印度人形机器人训练如今向工人付费，同时也在自动化他们的技能
印度的人形机器人训练催生了一项令人不安的交易：工人通过记录自动化公司希望机器复现的精准技能来赚取额外收入。
在回收场、工厂、仓库、农场、建筑工地和家庭中，工人正将 iPhone 或专用摄像机固定在头上。这些记录捕捉他们如何分类塑料、缝制鞋子、准备食物、操作工具和包装商品。
这项工作提供即时收入，有时惠及月薪不高的人群。但它也将他们的经验转化为可重复使用的训练数据，并可远远流向最初的工作场所之外。
这一矛盾正是 Bloomberg 于 9 月 8 日播出的 Big Take Asia 播客节目核心。该节目基于其 8 月的一项调查，调查涉及印度各地数万名被招募参与第一人称数据采集的工人。
这场主要博弈并不只是人与机器人之间的对抗，而是工人眼前的收入需求，与其被记录技能所提取的长期价值之间的较量。
机器人公司需要现实世界的案例，因为再令人印象深刻的演示，也很少能直接转化为可靠的工作能力。一台能走过舞台的机器，在能够分类形状不规则的物体或操作陌生工具前，仍需接受大量训练。
印度工人正帮助缩小这一差距。然而，创造这种宝贵资源的人往往对其买家、未来用途或经济价值知之甚少。
印度人形机器人训练从一部 iPhone 开始
机器人训练流程始于普通工人执行熟悉的任务，而摄像机从他们自己的视角记录其动作。
Bloomberg 的工人录像讲述了苏妮塔·拉托雷的故事。她是一名 43 岁的新德里废品分拣工，在城市西缘的回收区 Karan Vihar 分类塑料。
拉托雷佩戴一部朝向双手的 iPhone。它记录她撕除标签、清洗塑料、按等级分类材料，以及堆放最终装袋成品的过程。
据报道，她的日常工作每月收入为 20,000 卢比。记录这些流程则每拍摄一小时额外获得 150 卢比。
这笔额外收入对拉托雷很重要。她告诉 Bloomberg，这正帮助她为四个孩子的教育攒钱。
她的案例也说明了这一新型劳动力市场中的信息不对称。Bloomberg 报道称，拉托雷并不知道这些影像最终将用于支持什么。
这项任务不只是打开摄像机那么简单。拉托雷必须让双手始终出现在画面中，避免拍到其他人，并在有人靠近或呼喊她时停止录制。
类似项目会将摄像机安装在工人的头部、胸前或手腕上。一些系统还会加入动作传感器、深度摄像机、触觉手套或惯性测量单元，用于记录身体运动。
由此产生的材料被称为自我中心数据，即从执行者第一人称视角采集的视频和传感器信息。它近似反映了安装在机器人上的摄像机在执行同一任务时会观察到的内容。
这一视角至关重要，因为房间另一端的传统摄像机可能遗漏关键细节。工人的身体可能遮挡物体、抓握角度，或工具接触表面的瞬间。
头戴式视频会跟随工人的注意力和双手。它揭示物体在每个细微动作前后即时呈现的状态。
一名制鞋工人并不只是“做一双鞋”。工人会挑选部件、将其定位、调整握法、使用工具、检查结果，并对瑕疵作出反应。
数据公司可以将这一序列拆分为更小的单元。每个单元都可能被标注物体、动作、接触点和预期结果。
这种组合为视觉-语言-动作模型提供支持。这些系统将视觉观察和语言指令连接至物理动作，例如伸手取包裹或将其放到传送带上。
采集工作远不止回收行业。Bloomberg 报道称，牛仔布工厂、渔业社区、制鞋设施、建筑工地、仓库及其他工作场所都出现了相关活动。
工人可能使用固定在帽子或头带上的 iPhone。其他任务则要求使用专为更精确测量动作、压力或深度而设计的设备。
印度同时具备多样性与规模。即便较富裕的市场已使用固定式工业自动化，机器人开发者瞄准的许多任务在当地仍然高度依赖人工。
该国还拥有密集的承包商、工厂、服务平台和数据标注企业网络。这些网络让企业能够在众多场景中招募工人并组织录制。
因此，印度的角色并非偶然。尽管最终机器可能在其他地方制造或部署，该国正成为人形机器人供应链的一部分。
其有价值的出口并非某种制造部件，而是对人类经验的结构化记录。
现实世界数据已成为机器人行业的稀缺投入
人形机器人开发者已经认识到，更好的硬件和更大的模型无法替代实验室之外物理工作如何展开的详细案例。
