Data / 机器人 / 具身

数据价格、成本与各模型配方

整理 2026-10-14 · 来源与口径标注见正文
本文目录
  1. 一句话结论
  2. 各模型训练数据配方表
  3. 数据价格表（按类型 × 地区）
  4. 设备与基础设施成本表
  5. 数据价值阶梯与反方观点
  6. scaling 证据
  7. 口径冲突与未核实
  8. 来源

一句话结论

  1. 配方公开度很低：20 多个模型里，只有 Xiaomi-Robotics-1（后训练权重 0.5:0.5:0.5:8.5）和 π0（按任务-本体 n^0.43 加权、开源数据占 9.1%，单位是 timestep 而非小时）给出了可用的权重信息；"小时占比"与"训练采样权重"是两回事，行业没有统一口径 [6][10]。
  2. 预训练里便宜层（手持/穿戴/人类视频/仿真/生成）占小时数 90% 以上、真机仅 1–10%，后训练里真机权重回到主导：Xiaomi 预训练约 10 万 h UMI，后训练真机约 7.2k h（约占后训练约 1 万小时的 72%；若与预训练合计则约 7%）、后训练采样权重 85%，小时占比与采样权重是两种口径 [10]；GR00T N1 / N1.5 / N1.7 为真机 88 h 对仿真 6,500 h 对生成 827 h [1]。
  3. 价格分三档，量级差一个数量级以上：印度第一视角采集工人端约 $1–4/h；供应商口径第一视角采集 $15–40/h；真机遥操供应商口径 $28–60/h，中国服务价 500–1,000 元/h [28][29][30][40]。
  4. 价值阶梯（互联网视频 → 第一视角 → UMI → 遥操 → 部署回流）的主要证据是 scaling 曲线：EgoScale（2 万小时，对数线性 scaling） 验证损失对数线性（R²=0.9983）[5]，Data Scaling Laws in Imitation Learning（32 环境） 显示 32 个环境-物体对即可达约 90% 零样本 [62]；但 HumanScale、Skild S1 等又削弱了阶梯，Brooks 与 Goldberg 在另一侧质疑 [56][57][58][59]。
  5. π0.5（数据配方与消融） 消融：94→31 与 94→33 是同一变体（no ME，去掉多环境静态机器人数据）的 OOD 成功率与 OOD follow rate，并非两个消融项 [7][8]。
  6. 价格几乎全是供应商口径或媒体转述，口径（raw 小时 vs 可用小时、是否含硬件摊销与 QA）差别很大，下表逐项标注；多数 scaling "定律"拟合的是动作预测验证损失，而非真机成功率。

各模型训练数据配方表

各模型训练数据：按来源的小时占比

便宜层（人类视频 / UMI / 仿真）占小时数 90% 以上是常态；Helix、LingBot 走纯真机路线。条尾为合计小时。

Generalist GEN-1Generalist GEN-1 · 人类视频 / 穿戴 / 动捕：500,000 h（100.0%）100%500,000 h生数 Motus2生数 Motus2 · 人类视频 / 穿戴 / 动捕：130,000 h（99.9%）100%生数 Motus2 · 真机（遥操 + 对齐）：100 h（0.1%）130,100 hXiaomi-Robotics-1Xiaomi-Robotics-1 · 手持 UMI：101,000 h（93.3%）93%Xiaomi-Robotics-1 · 真机（遥操 + 对齐）：7,200 h（6.7%）108,200 hNVIDIA EgoScaleNVIDIA EgoScale · 人类视频 / 穿戴 / 动捕：21,733 h（100.0%）100%NVIDIA EgoScale · 真机（遥操 + 对齐）：4 h（0.0%）21,737 hNVIDIA GR00T N1NVIDIA GR00T N1 · 物理仿真（等效时长）：6,500 h（87.7%）88%NVIDIA GR00T N1 · 世界模型生成：827 h（11.2%）11%NVIDIA GR00T N1 · 真机（遥操 + 对齐）：88 h（1.2%）7,415 h1X 1XWM1X 1XWM · 人类视频 / 穿戴 / 动捕：900 h（92.8%）93%1X 1XWM · 真机（遥操 + 对齐）：70 h（7.2%）970 h蚂蚁 LingBot-VLA蚂蚁 LingBot-VLA · 真机（遥操 + 对齐）：20,000 h（100.0%）100%20,000 hFigure HelixFigure Helix · 真机（遥操 + 对齐）：500 h（100.0%）100%500 h0%25%50%75%100%
人类视频 / 穿戴 / 动捕手持 UMI物理仿真（等效时长）世界模型生成真机（遥操 + 对齐）
数据表
模型日期人类视频 / 穿戴 / 动捕 h手持 UMI h物理仿真（等效时长） h世界模型生成 h真机（遥操 + 对齐） h口径
Generalist GEN-12026-04500,000————穿戴数据 50 万+ h（公司口径）；后训练每任务约 1 h 机器人数据，总量未披露，图中按 0 处理
生数 Motus22026-09130,000———100第一视角原始 13 万 h；真机 + 手套对齐 100+ h；仿真模式份额未给
Xiaomi-Robotics-12026-07—101,000——7,200预训练 UMI 10 万+ h + 后训练指令 UMI 1k+ h；自有真机 7.2k+ h；后训练采样权重真机 85%
NVIDIA EgoScale2026-0221,733———420,854 h 第一视角 + EgoDex 829 h + 对齐 50 h 手套；机器人 4 h
NVIDIA GR00T N12025-03——6,50082788仿真 6,500 h 为 78 万条轨迹的等效人类演示时长（约 11 h 生成）；另含 OXE/AgiBot-Alpha 与人类视频，未给小时数
1X 1XWM2025-26900———70900 h 第一视角人类视频中训练；70 h 机器人数据本体微调
蚂蚁 LingBot-VLA2026-01————20,000约 2 万 h 真机，9 种双臂配置
Figure Helix2025-02————500约 500 h 遥操（公司口径）

