 h 机器人数据 [36][21]。EgoScale 论文自身只说架构类似 GR00T N1，应表述为"仓库称 N1.7 预训练使用 EgoScale 数据"，不应写成"EgoScale 即 N1.7"。
• "dexterity scaling law"在论文中是验证损失对小时数的拟合，不等于"每翻倍小时数成功率固定增加"；0.30→0.71 为 1k→20k 的平均任务完成度 [2]。

其他使用者

• VPP（arXiv 2412.14803，清华 IIIS）：第一阶段用互联网人类和机器人操作视频微调视频扩散模型，再学逆动力学；ICML 版报告 Calvin ABC-D 相对提升 18.6%，真实灵巧任务成功率 +31.6%（v1 为 28.1% / 28.8%，版本口径不同）[10]。⚠️ "VPP2 使用 Ego4D / EPIC / EgoDex"的说法未查到一手来源。
• LAPA（latent action）：人类视频预训练 + 少量真机微调 [9]。
• HumanNet：1,000 h 第一视角续训 Qwen VLM 优于 100 h Magic Cobot 真机数据（论文自述，"第一步验证"）[11]。
• 人形全身控制：SONIC（人形动捕控制） 约 700 h 动捕（arXiv 2511.07820，Zhengyi Luo、Yuke Zhu 等；已有 Science Robotics DOI 10.1126/scirobotics.aed4592）[12]；二手 wiki 称重定向到 Unitree G1 并剔除不可行动作后为 611 h、317,189 条、50Hz、100M+ 帧，BONES-SEED 不到该训练集的一半 [22][13]。
• H2O / OmniH2O / TWIST：H2O 用"sim-to-data"过滤得到可执行的重定向动作集；OmniH2O 以 AMASS 为源重定向到 Unitree H1，并发布 OmniH2O-6（六个日常任务，单任务约 8,500-13,200 帧）；TWIST 为基于动捕的全身遥操模仿系统，数据量未查到 [14][15]。

在训练配方中的位置

• 预训练：人类视频占小时数的绝对大头（Motus2（13 万小时第一视角构成） 约 99.9% 为视频小时，机器人与对齐数据仅百小时量级）。
• 中训练：少量人-机对齐（EgoScale（2 万小时，对数线性 scaling） 约 54 h；Motus2 数十 h 手套数据）负责消除 embodiment 差异。
• 后训练：真机数据（EgoScale 约 4 h；Motubrain 50-100 条示范）。
• 评测：EgoScale 的验证损失与真机性能相关，被用作代理指标。
• 相关配方对照见 数据价值阶梯 与 机器人数据价格带（中/美/印度）。

规模、成本与价格

推算（非来源口径）：若按 15-60 美元/h 购买 Motus2（13 万小时第一视角构成） 的 10,400 h 采购部分，约合 16-62 万美元量级；开源部分（112,500 h）零成本。这支持"免费开源压低通用原始视频定价"的判断，但采购部分的价值在双目 / 对齐，不可直接按单价比较。

Build AI 免费开源对数据商的冲击

• 开源量已是 Motus2 采购量的约 11 倍（112,500 h 对 10,400 h），且 Apache 2.0 允许商用 [1][3]。
• 商用商可守的方向：双目、带位姿 / 手部标注、特定场景（灵巧手任务）、许可纯净度、持续供货。Ropedia（Xperience-10M） 自己也同时开源非商用版本，作为获客入口；光轮智能 Lightwheel 的 EgoSuite-Open100K（计划 10 万 h）也可视为对 Build AI 的回应 [19]。
• Build AI 的商业模式未见任何来源明说，"开源为引流"属推断；其 2026-03 收购 Egolab.AI（印度工厂聚合商）表明它也在向采集运营端延伸 [29]。
• 对"数据商"的含义：通用原始视频是商品化的底层；可定价的是稀缺属性，而不是小时数本身。参见 机器人数据价格带（中/美/印度）。