语言模型受益于网络上早已存在的海量文本。机器人则面临不同问题，因为互联网上可用的物理动作记录较少。
书面指令可以说：“从袋子上撕下标签。”但它不会展示应施加多大拉力、每根手指应放在哪里，或塑料撕裂时该如何应对。
公开视频可能从不合适的角度展示任务，也可能缺少深度、力度、时间信息和物体层面的标注。
机器人需要将感知与行动关联起来的案例。它们必须识别物体、选择动作、安全执行，并评估变化后的环境。
微小变化都可能打破这一流程。光线会改变，材料会弯曲，包裹可能破损送达，工具会移位，人们也会进入工作区域。
这正是精心打磨的演示只能提供不完整证据的原因。机器人可能在受控房间内成功，却会在出现杂物、干扰或陌生物体时失败。
自我中心数据流程试图捕捉这些变化。第一人称影像保留了远距离摄像机常常遗漏的物体交互和精细手部动作。
数据公司随后会清理并标注这些记录。审核人员可能识别手部姿势、抓取位置、接触时机、动作边界及涉及的物体。
一段某人组装产品的片段，可能被拆分为多个带标注的动作，包括挑选螺丝、对齐面板、拧紧紧固件，以及将成品放到一旁。
这一处理过程将视频转化为机器人团队可使用的数据集。一些团队直接从演示中训练模型，另一些则利用影像为模拟或远程操控提供参考。
远程操控是指由人类远距离控制机器人，而系统记录指令、观察结果与电机命令之间的关系。它能生成高度相关的机器人数据，但需要能够运行的机器。
人类视频则更容易大规模采集。公司可以将手机或摄像设备送往许多工作场所，而不必为每位贡献者提供一台机器人。
这种差异有助于解释市场为何突然对普通人的动作产生商业兴趣。在机器人实验室继续改进机器之际，数百万工人可以并行生成示例。
Human Archive 是这一新兴市场的一部分。这家总部位于 San Francisco 和 Bengaluru 的创业公司将其产品描述为面向物理 AI 系统的人类感觉运动数据。
根据今年 5 月的一篇报道，该公司已采集数万小时数据，并希望达到数百万小时。该公司表示，印度是其亚洲最大的采集中心。
据报道，该公司筹集了 820 万美元，并建立了逾 120 项合作关系，涵盖工厂、酒店、餐厅、建筑工地和配送业务。其中部分合作尚未启动。
其采集设备据称以每秒 30 帧记录向下拍摄的 4K 视频。深度摄像机和广角镜头则补充有关双手及周边物体的信息。
Human Archive 表示，它利用质量控制、手部追踪和重建模型处理所获得的影像。该公司还表示，其摄像机位置很少拍到面孔，并会在后期处理中移除出现的身份信息。
这些说法描述的是保护措施，而非每一段录制都无害的独立证据。向下拍摄的摄像机仍可能捕捉同事、文件、对话或专有流程。
更广泛的市场还包括 EgoLab、Humyn AI、Objectways、FPV Labs 及其他数据供应商。它们的方法和劳务安排未必完全相同。
将它们联系在一起的是同一商业逻辑：机器人公司需要比自身实验室能够以经济方式产出的更多样化演示。
这个行业正试图以互联网规模获取物理知识。印度既提供掌握这些知识的人，也提供将其打包所需的基础设施。
即时薪酬与劳动的未来价值相竞争
工人获得一次性报酬，而买家获得的数据可以在不同产品和市场中复制、组合和重复利用。
对这种安排最简单的辩护同样颇具说服力：工人接受一项可选的录制任务，并为原本已在进行的工作获得额外收入。
对拉托雷而言，这笔钱支持了一个明确目标。它能在具备能力的人形机器人抵达她所在的回收场之前，改善她家庭的财务状况。
其他工人也可能作出同样的计算。与本月到期的学费、食品、房租或医疗开支相比，遥远的自动化风险可能显得没那么重要。
然而，有意义的知情同意不只是对摄像机说“是”。工人必须了解采集了什么、为何有价值，以及这些数据可能如何被使用。
在碎片化的供应链中，这一标准似乎难以满足。机器人公司可能从一家供应商购买处理后的数据，而该供应商又与当地聚合商签约。
聚合商可能与工厂所有者或劳务平台合作，而非直接联系每一位贡献者。处于这条链条末端的工人，可能对最终买家几乎一无所知。
The Guardian 调查了印度五个邦六家工厂的录制实践。调查发现，工人使用头戴式摄像机和智能眼镜，但并未因创建这些影像而获得单独报酬。