来源见本章配方表；小时数口径各异（等效时长、原始小时、公司口径），只宜看占比量级。

说明：小时数单位为 h；"—"= 该来源未使用或未提及；"未查到"= 检索不到一手来源；"公司口径"= 公司自报。采样权重栏写公开情况。

模型 日期 真机 h 手持/穿戴 h 人类视频 h 仿真 h 生成 h 本体数 采样权重 来源
GR00T N1 / N1.5 / N1.7 2025-03 88（自采 GR-1 遥操，论文称被神经轨迹放大约 10 倍）；另含 OXE 七个子集、AgiBot-Alpha 14 万条（无小时数） — 有（Ego4D、Ego-Exo4D、Assembly-101、EPIC-KITCHENS、HOI4D、HoloAssist、RH20T-Human），未给小时数 6,500（口径：78 万条仿真轨迹“等效”人类演示时长，非仿真运行时间，约 11 小时生成；DexMimicGen；预训练部分 54 万条） 827（DreamGen 神经轨迹，约 105k L40 GPU 小时） GR-1 为主，另含 OXE/AgiBot 多本体 部分：预训练为异构混合批次采样，无逐源权重；后训练真机:神经轨迹 = 1:1 [1]
GR00T N1.5 2025-06 内部 GR-1、OXE、AgiBot-Beta — 加入 FLARE 后可学人类视频，未给小时数 模拟 GR-1（DexMG） DreamGen 神经轨迹 多本体 未公开（官方页有分布图，无数值） [2]
GR00T N1.6 2025 末 "1 万+ h 混合数据，真机遥操数千小时新采"（第三方口径，非官方技术报告） — 有 GR00T-Mimic GR00T-Dreams 多本体 未公开 [3]；官方 N1.6 报告未查到
GR00T N1.7 2026-04 未查到 — 仓库称预训练使用 20K h EgoScale 第一视角 未查到 未查到 未查到 未公开 [4]
EgoScale（2 万小时，对数线性 scaling）（研究原型） 2026-02 对齐中训练约 4 h 机器人数据 — 20,854 h 第一视角预训练 + EgoDex 829 h；对齐中训练约 50 h 人类（Vive + Manus 手套） — — Galaxea R1 Pro + 22-DoF Sharpa 手（主）；Unitree G1（跨本体） 未公开 [5]
π0 2024-10 约 1 万 h 自采灵巧操作；903M timestep（单臂 106M，双臂 797M） — — — — 7 种机器人配置、68 个任务；另含 OXE Magic Soup、Bridge v2、DROID 公开：每个任务-本体组合按 n^0.43 加权；开源数据占混合 9.1%（按 timestep） [6]
π0.5（数据配方与消融） 2025-04 移动操作（MM）约 400 h、约 100 个家庭；另有 ME（多环境静态机器人）、CE（实验室跨本体，含 OXE） — — — — 移动操作机 + 静态臂 + 跨本体 部分：六类数据（MM/ME/CE/HL/WD/VI）仅定性描述，权重未公开 [7][8]
π0.6 / π*0.6 / RECAP 2025-11 未给小时数；混合示范、自主 rollout、专家遥操纠正 — — — — 未公开 未公开 [9]；无正式 model card
Xiaomi-Robotics-1 2026-07 后训练 7.2k+ h（移动操作机、双臂） 预训练 100k+ h UMI；另有 1k+ h 带人工时间分段与语言指令的 UMI（后训练） — — — UMI 夹爪、固定臂、移动操作机、双臂；统一动作向量，缺失维度做 loss mask 公开：预训练 VL:UMI = 1:9；后训练 VL : 开源 : 指令 UMI : 自有机器人 = 0.5 : 0.5 : 0.5 : 8.5；开源含 Bridge V2、RT-1、DROID [10]
GEN-0 / GEN-1（GEN-0） 2025-11 预训练 0（公司称预训练不含机器人数据） 270,000+ h 真实世界操作数据，每周新增 10,000+ h（公司口径） — — — 6DoF、7DoF、16+DoF 半人形 未公开 [11]
GEN-1 2026 后训练每任务约 1 h 机器人数据 "50 万+ h"高保真物理交互数据，来自低成本穿戴设备（公司口径） — — — 逐本体适配 未公开 [12]
Skild AI Skild Brain / S1 2026-09（S1） 遥操用于后训练 数据采集手套 互联网人类视频 大规模仿真（Isaac） — 多本体 未公开，比例未披露 [13]；S1 报告 1,000–100,000 h 对比，未见配方表（媒体转述）
Figure Helix 2025-02 ~500 h 遥操（多机器人、多操作员，公司口径） — — — — Figure 机器人 未公开 [14]
Tesla Optimus 数采（动捕服→头盔视频） 2025–26 遥操已基本退到演示场合（媒体口径） — 工人佩戴头盔+背包五摄像头采第一视角，目标转向第三人称互联网视频 未查到 未查到 未公开 未公开 [15]；小时数未查到
1X（1XWM，Redwood） 1XWM 2025–26 70 h 机器人数据做本体微调（1X 官方描述，经 36Kr） — 900 h 第一视角人类视频（中训练） — 14B 视频世界模型骨干 NEO（EVE 早期） 未公开 [16]；Redwood 的小时数未查到
LingBot-VLA 2026-01 ~20,000 h 真实世界数据（9 种双臂配置） — — — — 9 种双臂配置 未公开 [17]
智元 GO-1（AgiBot World） 2025-03 Beta 1,003,672 条（约 2,976 h，综述统计）/ Alpha 92,214 条；100 台机器人、217 任务 — 有人类操作视频 + 互联网图文 — — AgiBot G1 未公开 [18][19]
智元 GO-2 2026-04 "数万小时"（媒体口径，无细分） 未查到 未查到 未查到 未查到 未查到 未公开 [20]
GraspVLA 2025-05 0（纯合成） — 互联网图文（共训） SynGrasp-1B，10 亿帧合成抓取数据 — 单一抓取设定 未公开 [21]
星海图 G0 / G0.5（Galaxea Open-World Dataset） 2025-09 / 2026 约 500 h（R1 Lite，50 场景、150 任务类型）；第三方综述记 477 h / 9,768 个任务 — — — — R1 Lite 为主 未公开；G0.5 未单独披露 [22]
Motus2（13 万小时第一视角构成） 2026-09 真机加手套数据 100+ h；真机总小时论文未给 Wuji 手套人-机对齐数据"数十小时" 约 130,000 h 第一视角（原始小时，过滤前） 仿真模式（份额未给） — Wuji Hand 2（20 自由度）、Sharpa Wave（22 自由度） 未公开 [23]
VPP2（Robot Era） 2026 20+ 本体的 OXE / DROID / AgiBot World — Ego4D / EPIC / EgoDex — — 20+ 未公开 ⚠️ VPP2 一手来源未查到；原始 VPP 见 [24]
OpenVLA 2024-06 约 970k 条（OXE 子集，22 本体，第三方口径） — — — — 22（OXE） 部分（沿用 Octo 的 OXE 权重） [25]（供应商页，非原论文）
RT-2 / RT-1 2023 RT-1 数据 130k 条、约 700 个任务、13 台机器人、17 个月；RT-2 另含互联网图文共训 — — — — 1（RT-1 机器人集群） 未查到 [63]
Open X-Embodiment (OXE)（数据集对照） 2023-10 100 万+ 条，22 种本体，约 3,800 h（⚠️ 小时数为二手口径） — — — — 22 — [26][27]

