大模型标注红利退潮后，数据公司谁先跑进了具身？

过去十年，数据标注公司的大部分生意围绕2D拉框、简单分类、文本实体抽取展开。

随着大模型进入后训练和偏好对齐阶段，原始文本堆量不再构成核心壁垒，高质量、细粒度、带领域知识的标注成为主流需求。

视觉、文本、语音三类业务都在往复杂场景走，基础框线类任务则越来越多由AI预标注承接，人工退到校验和修复环节，单价和利润空间同步承压。

对数据服务公司来说，战场正在从“这张图有什么”转向“这条指令如何变成动作、用多大力量、走什么轨迹”。

标注公司的“画框时代”正在结束，而具身智能正在把这套逻辑进一步改写。

具身智能训练要处理的不是单张图片或单条语料，而是连续时间段内的多模态序列：语音指令、视觉画面、深度信息、关节角度、末端位姿、力矩和触觉要放在同一时间轴上，输出可执行的抓取、移动、装配、导航动作。

具身数据为什么是“新产线”

具身数据的生产链路可以拆成采集路线和标注对象两层，两者共同决定数据能否直接用于训练。

采集端现在有四条主流路线。

真机遥操通过VR、动捕或示教设备驱动机器人本体，同步记录关节角、末端位姿、力反馈，质量最高，成本也最重；行业数据显示，真机单条数据采集成本可达数十元，行业整体参考价约500-1000元/小时，规模化和降本压力都很大。

UMI即通用操作接口，采集人员手持夹爪加摄像头完成抓取、倒水等操作，不绑定特定机器人本体，跨模型迁移更方便。

第一视角EGO依靠头显、胸戴或腕戴相机记录人类手部动作，适合家庭、零售、办公等细粒度操作场景。

仿真合成借助Isaac、数字孪生等平台批量生成轨迹和极端样本，优势在覆盖长尾，短板在Sim-to-Real：物理引擎对摩擦力、形变、光照的还原仍有偏差，通常要与真机数据配合使用。

标注端的变化更彻底。

传统项目输出2D框、文本标签或简单属性；具身项目要求6D位姿、3D关键点、关节角序列、连续动作轨迹，并把语音指令、视觉、深度、IMU、力矩、本体状态按统一时间戳对齐。任务级语义也要重做，包括动作分段、成功与失败标记、失败原因归类。

标贝科技在具身方案里把这类工作归为“全模态关联+时序化标注”，覆盖视觉感知、决策推理、运动控制和结果验证，利用自研平台处理多路传感器帧同步、力矩电流分段、接触滑移和任务成败事件。

从交付物看，具身数据集不再是“一张图一个标签”，而是一段包含环境、指令、动作、反馈和可复盘失败过程的训练样本。

具身不是无脑捡钱

需求缺口真实存在，但具身数据对资金、场景和工程能力的要求远高于传统标注。

行业报告指出，全球高质量真实具身数据仅数十万至百万小时级，具身基础模型若要支撑能力涌现，可能需要数千万小时，缺口超过99%。

缺口大不代表随便采都能卖。

重资产是第一道门槛。真机训练场涉及机器人本体、动捕、遥操工位、多视角相机、力传感和场地运营，海天瑞声在北京布局的首个具身训练场依托100余台机器人做规模化产出，这类投入对小标注团队并不友好。

有效数据稀缺是第二道门槛，总量可以通过摆拍快速堆高，但脚本化、光照恒定、物体规整的“片场数据”进入真实家庭或工厂后效果会明显衰减；恺望数据在“灯塔计划”里直接用“真场景、真任务、真落地”反摆拍，就是对这类问题的回应。

Sim2Real不闭环是第三道门槛，虚拟数据能补规模，但摩擦、形变、接触力难以完全还原，仍需真机精调。

跨本体复用是第四道门槛，不同厂商关节数量、自由度、末端执行器不同，A本体抓取数据不能直接训练B本体机械臂；同时，真机数据共用难度高，UMI和第一视角相对更容易跨本体迁移。

众包和无标准EGO采集还存在可用率风险，未经任务定义、质检和失败样本回流的数据，进入训练环节会产生大量清洗成本。

训练场如果任务雷同、流通机制弱，独立数据商只做低阶框线，会被本体厂自有数采和大型平台双向挤压。

谁已经不在“画框”了

海天瑞声走全栈平台路线。

年报把互联网开源、虚拟合成、动捕、第一视角、UMI、真机遥操并列作为具身数据来源，并提出混合策略：用第一视角、UMI和虚拟数据做预训练，用真机数据做精调。

落地层面，海天瑞声已与国内某头部具身厂商签署真机数据合约，与多家本体厂、科技大厂和地方政府对接订单，联手石景山人形机器人数据训练中心共建具身智能数据训练场，发布具身智能数据工程化服务平台。