一些参与企业认为，工厂已经获得报酬，因此没有必要再向个体工人支付额外费用。
这一立场暴露了根本争议。工厂提供了准入和排班安排，但工人经年习得的动作才构成数据的信息内容。
工人还可能面临永远不会出现在同意书上的压力。当主管掌控班次、考核或持续雇佣时，拒绝佩戴摄像机可能会让人觉得有风险。
该工厂调查还发现，工人对于这些设备究竟在记录什么感到不确定。据报道，除偶尔提供茶点外，有几人没有获得直接报酬。
根据现有报道，不同项目的报酬差异很大。若没有合同层面的证据，对公平薪酬或剥削作出笼统判断并不可靠。
不过，其背后的经济结构始终一致：一个人因一次录制获得报酬，而这段录制在此后很长时间内都可能持续产生价值。
同一数据集可能服务于一个模型、多个模型，或在多个国家销售的产品。其副本可以被授权使用，无需要求原始工人重复完成任务。
这造成了劳动时间与资产价值之间的不匹配。工人出售的是工时，而数据买家获得的却更接近可复用的知识产权基础设施。
现行劳动制度很少将肌肉记忆视为知识产权。熟练的分拣员、焊工、厨师或制衣工通常既不拥有工作流程，也无权主张从中开发出的自动化成果。
机器人训练数据让这种缺失变得可见。它将默会知识——即通过实践形成的专业技能——转化为可被记录和交易的对象。
工人佩戴摄像头获得的报酬可能高于普通班次。但这并不能证明报酬是否反映了数据集后续产生的价值。
剩余报酬提供了一种可能的替代方案。当数据被再次授权或用于商业部署时，贡献者可以获得额外付款。
另一种做法是，通过附加在机器人数据集上的费用，为工人培训、转岗支持或集体福利提供资金。这类制度需要可靠的数据溯源。
数据溯源追踪数据集的来源、贡献者以及其变化过程。没有这类记录，公司就无法可信地分享后续价值。
短期内值得担忧的并非必然的大规模失业。大多数当前的人形机器人仍然过于缓慢、脆弱或昂贵，难以广泛替代复杂的体力劳动。
更紧迫的问题是议价能力。工人现在就在谈判，而当下无人知道哪些录制内容会具有商业重要性。
买家明白这些影像为何重要。许多贡献者却不掌握同等的信息。
这种信息不对称使行业能够在技能价值周期中价格最低的时刻，获取可能极具价值的技能。等到数据集被证明有用时，重新谈判或许已不可能。
人类示范仍无法保证机器人可靠运行
更多训练数据可以改善机器人的模型，但并不能自动解决硬件限制、安全问题或不可预测的工作场所。
“训练自己的替代者”这一说法捕捉到了真实风险，但也将多年来艰难的工程工作压缩成了单一论断。
观察一名工人，并不等于复制这名工人。机器人必须将人类的解剖结构和动作转化为自身身体能够执行的行为。
人手拥有密集组合的关节、肌肉、肌腱和触觉感受器。机器人手则具有不同的活动范围、力量、感知能力和耐久性。
人类只需一次轻微动作，就能判断容器是否湿滑。机器人可能需要触觉传感器、控制软件和针对任务的训练，才能得出同样的结论。
当人类示范仅来自视频时，问题会更困难。像素无法直接揭示力量、重量、摩擦力，或抵抗物体运动所需的力道。
深度摄像头和运动传感器能填补部分空白。触觉手套可以增加压力信息，但也会提高设备成本并使采集更加复杂。
录制的动作还必须进行重定向。重定向是指将人类动作转换为适用于尺寸和机械约束不同的机器人的可行轨迹。
即使轨迹在技术上正确，也可能在新地点失效。不同的桌面高度、物体形状或摄像头位置，都可能改变模型所观察到的内容。
这些限制解释了为何机器人团队会结合多种数据来源：人类视频、远程操控的机器人示范、仿真、合成场景，以及机器人实际运行期间生成的数据。
每种方法都有不同的取舍。人类视频资源丰富，但缺少原生的机器人控制数据。远程操控可生成精确的控制数据，但扩展速度较慢。
仿真能够在不危及设备的前提下生成大量样本。然而，模拟物体无法完美再现实体工作场所的材料属性和混乱程度。
真实机器人运行能产生最相关的反馈，但在早期开发阶段成本高、速度慢，且可能带来危险。
因此，应谨慎解读行业对人类录制内容的需求。它证明人类动作具有价值，并不意味着替代迫在眉睫。