Motus2 的 13 万小时第一视角拆解（原始小时，过滤前）

数据集 相机 原始 h
Egocentric-10K / 100K / 1M（Build AI） 单目 100,500（论文 Table 1 近似值；HF 数据卡为 100,405）
Egocentric-10K（Build AI） 单目 10,000
Ropedia（Ropedia（Xperience-10M）） 双目 7,000
EgoScale（egoscale.com，数据公司）（egoscale.com 数据公司，非 NVIDIA 论文） 双目 6,000
EgoDex（Apple） 单目 800
LightWheel（光轮智能 Lightwheel） 双目 1,200
JD-Group 双目 2,000
CyberOrigin（赛博源 CyberOrigin） 双目 1,200
EgoVerse 单目 1,200
合计 混合 130,000
  • 过滤后小时数、真机小时数、仿真份额、采样权重：论文均未报告 [23]。
  • 论文自拟 scaling law：held-out 动作预测误差 L ≈ 0.101 − 0.005·ln D，D 为双目人类数据小时数，拟合区间 2k–20k h [23]。
  • 消融：Pretrain-SFT 51% → Midtrain-SFT 84%（+33 pt，来自机器人域中训练）；此口径不同于"手机放置类任务 65%→75%（MBRL + 规划）"，不可混用 [23]。

π0.5 消融（OOD，模拟真实家庭，每任务每策略 10 次试验，样本小）

变体 OOD 成功率 OOD follow rate
完整混合 94% 94%
no WD（去网络数据） 74% 80%
no CE（去实验室跨本体） 49% 67%
no ME（去多环境静态机器人） 31% 33%
no ME or CE（只剩约 400 h 移动操作数据） 数值只在原图中，文字未给 同左
  • 31 与 33 属于同一变体 no ME：前者是任务成功率，后者是指令跟随率 [7][8]。
  • 去掉 WD 对 mock-home 任务无显著影响，但伤 OOD 物体的语言跟随与高层推理 [8]。
  • 约 100 个训练环境时，对新环境泛化接近"直接在测试环境训练"的基线（无精确数值）[8]。

从配方表读出的规律

  1. 便宜层占预训练小时数 90% 以上，后训练真机占主导（Xiaomi 8.5/10；GR00T 后训练真机与神经轨迹 1:1）。
  2. 真机被上采样：π0 用 n^0.43 压低大数据量组合，"小时占比"≠"训练贡献"。
  3. 仿真份额两极：NVIDIA 系大量仿真与生成（6,500 h 等效演示时长 + 827 h 对 88 h），PI 与 Generalist 做操作几乎不用，GraspVLA 纯合成。
  4. 2026 年出现"零真机预训练"叙事：GEN-0/GEN-1（穿戴 270k→500k h，公司口径）、Xiaomi 预训练（UMI 100k h）、EgoScale/Motus2（第一视角）。
  5. 数据量不再是壁垒的说法：Build AI 开源 10 万 h 级第一视角（见下文冲突表），稀缺的是双目采购渠道、清洗管线与对齐的最后一公里。

数据价格表（按类型 × 地区）

数据售价带：每小时美元

人民币按 1 USD = 7.1 CNY 换算。同一「小时」可能是原始或可用小时，是否含硬件摊销与 QA 各家不同；几乎全部为供应商或媒体口径。

$0$50$100$150$200第一视角 · 印度原始$1–10/h第一视角 · 印度原始：$1–10/h（Human Archive COO 口径）第一视角 · 供应商采集（全球）$15–40/h第一视角 · 供应商采集（全球）：$15–40/h（供应商口径）第一视角 · 印度打包标注$15–50/h第一视角 · 印度打包标注：$15–50/h（行业高管口径，半年降约 30%）第一视角 · 中国≈$42/h第一视角 · 中国：≈$42/h（36Kr 估算 300 元/h）仿真合成 · 中国$28–70/h仿真合成 · 中国：$28–70/h（媒体转述 200–500 元/h）UMI 无本体 · 中国$42–92/hUMI 无本体 · 中国：$42–92/h（虎嗅 300–400 / 36Kr 400–650 元/h）真机遥操 · 全球供应商$28–60/h真机遥操 · 全球供应商：$28–60/h（DexSet 口径）真机遥操 · 中国$70–141/h真机遥操 · 中国：$70–141/h（媒体转述 500–1,000 元/h）真机遥操 · 指定目标本体$50–200/h真机遥操 · 指定目标本体：$50–200/h（DreamVu 估计（二手））
数据表
类型 · 地区低高口径
第一视角 · 印度原始$1$10Human Archive COO 口径
第一视角 · 供应商采集（全球）$15$40供应商口径
第一视角 · 印度打包标注$15$50行业高管口径，半年降约 30%
第一视角 · 中国$42$4236Kr 估算 300 元/h
仿真合成 · 中国$28$70媒体转述 200–500 元/h
UMI 无本体 · 中国$42$92虎嗅 300–400 / 36Kr 400–650 元/h
真机遥操 · 全球供应商$28$60DexSet 口径
真机遥操 · 中国$70$141媒体转述 500–1,000 元/h
真机遥操 · 指定目标本体$50$200DreamVu 估计（二手）