局限与争议

1. 无动作标签：视频只有观察，动作靠 SLAM + 手部估计或潜在动作反推，EgoScale 自述噪声较大；单目有深度 / 尺度歧义，双目被 Motus2 和 Ropedia 用来缓解 [1][2]。
2. 本体差异：人手 21 关键点重定向到 22-DoF 灵巧手可行，重定向到二指夹爪会丢大量信息；故需要人-机对齐 mid-training（手套 + 真机）。
3. 场景分布偏置：Build AI 数据来自工厂，国别未获官方确认（二手称东南亚工人为主）；与家庭服务机器人分布不一致。
4. 小时数口径混乱：raw vs 过滤后；Ego4D 3,025 vs 3,670；光轮 30 万 vs 150 万；Ropedia 下载量 2.7M vs 127K；Egocentric-1M 无一手来源。
5. 许可：Ego4D / EPIC 为 CC-BY-NC，Xperience-10M 非商用，AMASS 非商用，Bones-SEED 条款未取到；Apache 2.0 与许可纯净度（被拍摄者授权）是两回事。
6. 缩放结论外推风险：EgoScale 的对数线性是 1k-20k 区间、特定手与任务上的拟合；Motus2 预训练消融（51% → 84%，五任务宏平均，π0.5 为唯一外部基线且得 0%）与单任务（65% → 75%）为不同口径。
7. 反方证据：HumanScale（arXiv 2606.20521，预印本）报告 5,000 h 等量下第一视角预训练优于真机预训练，动作预测验证损失低 24%，真机 OOD 任务成功 90.0% 对 0.0%（对照 Wan2.2 基线），域内 92.5% 对 40.0%；未见任务上真机数据 scaling 不带来一致提升 [37]。⚠️ 对照设计待复核。另一侧的质疑来自触觉缺失（Brooks）与"10 万年数据缺口"（Goldberg）：分歧点在任务类型（接触密集 vs 拾放）以及是否有对齐的 mid-training。多数 scaling 拟合的是动作预测验证损失而非真机成功率，EgoScale 另报告了损失与成功率的相关性。
8. 动捕与视频不通用：SONIC 属全身运动跟踪，不解决桌面灵巧操作。

隐私与劳工

详见 第一视角数据的隐私与劳工争议。

• 许可多来自工厂管理方而非工人个人，工人难以拒绝；样例报告按"最佳 / 最差工人"排名，存在监控用途 [27][28]。
• Scroll 报道 Pearl Global 工人称从未同意，Egolab 相机在德里附近纺织厂被拍到；Inc42 报道某工厂用头戴相机做跨工厂生产率对比，超出雇佣豁免；印度 MeitY 据报道正在审视 Pronto 的采集流程 [29][34][27]。
• 家庭场景中第三方（家政、儿童）未同意。
• 报酬：Human Archive 基础工资 1 美元/小时，印度工厂日薪约 400 卢比，而打包后数据卖价为 15-50 美元/小时，劳动与售价之间落差显著 [32][34][24]。
• GDPR 的具体适用未查到；若数据含欧盟居民，面部 / 工作场所录像需要独立法律审视。Egolab.AI 称合规 DPDP Act 2023，为公司口径。
• 来源争议还延伸到授权存量与抓取：Troveo 以"向内容所有者付费授权"为卖点 [33]；视频模型侧的抓取诉讼见 Cosmos 训练数据抓取争议，本章所涉第一视角数据来源路径不同。

口径冲突与未核实

未查到清单：Egocentric-1M 一手页；NVIDIA EgoScale 论文数据的供应商；EMMA；京东数据集身份；光轮 150 万 h 原文与 EgoSuite 官网页；Bones-SEED 许可正文；TWIST 数据量；GDPR 具体适用；Build AI 单位成本。