Figure AI 提供了一个有用的对照。该公司利用人类示范训练其 Helix 系统完成叠衣服、在厨房中移动物品等任务。
Figure 的首席执行官告诉 TIME，折叠毛巾仅需 80 小时视频。然而，在被观察的示范中，该公司的机器人在部分衣物任务上仍然表现吃力。
这些家庭机器人测试同时展现了进展与局限。这台机器成功完成了一些厨房任务，但尚未准备好在家庭环境中进行通用部署。
韩国的一项尝试提供了另一项现实检验。RLWRLD 收集工人示范，并以虚拟现实头显、动作追踪手套和直接机器人控制作为补充。
在一次被观察到的示范中，机器人小心地移动杯子，却撞倒了一个盘子。听起来是小故障，但当任务发生在工人或昂贵设备旁边时，问题就不小了。
这些酒店试验也暴露出巨大的生产率差距：一个人约 40 分钟能清洁完的酒店客房，当前人形机器人可能需要数小时。
尽管如此，Lotte Hotel 仍希望机器人能在 2029 年前承担清洁及其他后台任务。一名高管估计，人形机器人最终或许能完成活动筹备工作量的 30% 至 40%。
其余工作涉及人与人之间的互动和棘手的例外情况。这种分工表明，在完全替代之前，可能先出现局部自动化。
局部自动化仍会改变就业格局。将常规步骤自动化的公司可能需要更少工人、重新设计岗位，或提高每个人的预期产出。
它也可能创造机器人监管、维护、安全、数据审核和例外情况处理等新岗位。但这些岗位并不会自动由被替代的工人获得。
培训机会、地域、语言和正规教育程度，可能将失去任务的人与被雇来管理机器的人区分开来。
因此，“人类与机器人将简单协作”的说法需要审视。协作描述的是一种可能的运营模式，而非利益分配的保证。
对大规模替代的自信预测同样如此。视频采集显示了企业正在投资的方向，却无法说明机器何时才能在经济上变得可靠。
最有力的结论应当更为有限：印度工人正在帮助机器人公司提高其自动化更多体力任务的可能性。
这种改进究竟会带来替代、增强，还是又一个失败的试点项目，将取决于部署证据，而不只是视频档案的规模。
同意与监控已经是当下的风险
岗位替代仍不确定，但从采集开始，摄像头、工作场所监控以及对个人数据控制权薄弱的问题便会影响工人。
头戴式摄像头记录的不只是双手。它可能捕捉佩戴者在一个班次中看到的所有人和所有事物。
其视野可能包括同事、客户、家人、私人谈话、电脑屏幕、生产方法和个人物品。
佩戴设备的工人或许已经同意。但出现在背景中的人可能永远不会知道，商业数据集包含了他们的影像。
数据公司可以模糊人脸或丢弃不合适的影像。这些保障措施是在信息已经被收集和传输之后才发挥作用。
采集还会生成一份关于工人表现的详细记录。视频可以揭示工作节奏、停顿、错误、动作模式，以及完成每个步骤所需的时间。
这些信息对模型训练很有价值，也同样适合用于员工监控和生产率评分。
工厂最初可能批准为机器人数据集进行录制。管理层之后可能发现，同一系统还能细致呈现闲置时间和任务完成情况。
由此产生的压力可能早于机器人多年到来。摄像头使每个动作都可量化，工人可能因此面对更严格的目标。
这种可能性并不意味着应反对所有工作场所录制。安全审查、技能培训和质量控制都可以出于正当目的使用视频。
核心问题是目的限制。为某一明确目的收集的数据，不应悄然变成服务于另一目的的工具。
可信的项目应明确录制目的、买家类别、保存期限、安全控制措施和删除流程。工人应了解，基于这些数据训练的模型是否会在数据删除后保留衍生信息。
同意也应当可以续期。工人同意参与一个项目，不应自动意味着授权未来对影像的所有使用。
公司需要制定在数据进入模型前撤回同意的程序，也必须说明何时因技术或合同限制而无法撤回。
隐私声明值得独立核验。供应商声称摄像头朝下，并不能解决音频、反光表面、文件或弯腰进入画面的人等问题。
匿名化可以降低风险，但实现完全匿名很困难。独特的工作空间、声音、纹身、制服或动作模式，即使没有清晰面孔，也可能识别出某个人。
安全性同样重要，因为原始影像可能暴露商业敏感流程。数据泄露可能同时损害工人和参与企业。
行业还需要来源标准。机器人买家应能够核实，录制内容来自知情的贡献者，并符合合法的工作场所安排。