来源见本章价格表。

总提示：公开价格极少，多数来自数据供应商博客（有营销动机）、新闻转述和招聘启事。同一个"每小时"可能是 raw 小时或可用小时，是否含硬件摊销与 QA 差别很大；机器人数据价格带（中/美/印度） 汇总了价格带。

采集与销售单价

类型 地区 价格 口径与备注 来源
真机遥操 全球（美元） $28–60/h（硬件摊销 $4–9 + 操作员 $18–38 + QA $6–12） 供应商口径（DexSet）；另一供应商称 $15–150+/h 随项目类型 [29][31]
真机遥操（指定目标机器人） 全球 约 $50–200/h 供应商口径（DreamVu 估计，二手，自身为竞争者） [49]
真机遥操 中国 500–1,000 元/h；复杂任务场景 700–1,000 元 2026 H1 媒体转述；政府支持训练场对外服务价（设施未具名） [28][46]
真机遥操 中国 约 1,000 元/h 36Kr 引行业估计，非 UMI 专用 [32]
觅蜂科技（觅蜂科技（智元分拆，MEgo 无本体采集））挂牌 中国 不带真机 200–400 元/h；带真机 500–1,000 元/h 公司口径 [28]
UMI / 无本体采集 中国 300–400 元/h（HuXiu 口径）；400–650 元/h（36Kr 估算，含设备、处理、标注） 媒体口径，两者并存 [47][32]
仿真合成数据 中国 200–500 元/h；计价正由按小时转向按有效任务场景 2026 H1 媒体转述 [46]
第一视角视频（Ego） 中国 约 300 元/h 36Kr 媒体估算 [32]
星海图内部成本 中国 穿戴采集 50–100 元/h；带机器人遥操含折旧约 250 元/h；综合 100–150 元/h；100 万小时直接成本约 1–2 亿元 公司口径（CEO 测算，经转述） [28][48]
遥操有效小时成本 中国 约 275 元/有效小时 媒体转述 [46]
第一视角人类视频（采集） 全球（美元） $15–40/h（硬件 $1–4、采集员 $10–26、QA $5–10）；带手部位姿/物体轨迹/时间分段的完整标注约 $30–40/h；另一家称校准穿戴采集 $25–40/h 供应商口径 [29][30]
第一视角视频（大宗低质） 全球 $2–5/h；创作成本 $5–20/h 供应商口径；开源后"近乎免费" [33][49]
第一视角（印度，原始） 印度 $1–10/h（按任务复杂度） Human Archive COO 口径 [50]
第一视角（印度，打包标注多模态） 印度 $15–50/h，2026-01 至 06 降约 30% 行业高管口径（Inc42） [50]
第一视角（家庭任务，按验收小时） 拉美 $6/h 竞品对比表，二手 [50]
多视角外视角采集 全球 $20–50/h（3–8 视角）；双目比单目加价 15%–25% 供应商口径 [29]
标注附加 全球 语言指令 $8–12/h；子任务切分 $10–16/h；稠密掩码/接触标注 $18–25/h 供应商口径，在采集价之上叠加 [29]
遥操按条计价 美国 试点 50 条 $2,500；500 条 $8,000–15,000；单条 $8–35（简单抓放 $8–15，接触丰富双臂 $25–35） 供应商自家价目，非第三方 [53]
UMI 数据 全球 无公开服务单价（未查到） 可推算的是吞吐：杯子任务 111 对 35 条/h（约 3.2 倍） [34][35]
EgoScale 采购价 — 未查到 egoscale.com 不公开价格；NVIDIA 论文亦未披露采集成本 [5]
仿真资产单价 — 未查到 Lightwheel SimReady 资产库 开源 259 个 USD 资产（CC BY-NC 4.0），商业授权价无公开 [36]
机器人 RL 环境单价 — 未查到 机器人侧无公开价 —
LLM 侧 RL 环境（对照） 美国 常见 200–2, 000/任务，20k/任务罕见；网站"UI gym"约 $20,000/站；合同常为每季度六至七位数 二手转述（Epoch AI 经 SemiAnalysis 等） [37][38]
训练场租用 中国 未查到租金；服务价见上 来源明确称无租用价 [28]
成本下降趋势 全球 全成本约 $340/h（2024 初）→ $136/h（2025 Q4）；另一基准 $118/h（2026-03） ⚠️ 二手聚合页，彼此口径不一致，不可靠 [39]

