让机器人学会端盘子、叠衣服、拧瓶盖，难点不只在模型。真正稀缺的，是足够多、足够杂，而且来自真实世界的操作数据。9月23日，觅蜂科技在上海举办觅蜂派全球发布会，正式推出面向社会开放的物理AI数据众包服务平台“觅蜂派”。

按照现场公布的模式，用户可以在觅蜂派App领取任务，佩戴MEgo设备，在家庭、餐饮、零售、仓储、制造等场景中完成指定操作。数据通过审核后，平台按照有效时长结算报酬，参与者由此成为“机器人训练师”。这套机制的直接目标，是把过去难以规模记录的日常劳动和职业经验，转化为模型能够训练、评测和复用的数据。

 觅蜂派全球发布会在上海举行

从专业采集走向分布式协作

具身智能的数据问题与大语言模型并不相同。文字和图片可以从互联网持续获得，但现实世界中的动作往往发生在线下：手该用多大力度，遇到遮挡如何调整，工具滑落后怎样纠错，都需要在真实环境里被记录。传统真机遥操与机器人本体高度对齐，却受到设备数量、场地和操作成本限制。众包的意义，首先在于把采集入口铺到更多真实场景。

 现场展示的MEgo数采设备用于记录第一视角画面、操作轨迹及多模态信息

觅蜂派把采集流程拆成“硬件、App、数据引擎”三个部分。MEgo设备负责记录第一视角视频、毫米级位姿，以及触觉、力觉等多模态信息；App把参与者侧的流程压缩为接单、采集、验收和结算四个环节；MEgo Engine则承担处理、标注、质量评估和交付，把原始记录整理成模型可用的数据。

据觅蜂科技披露，平台目前覆盖22大类场景、5000多个任务和50000多个真实环境。一个月内测期间，注册用户达到2万人，累计产生1.3万份任务提交。此前下线的MEgo采集设备已达到2万套，累计生产超过100万小时真实世界无本体数据。上述数字仍需在长期运营中接受有效率、复采率和客户使用效果的检验，但它至少说明，分布式数采已经不再停留在概念阶段。

 参与者佩戴设备记录糕点制作过程，采集训练数据

把人的经验翻译成机器人能学的数据

发布会现场最容易理解的一幕，是糕点制作。揉制、包馅、压模看起来是熟练工的自然动作，背后却包含手部轨迹、用力变化、工具接触和步骤顺序。对机器人而言，这些细节必须被拆开、对齐，再重新组织成可学习的任务。类似的数据也可以来自客房整理、货架陈列、包裹分拣、设备装配和居家清洁。

 觅蜂派将用户侧流程简化为接单、采集、验收和到账四步

觅蜂科技把众包数据进入模型的过程概括为“采、懂、译、用”。数据回传后，MEgo Engine会对长程任务进行理解和切分，将操作拆解为抓、拿、放、拧、按等120多种原子动作，再根据模型需求完成组织与交付。平台还设置ManiEval质检与分级体系，从数据格式与时序、任务完整性、传感器质量、语义准确性和动作可学习性等维度进行评估。

 MEgo Engine覆盖数据处理、感知、标注、质量评估与交付环节

这里的关键并不是把数据一股脑汇集起来。众包参与者、设备和场景都存在差异，数据天然不会整齐划一。平台需要把模型需求翻译为可执行任务，同时处理同步、清洗、脱敏、失败样本判断和质量分级。只有这些环节稳定运转，规模才不会变成噪声。

普通人获得新角色 场景方也进入数据链条

觅蜂派给普通参与者设置了“机器人训练师”的角色。首批内测人员中，既有利用家务时间完成采集的普通用户，也有记录传统技艺的非遗从业者。发布会现场，觅蜂科技向16位参与内测的数采员颁发首批机器人训练师证书，并启动面向社会的职业计划。

 首批参与内测的数采员在现场获颁“机器人训练师”证书

这一安排与行业变化形成了呼应。2026年9月，具身智能机器人应用技术员被正式纳入新职业。两者并非完全相同的岗位定义，但都指向同一个变化：当机器人进入工厂、仓储和服务业，围绕数据采集、现场部署、任务示范和效果验证的新工种正在出现。觅蜂派还宣布启动亿元补贴计划，覆盖采集任务、设备政策、线下服务与保险保障。补贴可以加快冷启动，平台能否形成长期供给，最终仍取决于任务连续性、审核效率和收入是否与技能及数据价值匹配。

场景是另一端的核心资源。当天发起的“场景数据联盟”连接场景方、采集网络、机器人企业与模型企业，首批成员覆盖酒店、零售、餐饮、养老、医疗、制造和城市物业等领域。对于场景方，这不只是开放一处采集地点，更涉及生产流程、隐私边界、商业秘密与授权管理。平台同步发布数据安全行动倡议，并联合多家机构启动《具身智能众包数据发展报告》编制工作。

 《具身智能众包数据发展报告》编制工作在发布会现场启动

热点科技洞察：众包打开的是数据入口而非捷径

物理AI正在经历一次明显的基础设施转向。2026年8月，Figure推出Index，以全球分布式方式采集真实世界的人类行为数据；国内的实景实训专项行动，也把高质量、高保真数据集和真实场景验证列为重点。觅蜂派选择在这个时间点上线，说明行业竞争正从“谁能做出机器人”，进一步延伸到“谁能持续获得真实数据，并把数据变成模型能力”。

众包最擅长解决的是规模和多样性。它能把数据采集带进集中式基地很难覆盖的家庭、小店、酒店和长尾职业，让模型看到更多真实的物体、动作和意外情况。但它不是一条绕开工程难题的捷径。数据是否可学、能否跨本体迁移、是否真正提升任务成功率，需要通过模型训练和真机部署反复验证。更现实的路线，是让无本体众包数据负责扩大覆盖，让真机数据负责动作适配，再由真实部署数据完成回流。

从热点科技来看，觅蜂派真正需要建立的护城河，也不是注册用户数本身，而是任务设计、质量分级、场景组织、安全合规和客户反馈共同形成的闭环。只有采集者愿意持续参与、场景方敢于开放、模型企业能够看见训练收益，众包才会从一次规模化活动变成稳定的数据生产方式。物理AI的数据闸门正在打开，但决定水流能走多远的，仍是标准、治理与真实效果。