没有来源记录，负责任的买家就无法区分合乎伦理采集的数据与通过压力或欺骗手段收集的廉价材料。
独立审计可以审查招募、同意、报酬、隐私过滤、安全性和下游授权。审计摘要应向贡献者和客户公开。
采购政策或许能比立法更快施加压力。大型机器人实验室可以要求供应商记录工人的同意情况，并拒绝缺乏可信记录的数据集。
然而，当速度和成本驱动市场时，自愿标准存在局限。在工人保护上投入更多的供应商，可能会将合同输给透明度较低的竞争对手。
因此，政策讨论应聚焦完整的数据供应链。监管最终的机器人，无法解决在收集示范过程中造成的伤害。
工人组织也需要在这些讨论中占有一席之地。一份由个人签署的同意书，无法解决监控、工作量或就业方面的集体变化。
最棘手的问题在于谁能够拒绝。当拒绝会威胁工人的班次或与主管的关系时，同意便几乎没有实质意义。
更好的制度应将录制决定与雇佣评估分开。工人应获得清晰通知、直接报酬，以及免受报复的保护。
印度的机器人训练热潮正在市场格局尚未稳定之前检验这些原则。如今做出的决定，可能会成为全球具身 AI 行业的默认做法。
三个信号将揭示下一步谁会受益
下一阶段应根据部署成果、透明的劳工条款，以及贡献者能否进入更好岗位的证据来评判。
第一个信号是机器人在受控演示之外是否具备可靠表现。公司需要证明，机器能够在繁忙的工厂、家庭、仓库或服务环境中完成有实际价值的工作班次。
一项有意义的测试应披露人工干预率、任务完成时间、故障情况和安全事故。经过剪辑的短视频并不能提供足够证据。
如果机器人能在多样化环境中接近人类的可靠性，替代人力的担忧就会变得更加迫切。如果它们仍需要持续监督，数据热潮就已跑在部署应用之前。
第二个信号是，数据供应商是否会公布可执行的同意与报酬标准。关于隐私的笼统承诺无法解决这个问题。
有价值的披露应明确谁获得报酬、拒绝如何实现、客户可以如何使用拍摄素材，以及工人是否能分享任何授权价值。
买方也应披露对供应商的要求。来源记录和独立审计将表明，劳工条件与数据规模同样重要。
如果行业采纳这些做法，工人可能获得更高的可见度和议价能力。如果保密仍是常态，当前的信息不对称将进一步加深。
第三个信号是，机器人部署是否能为那些提供训练样本的人员创造可信的转型路径。
一些公司预测，工人将远程监督机器。其中一种设想是，一名印度的资深焊工指导在另一个国家作业的机器人焊工。
这种结果需要的不只是乐观预期。工人需要培训、能够使用的界面、可靠的网络连接，以及接触创造这些岗位的雇主的渠道。
此类岗位的数量与质量都很重要。如果每个人要监控许多机器人，少数高薪监督岗位无法抵消大范围的任务消失。
公司应披露现有员工是否转入维护、监督、质量保证或异常处理岗位，也应公开工资和留任情况。
读者应避免相信两种简单叙事。一种认为人形机器人很快会在各地消除体力劳动；另一种则认为技术总会创造足够多、更好的岗位。
头戴式摄像机拍摄的画面并不能推导出任何一种结论。相反，录像揭示了当前经济权力所在的位置。
工人拥有经验，但中介机构掌控着将其转化为数据的过程。机器人公司则掌控模型及其潜在部署。
这种分配可以改变。合同、采购标准、监管和集体谈判都能影响谁获得信息与价值。
开发者和企业买方同样拥有影响力。在将数据集用于模型或产品之前，他们可以询问其中是否包含有文件记录的同意。
管理自有 AI 项目的团队，应在可搜索的 AI workflow 中保留来源记录、使用权和人工决策。材料一旦散布在多个系统中，数据治理就会变得更加困难。
对知识工作者而言，印度的案例提供了更广泛的警示。自动化往往始于观察人们如何工作，远早于软件或机器具备替代他们的能力。
记录工作流程的人，可能是在帮助改进工具、标准化流程，或消除岗位中的部分职责。这些结果可能同时发生。
因此，印度的人形机器人训练不仅是关于遥远机械劳动者的故事，也是对社会如何评价训练数据中人类知识的一次检验。
关键问题并不是工人是否应拒绝每一台摄像机。即时收入可以是理性、有用且自由选择的结果。
问题在于，贡献者能否理解这笔交易，并协商获得更公平的份额。请关注谁控制录像、谁再次获得报酬，以及当机器人走出实验室时，谁得到那些新岗位。