操作员 / 采集员时薪（劳务成本，不是数据售价）

地区 时薪 口径 来源
中国（遥操，戴手套） 20–40 元/h 36Kr 转述 [28]
中国（劳务中介） 客户价 25 元/h，其中 20 元给工人、5 元归中介 未具名中介 [28]
中国（众包采集员） 时薪不足 20 元；宣传日赚 200 元，实际 10 天不足 1,000 元；转售价约为工人所得的 17 倍（作者估算） 记者体验；另一报道称劳务方时薪 15 元、机器人公司支付 300–500 元/h（未核实） [47]
中国（一线遥操员） 日薪 120–135 元 从业者手记，二手 [54]
印度（第一视角） 约 $1/h（Human Archive 基础费率）；其他公司约 ₹250–400/h（约 $2.63–4.20）；工厂工人另有约 ₹400/天口径 TechCrunch 2026-05-26；Inc42；Economic Times [40][50]
印度/菲律宾/东欧（遥操员） $22–55/h 平台报告，来源可靠性中等 [41]
美国（遥操合同工） $30–55/h（招聘页）；通用商用培训操作员 $25–50/h 招聘页、供应商 [51][53]
美国（遥操员，有领域经验） $65–120/h 平台报告，可靠性中等 [41]
美国（UMI 夹爪采集零工） 30/h（试点）–60/h（校准后），2026-06 岗位 仅劳务 [52]
Tesla（数据采集操作员） $25.25–48/h 2024 招聘启事，非当前数据 [42]
越南/印尼/菲律宾/东南亚 未查到直接时薪 — —

遥操有效产出：智元口径专业遥操员 8 小时仅产出 2–3 小时有效数据（约 25%–37.5%）；供应商称质检丢弃 20%–30%；DexSet 称 100 采集小时约 50 可用；新手需 20–40 小时爬坡 [53][54][29]。见 遥操有效产出率、遥操员薪酬基准、数采员众包。

设备与基础设施成本表

设备 / 设施 价格 口径 来源
ALOHA 双臂遥操台（ALOHA / Mobile ALOHA） 约 $20,000 Echo 论文对比表；DexSet 同值 [43]
Mobile ALOHA 约 $32,000 同上；$32k 对应 Mobile ALOHA，不是 ALOHA [43]
UMI（UMI（Universal Manipulation Interface））夹爪 BOM $73（夹爪）+ $298（GoPro 及配件）= 约 $371 原论文，材料成本 [34]
UMI 夹爪整机搭建 约 $800（AgileX 自建估算）；DexSet 估计低于 $1,000；Echo 表 约 $370 厂商口径，含税整机，与论文 BOM 相差约 2 倍 [43][44]
GELLO（GELLO）/ AirExo（AirExo / AirExo-2 外骨骼） GELLO 论文称低于 $300，后续论文称单臂 BOM 超 $270；Echo 表 GELLO/AirExo 约 $600 另需被控机械臂 [55][43]
SO-101 双臂套件 $220（Standard）/ $240（Pro），3D 打印件另约 $35；DIY 估计 $100–200 主流零售报价；$1,050 的说法未找到出处，不采信 [45]
第一视角头显套件 $300–3,500 供应商口径 [29]
Wuji 手套（Wuji 手套） 按对出售，"from $6,000/对"与"$4,000/对"并存，未含 30% 关税与 $200 运费 页面自相矛盾；另一经销商标"询价" —
Apple Vision Pro 美国发售价 $3,499（2024-02） ⚠️ 未核实 —
人形整机（宇树） 约 $16,000 ⚠️ 未复核 —
训练场建设 建 5,000 万元、年产 10 万小时全部售出也需 3 年以上回本（报告假设） 媒体转述 —
100 万小时预算 真机约 10 亿元；UMI 4–6.5 亿元；Ego 约 3 亿元（36Kr 推算）；星海图称遥操加穿戴综合 1–2 亿元 两组口径差一个数量级，基于不同单价假设 [32][48]

数据价值阶梯与反方观点

阶梯与支持证据

数据价值阶梯：互联网视频 → 人类第一视角 → UMI/手持 → 目标真机遥操 → 真机自主 rollout + 人工纠正。排序依据是单价与"离部署分布的距离"。

  • 动作标签来源不同：遥操动作在真机闭环里产生；UMI/第一视角动作由 SLAM 位姿或手部估计反推。
  • 只有真机有关节角、力矩、夹爪力；遥操画面里是目标机器人自己的臂和夹爪。
  • 遥操与 rollout + 纠正能采到失败恢复；Data Pyramid for Embodied Manipulation 把"失败与恢复数据"列为六个开放问题之一 [19]。
  • 后训练真机权重大：Xiaomi 8.5/10 [10]；GR00T 后训练真机:神经轨迹 1:1 [1]；EgoScale 对齐中训练需约 4 h 机器人 + 50 h 人类手套数据 [5]。
  • RL 阶段数据价值最高：π*0.6 把自主 rollout 与纠正放进 RECAP，最难任务吞吐翻倍、失败率减半（PI 口径）[9]。

数据侧削弱阶梯的证据

  • HumanScale（预印本，对照设计待复核）：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 无一致提升（损失约 0.025，5,000 h 时 0.0254），第一视角从 0.0234 降到 0.0204（100→5,000 h）[56]。
  • Skild S1（公司口径）：100,000 h 档位下，单段视频提示对语言提示在未见任务 66% 对 9%；一段视频约等于 380 条后训练示范（插值得来）；但已见任务在 1,000 h 时语言提示 53% 对视频 43%；传统后训练 2,000 条示范达 86%，高于 S1 单提示 66%；评分含人工介入 [57]。
  • GEN-0/GEN-1 把真机压缩到最后一公里（每任务约 1 h）[12]。
  • 社交媒体转述称 PI 仅用人类视频微调可使被展示任务表现翻倍（⚠️ 二手，未核 PI 原文）。

反方观点

人物 观点 出处与可信度
Cheng Chi（UMI（Universal Manipulation Interface） 作者） UMI 夹爪比遥操直观，采集员"can demonstrate much harder tasks much faster"，支持跨硬件泛化 2024 访谈引语 [61]；X 帖原文未能读取
Sergey Levine（PI） 部署—收集经验—改进—重复的飞轮；2026-05 播客称真机数据采集不是许多研究者以为的不可克服障碍，瓶颈更多是运营规模 播客摘要与聚合站，⚠️ 未核原话 [60]
Ken Goldberg（UC Berkeley） "100,000 年数据缺口"（"10 万年数据缺口"论证（Goldberg））：遥操"一天只产一天数据"；对 YouTube 视频持怀疑（2D 到精确 3D 动作翻译困难） [59]；Science Robotics 原文未直接读取
Rodney Brooks "Collecting just visual data is not collecting the right data"；人类灵巧依赖触觉，而触觉数据"very crude"；不理解触觉就教灵巧"probably dumb. And an expensive mistake" 2025-09-26 博客原文 [58]