标注能力覆盖2D/3D关键点、6D位姿、关节角、动作轨迹、语义分割、实例分割和点云分割，配合算法辅助与合规体系承接复杂项目。

它的路径特征是大平台、训练场和跨模态工程化一起推进，利用上市公司资源把“数据产品+定制采集”做成主线。

标贝科技走多模态轻平台路线。

WAIC 2026上，标贝科技把具身方案放在环境感知、决策推理、运动控制全链路里展示，采用远程遥采、动作捕捉、实景示教等方式，配合自研多模态时序对齐标注平台。

具体项目覆盖EGO多场景、机械臂与夹爪、UMI、四足感知、3D语音手势、世界模型采集等；服务环节包括真实场景多模态采集、标注治理、定制数据集生产、时序对齐、机器人视觉识别、抓取、动作意图标注、复杂任务拆解、数据清洗和隐私脱敏。

INTERSPEECH 2026上，标贝科技把语音底座进一步接入具身，展示语音指令、视觉画面、动作轨迹的时空关联，用百万小时语音训练数据、十万音色、多方言多语种对话资源支撑VLA和模仿学习。

对有多模态积累的数据公司来说，标贝科技的路径更可参照：不一定要先重金建百台机器人场，而是把语音、视觉、文本对齐能力迁到“指令-动作”样本上，用平台和场景项目做轻资产交付。

恺望数据走重场景生态路线。

2026年9月发布“灯塔计划”，100天联合100家伙伴，围绕零售商超、商务办公、家居生活、仓储物流、工业生产、餐饮服务六类场景，目标共建100万小时真实场景数据，并在2026年12月底前完成采集、标注和质量审核。

机制上按有效小时结算，合格率不低于95%的数据给予10%-20%溢价；场景方拿采集费和数据收益分成，采集服务商按有效小时获得服务收入，联合开发的数据产品按约定比例分成。

恺望数据的打法把“人”和“场景”放在产线中心，用生态招募解决真实场景分散、真机产能不足的问题，更适合有人力调度和线下运营能力的团队复制。

公象智能走区域场景切入路线。

公开信息显示，公象智能在共青城超市通过VR和专业设备做真机行为采集，覆盖拿取、摆放等家庭零售动作；在青岛披露多模态采集、高保真标注、模型训练一体化方案；衡阳布局2500平方米采集基地，城阳启动场景作业。

对中型数据商而言，公象智能的路径价值在于先用区域基地和政企场景做抓手，把通用数据能力逐步迁到机器人行为样本，不必一开始就全栈押注真机训练场。

其短板也在区域路径本身：场景厚度、本体覆盖和跨项目复用标准，需要更长时间沉淀。

转型的四个硬条件

工具链要先改。

具身项目要求视频、点云、语音、IMU、力矩在同一时间基准下对齐，6D位姿、3D关键点、动作分段、成功失败标记、力触事件都可在平台配置。

传统标注系统如果只支持图片框线和文本标签，需要先做时序模块，否则即使接到机器人订单，也会卡在格式转换和人工补标上。

海天瑞声、标贝科技的公开方案都把平台工程化作为具身业务前提，原因就在这里。

场景库和本体适配要聚焦。

家居、零售、工业、医疗、办公各有不同的物体、光照、力控和安全要求，初期全场景通吃会拖垮交付。

更稳妥的做法是先选一个切口，按真机、UMI、EGO、仿真比例组合：真机保质量，UMI和EGO控成本，仿真补长尾，再按目标本体做格式治理。

恺望数据用六类场景建生态，标贝科技用EGO和机械臂做高频任务，都是先缩范围再扩规模。

质检与标准要前置。

具身样本的问题不只是框错没框错，还包括动作物理是否合理、跨视角是否一致、成功与失败是否完整保留、badcase能否回流补采。

行业里开始推具身数据集质量要求和评估方法，标贝科技也参与相关标准编制；对数据公司来说，质检规则越早写进采集SOP，后期训练端返工越少。

人和合规要一起转。

标注员从框线工变成动作和任务标注员，需要理解基本运动学、力控边界和场景物理；医疗、工业、零售等垂类项目还要引入领域专家。

隐私脱敏、场景授权、个人信息和跨境合规同步做，海天瑞声年报把数据安全与合规能力列为数据服务企业的核心评价维度，具身项目涉及摄像头、语音和多地采集，合规不再是交付后的附加项。

结语

通用标注红利退潮是事实，具身数据是结构性增量，但未必是每家公司都能接住的唯一增量。

海天瑞声用全栈平台和训练场切入，标贝科技把语音多模态和时序标注迁到机器人指令-动作链路，恺望数据用真实场景生态做重采集，公象智能以区域基地逐步切入真机行为——四条路径对应不同资金、人才和场景资源。

决定转型成败的，不只是“要不要做具身”，而是工具、场景、质检和合规谁能先跑成闭环。

具身厂商当前愿意为有效小时和真实任务付溢价，等本体厂自建训练场、行业标准和仿真保真逐步成熟，低阶标注的外包空间会进一步收缩。

对数据公司来说，窗口期不等人，先按一条可验证产线落地，比等待全行业方案更现实。