来源

访问日期均为 2026-10-14。标 ⚠️ 的为二手或公司口径。

1. Motus2，arXiv 2608.30237（Table 1；仅读前 100k 字符）：https://arxiv.org/html/2608.30237
2. EgoScale，arXiv 2602.16710：https://arxiv.org/html/2602.16710
3. Egocentric-100K 数据卡：https://huggingface.co/datasets/builddotai/Egocentric-100K ；Build AI HF 组织页：https://huggingface.co/builddotai
4. Egocentric-10K 数据卡：https://huggingface.co/datasets/builddotai/Egocentric-10K
5. Xperience-10M 数据卡：https://huggingface.co/datasets/ropedia-ai/xperience-10m
6. EgoDex，arXiv 2505.11709：https://arxiv.org/abs/2505.11709 ；https://github.com/apple/ml-egodex
7. EgoVerse，arXiv 2604.07607：https://arxiv.org/abs/2604.07607
8. Ego4D，arXiv 2110.07058：https://arxiv.org/pdf/2110.07058
9. LAPA，arXiv 2410.11758：https://arxiv.org/pdf/2410.11758
10. VPP，arXiv 2412.14803：https://arxiv.org/pdf/2412.14803
11. HumanNet，arXiv 2605.06747：https://arxiv.org/pdf/2605.06747
12. SONIC，arXiv 2511.07820：https://arxiv.org/html/2511.07820v2
13. GR00T-WholeBodyControl：https://github.com/NVlabs/GR00T-WholeBodyControl
14. OmniH2O，arXiv 2406.08858：https://arxiv.org/pdf/2406.08858
15. TWIST，arXiv 2505.02833：https://arxiv.org/pdf/2505.02833
16. AMASS 许可：https://amass.is.tue.mpg.de/license.html
17. 赛博源（公司口径）：https://www.cityu.edu.hk/hktech300/start-ups/angel-fund-start-ups/cybernexus-limited
18. ⚠️ Labellerr（二手）：https://www.labellerr.com/blog/egocentric-datasets-robotics/ ；https://www.labellerr.com/blog/top-egocentric-data-providers-robotics/
19. ⚠️ 光轮 EgoSuite-Open100K（二手）：https://runtimewire.com/article/lightwheel-egosuite-open100k-robot-training-data
20. ⚠️ Ropedia 融资（二手）：https://theaiinsider.tech/2026/07/23/singapores-ropedia-raises-30m-in-funding-to-scale-data-infrastructure-for-physical-ai/
21. ⚠️ GR00T N1.7（二手 wiki）：https://aiwiki.ai/wiki/groot_n1_7
22. ⚠️ SONIC（二手 wiki）：https://aiwiki.ai/wiki/sonic_humanoid_control
23. ⚠️ Bones-SEED：https://www.roboticstomorrow.com/news/2026/03/17/bones-studio-to-release-bones-seed-the-first-multimodal-motion-dataset-purpose-built-for-humanoid-robotics/26276/
24. ⚠️ StartupFeed（价格带，单一来源）：https://startupfeed.in/egocentric-data-india-robot-training-boom/
25. ⚠️ OpenTrain 招聘页：https://www.opentrain.ai/jobs/role/egocentric-video-contributor/
26. ⚠️ MetaIntro：https://www.metaintro.com/blog/india-workers-robot-training-data-2026
27. eWeek：https://www.eweek.com/news/factory-workers-cameras-ai-robot-training/
28. Human Rights Research：https://www.humanrightsresearch.org/post/egocentric-data-collection-and-india-s-governance-gap
29. Scroll：https://scroll.in/article/1092960
30. ⚠️ Claru（Build AI 工人数，二手）：https://claru.ai/compare/build-ai-alternatives
31. Humanoids Daily（Build AI 100K、融资）：https://www.humanoidsdaily.com/news/build-ai-scales-to-100-000-hours-as-data-scaling-becomes-robotics-new-frontier
32. TechCrunch（Human Archive）：https://techcrunch.com/2026/05/26/human-archive-taps-into-indias-services-startups-to-collect-data-for-physical-ai/
33. Business Wire（Troveo，公司口径）：https://www.businesswire.com/news/home/20260428319383/en/
34. Inc42：https://inc42.com/features/india-trains-the-worlds-robots-but-at-what-cost/
35. ⚠️ DreamVu（竞争者博客）：https://www.dreamvu.ai/blog/robot-training-data-companies-2026
36. NVIDIA Isaac-GR00T 仓库：https://github.com/NVIDIA/Isaac-GR00T
37. HumanScale，arXiv 2606.20521（预印本）：https://arxiv.org/html/2606.20521
38. 光轮 × GR00T-Dreams 博客（公司口径）：https://blogs.nvidia.cn/blog/gt00t-dreams-lightwheel/