小结（推断，非事实）：定价往两极走。便宜层按量竞争，护城河是设备与场景覆盖，且开源在压价；贵层按本体竞争，"指定本体"最贵；中间层最难做。

scaling 证据

证据 内容 来源
Data Scaling Laws in Imitation Learning（32 环境）（Lin et al.，ICLR 2025） 4 万+ 示范、1.5 万+ 真机 rollout；泛化约按幂律随环境数、物体数、环境-物体对数增加，示范总数不呈清晰幂律；推荐 32 个环境-物体对、每对约 50 条示范；4 个采集者一个下午，两个任务在新环境、未见物体上约 90%（Pour Water 85.0、Mouse Arrangement 92.5、Fold Towels 87.5、Unplug Charger 90.0） [62]
Data Pyramid for Embodied Manipulation 五层：真机 / UMI / 第一视角与外视角 / 仿真 / 通用视觉语言；六个开放问题；表内：OXE 2.4M 条/527 任务，AgiBot World Beta 1M 条/2,976.4 h，RoboMIND 107K 条/305.5 h，Egocentric-100K 100,405 h，Ego4D 3,670 h，EgoDex 829 h，HumanNet 967,000 h（表内口径）；未给 scaling 拟合结论与价格 [19]
EgoScale（2 万小时，对数线性 scaling） 验证损失 L = 0.024 − 0.003·ln(D)，R² = 0.9983；20,854 h 预训练较无预训练平均成功率提升 54%（摘要口径；正文写"超过 55%"）；G1 上人类预训练带来 30 pt 以上绝对提升；单样本 0.88（叠衬衫）、0.55（拧瓶盖）。第三方称 N1.7 以 20K h 比 1K h 灵巧任务完成度翻倍以上（⚠️ 未核） [5][4]
RT-1 任务砍减 多样性影响大于数量：保留 75% 任务、97% 数据，总体泛化 73→54；保留全部任务但只留 51% 数据，总体泛化 50。⚠️ 为对表格的转述，原表未直接读取 [63]
OXE 混训增益 RT-1-X 比单任务基线平均高约 50%（DeepMind 口径，合作高校任务）；Octo 零样本较 RT-1-X 高约 29%（讲义口径）；GO-1 相对 OXE 训练高约 30%（论文口径） [27][18][64]
Xiaomi 数据 scaling 约 20k h 子集上以 12.5/25/50/100% 做实验；RoboCasa365 57.4%（此前最佳 46.6%）、RoboDojo 20.07（此前 13.07） [10]
GEN-0 scaling 预训练数据量与后训练表现呈幂律；约 7B 参数处出现相变（1B ossification，6B 开始受益，7B+ 吸收大规模预训练）（公司口径） [11]
π0.5（数据配方与消融） 环境数 约 100 个训练环境时对新环境泛化接近直接在测试环境训练 [8]
Motus2（13 万小时第一视角构成） 双目人类数据 2k–20k h 对数线性：L ≈ 0.101 − 0.005·ln D [23]

观察：除 Lin et al. 外，多数"scaling law"拟合的是动作预测验证损失，而不是真机成功率；EgoScale 另行报告了损失与成功率的相关性，Motus2 在已读段落中未报告同类检验。数据多样性优于数量，在 Lin et al. 与 RT-1 两处一致，但 Data Pyramid 对重复/有偏轨迹收益有限的判断没有量化。

口径冲突与未核实

说法 A 说法 B 采信 原因
π0.5 消融 94→31 与 94→33 是两个不同消融项 两者同属 no ME 变体 B 31 是 OOD 成功率，33 是 OOD follow rate [7][8]
Xiaomi 真机约占 7%（7.2k / 100k+ 小时） 后训练采样权重真机 8.5/10 = 85% 两者都写，注明口径 前者按小时粗算，后者是后训练采样权重，不是同一口径 [10]
π0 开源数据占比（按小时） 开源数据占混合 9.1%（按 timestep），权重 n^0.43 B 论文单位为 timestep，不是小时 [6]
Helix 500 小时来源不明 Figure 官方原话"~500 hours in total" 公司口径 多机器人、多操作员遥操数据 [14]
1X Redwood 用 1 万+ h 数据 可查到 1XWM：900 h 第一视角 + 70 h 机器人数据 B，删除 1 万+ h 未找到支持 1 万+ h 的来源，搜索中的 10,000 指预订量与产能；"400 h 无过滤机器人数据训 IDM"同样未核 [16]
SO-101 套件约 $1,050 双臂套件 $220–240（3D 打印件另约 $35） B 多个零售来源一致；$1,050 无出处，可能含相机配件或为组装版 [45]
$32k 是 ALOHA ALOHA 约 $20k，Mobile ALOHA 约 $32k B Echo 与 DexSet 一致 [43]
GR00T N1.7 就是 EgoScale 仓库称 N1.7 预训练使用 20K h EgoScale 只能写"仓库称预训练用 20K h EgoScale" EgoScale 论文只称架构类似 GR00T N1，未指明 N1.7 [4][5]
"EgoScale 6,000 h" 来自 NVIDIA 论文数据集 来自同名数据公司 egoscale.com（Motus2 Table 1 标 Stereo/Procured，致谢列为商业提供方；官网声明与 NVIDIA 无关） 采信后者 两者同名不同物 [5][23]
UMI 夹爪 $371 AgileX 约 $800；DexSet 低于 $1,000 并列标口径 371为论文材料成本，800 为厂商含税整机 [34][44]
UMI 数据 300–400 元/h UMI 数据 400–650 元/h 并列标口径 分别为 HuXiu 与 36Kr 估算，后者含设备、处理、标注 [47][32]
星海图数据集约 500 h 477 h / 9,768 任务（第三方综述） 并列 中文报道与第三方统计口径不同 [22]
LingBot-VLA 评测 3 个平台 后续版本与项目页为 4 个 训练数据（约 20,000 h、9 种双臂配置）一致 版本间评测平台数不一 [17]
AgiBot World 2,976.4 h 论文与仓库只给条数 小时数注明为综述统计 2,976.4 h 来自 Data Pyramid 统计表，不是智元原话 [18][19]
Egocentric-100K 为 100,405 h 100,500 h 并列 两篇论文四舍五入级差异 [19][23]
Motus2：51%→84% 65%→72.5%→75% 不可混用 前者是 Pretrain-SFT 对 Midtrain-SFT 消融，后者是 MBRL 与规划的增益 [23]
Tesla 数据采集员时薪 $48 招聘区间 $25.25–48，2024 年 标注为历史数据 2025-06 起公司转向纯摄像头采集 [42][15]
Skild "100,000 h" 为总训练量 对比实验的数据规模档位（1,000–100,000 h） B 不是 Skild Brain 总训练小时数 [13][57]
Cheng Chi 公开称 UMI 扩展潜力远大于遥操 只能引 2024 年访谈表述 B X 帖原文无法读取 [61]
Build AI 已开源 100 万 h 第一视角 可核实的是 10K / 100K 级 ⚠️ 100 万 h 未复核 2026-04 到 100 万 h 的说法未核
成本从 $340/h 降到 $136/h SVRC 基准 $118/h 均不采信为趋势依据 二手聚合页口径不一致 [39]

未查到或未读取：Goldberg 的 Science Robotics 原文、RT-1 原 PDF 表格、Data Pyramid 配方表后半、VPP2 一手来源、GO-2 技术报告、LDA-1B 摘要、π0.6 小时数、仿真资产与机器人 RL 环境单价、越南/印尼/菲律宾遥操员时薪、PI 操作员时薪。

来源

一手论文与官方页（访问 2026-10-14）：

  1. GR00T N1：https://arxiv.org/abs/2503.14734
  2. GR00T N1.5：https://research.nvidia.com/labs/gear/gr00t-n1_5
  3. GR00T N1.6（第三方）：https://www.naddod.com/ai-insights/a-deep-dive-into-pre-training-and-post-training-for-nvidia-isaac-gr00t-n1-6
  4. Isaac-GR00T 仓库：https://github.com/NVIDIA/Isaac-GR00T
  5. EgoScale：https://arxiv.org/html/2602.16710
  6. π0：https://arxiv.org/abs/2410.24164
  7. π0.5 论文：https://arxiv.org/html/2504.16054
  8. π0.5 博客：https://www.pi.website/blog/pi05
  9. π*0.6：https://pi.website/blog/pistar06
  10. Xiaomi-Robotics-1：https://arxiv.org/html/2607.15330v2
  11. GEN-0：https://generalistai.com/blog/nov-04-2025-GEN-0
  12. GEN-1：https://generalistai.com/blog/gen-1
  13. Skild（NVIDIA 博客）：https://blogs.nvidia.com/?p=98131
  14. Figure Helix：https://www.figure.ai/news/helix
  15. Tesla（eWeek，引 Business Insider）：https://www.eweek.com/news/tesla-optimus-robot-training/
  16. 1X World Model：https://1x.tech/discover/world-model-self-learning
  17. LingBot-VLA：https://arxiv.org/html/2601.18692v1
  18. AgiBot World：https://github.com/OpenDriveLab/AgiBot-World
  19. Data Pyramid for Embodied Manipulation：https://arxiv.org/html/2607.24744v2
  20. 智元 GO-2（PingWest，媒体）：https://www.pingwest.com/w/312795
  21. GraspVLA：https://arxiv.org/html/2505.03233v3
  22. 星海图数据集（第三方）：https://claru.ai/datasets/opengalaxea-galaxea-open-world-dataset
  23. Motus2：https://arxiv.org/html/2608.30237
  24. VPP：https://arxiv.org/abs/2412.14803
  25. OpenVLA（供应商页）：https://claru.ai/models/openvla
  26. Open X-Embodiment：https://arxiv.org/pdf/2310.08864
  27. DeepMind OXE 博客：https://deepmind.google/blog/scaling-up-learning-across-many-different-robot-types/

价格与成本（多为供应商口径或媒体转述）：

  1. HelloChinaTech（转述 36Kr）：https://hellochinatech.com/p/china-robot-training-data-cost
  2. DexSet 遥操成本：https://dexset.ai/blogs/robot-training-data-costs-pricing-complete-2026/
  3. DexSet 第一视角采集：https://dexset.ai/blogs/egocentric-data-collection-robotics/
  4. DataXPower：https://www.dataxpower.com/blog/humanoid-robot-data-collection-cost
  5. 36Kr：https://eu.36kr.com/en/p/3967681693194120
  6. Flikforge：https://flikforge.com/robot-data-glut-egocentric-video-physical-ai/
  7. UMI 原论文：https://arxiv.org/pdf/2402.10329 ；https://arxiv.org/html/2402.10329
  8. TacUMI：https://arxiv.org/pdf/2601.14550
  9. Lightwheel SimReady 资产：https://github.com/LightwheelAI/Lightwheel-simready-asset
  10. SemiAnalysis：https://newsletter.semianalysis.com/p/rl-environments-and-rl-for-science
  11. FourWeekMBA：https://fourweekmba.com/rl-environment-pricing-the-cost-architecture/
  12. Robotics Center 2026 报告：https://www.roboticscenter.ai/en/state-of-robotics-2026
  13. TechCrunch（Human Archive）：https://techcrunch.com/2026/05/26/human-archive-taps-into-indias-services-startups-to-collect-data-for-physical-ai/
  14. Cervo：https://www.cervo-tech.com/blog/robot-teleoperation-data-collection-statistics-2026.html
  15. Fortune（Tesla 招聘）：https://fortune.com/2024/08/19/tesla-robot-hiring-workers-optimus-training-ai
  16. Echo 论文：https://arxiv.org/pdf/2504.07939
  17. AgileX UMI：https://global.agilex.ai/blogs/robotics/what-is-umi-for-real-world-robot-data-collection
  18. SO-101（CNX Software）：https://www.cnx-software.com/?p=149841
  19. 虎嗅（中国价格带）：https://m.huxiu.com/article/4892109.html ；21 世纪经济报道：https://m.21jingji.com/article/20261009/herald/edc95dff6fdf70
  20. 虎嗅（数采员众包）：https://www.huxiu.com/article/4870483.html
  21. 科技日报（星海图 CEO 测算，2026-06-16）：https://www.stdaily.com/web/gdxw/2026-08/19/content_565996.html
  22. DreamVu：https://www.dreamvu.ai/blog/robot-training-data-companies-2026
  23. Inc42：https://inc42.com/features/india-trains-the-worlds-robots-but-at-what-cost/ ；StartupFeed：https://startupfeed.in/egocentric-data-india-robot-training-boom/
  24. OpenTrain 遥操岗位：https://www.opentrain.ai/jobs/robot-teleoperator--cmr0f9rnw005sgf3lw1m3knr6/
  25. OpenTrain UMI 采集岗位：https://www.opentrain.ai/jobs/household-video-data-collector--cmr0f6uii003bgf3l7fk440ik/
  26. Robotics Center 采集成本：https://roboticscenter.ai/blog/robot-data-collection-cost
  27. 虎嗅（遥操有效产出率）：https://m.huxiu.com/article/4858885.html
  28. GELLO：https://arxiv.org/pdf/2309.13037 ；U-ARM：https://arxiv.org/pdf/2509.02437

scaling 与观点：

  1. HumanScale：https://arxiv.org/html/2606.20521
  2. Skild S1（DataNorth）：https://datanorth.ai/news/skild-ai-launches-s1
  3. Brooks：https://rodneybrooks.com/why-todays-humanoids-wont-learn-dexterity/
  4. Goldberg：https://techxplore.com/news/2025-08-year-gap-robots-lag-ai.html
  5. Levine：https://podcastaddict.com/automated-with-brian-heater/episode/223745576 ；https://www.antoinebuteau.com/lessons-from-sergey-levine/
  6. Cheng Chi：https://techxplore.com/news/2024-03-framework-robots-policies.amp
  7. Data Scaling Laws in Imitation Learning：https://arxiv.org/html/2410.18647
  8. RT-1：https://arxiv.org/pdf/2212.06817
  9. Octo（课程讲义）：https://rllab.snu.ac.kr/courses/robot-learning-2026/files/lecture20_vla.pdf/@@display-file/file

本章涉及的实体

"10 万年数据缺口"论证（Goldberg）概念与方法
Ken Goldberg 称机器人比 LLM 少约 10 万年数据，遥操一天只产一天数据
数据价值阶梯概念与方法
互联网视频到第一视角、UMI、遥操、部署回流，越靠后越贵越贴近部署
机器人数据价格带（中/美/印度）概念与方法
中国元每小时、美国与印度美元每小时，三地口径各异，多为供应商自述
EgoScale（2 万小时，对数线性 scaling）数据集 · 美国
NVIDIA 的 20,854 小时第一视角预训练与对数线性缩放律
Data Pyramid for Embodied Manipulation论文与基准
五层数据金字塔综述与六个开放问题
Data Scaling Laws in Imitation Learning（32 环境）论文与基准
泛化按幂律随环境与物体数增加，32 个环境-物体对约 90% 零样本
Figure Helix论文与基准
Figure 的人形 VLA，约 500 小时遥操数据（公司口径）
GR00T N1 / N1.5 / N1.7论文与基准
NVIDIA 人形基础模型；真机 88 h + 仿真等效 6,500 h + 生成 827 h 的金字塔配方
LDA-1B / EI-30k论文与基准
银河通用聚合约 33.8k 小时开源数据训练的 1B 模型，排除自有 G1 数据
LingBot-VLA论文与基准
约 2 万小时、9 种双臂配置训练的 VLA，强调训练吞吐与适配成本
LingBot-VLA 2.0论文与基准
蚂蚁灵波 6 万小时（真机 5 万 + 第一视角 1 万，过滤后）、20 本体的 VLA
SmolVLA论文与基准
Hugging Face 的小型 VLA，用 481 个 LeRobot 社区数据集预训练
TRI LBM（Ramen 1,695 小时）论文与基准
真机 468 小时、UMI 32 小时、仿真 45 小时、OXE 约 1,150 小时的混合配方
WALL-OSS / Wall-OSS-0.5论文与基准
自变量 VLA，自采:开源约 60:40、n^0.5 采样，配方最透明的中国模型之一
X-VLA论文与基准
公开配比的开源聚合 VLA：AgiBot World 141K 条、权重 0.40
Xiaomi-Robotics-1论文与基准
5B VLA，10 万小时 UMI 预训练，少数公开逐源采样权重的配方之一
π0论文与基准
Physical Intelligence 首个 VLA 基础模型，公开了按任务-本体 n^0.43 加权的预训练混合
π0.5（数据配方与消融）论文与基准
六类数据混合的 VLA；去掉多环境静态机器人数据后 OOD 成功率 94→31
π0.7论文与基准
PI 2026-04 模型：多机器人、人类数据与自主 episode 混合，Recap 经验蒸馏
原力灵机 Dexmal DM0 / DM0.5论文与基准
中训练用 OXE / AgiBot / RoboMIND；DM0.5 约 15 万小时（⚠️二手）
字节 Seed GR-3 / GR-Dexter论文与基准
小规模自采 + 中国开源集（ActionNet/白虎/RoboMIND）+ VR 人类轨迹

本文为个人研究笔记，结论基于成文时可获得的公开信息；带〔估算〕〔推断〕或 ⚠️ 的数字未经独立核实。