PitchBook 实体 AI 融资达到 480 亿美元，但机器人仍需要人类教师
据《金融时报》报道，PitchBook 统计显示，今年实体 AI 融资已接近 480 亿美元，但资金尚未解决机器人领域最根本的制约：机器仍缺乏足够有用的数据，以了解人们如何在多变、不可预测的环境中完成实体任务。
这一短缺正推动摄像头进入工厂、办公室、酒店和家庭。工人及付费贡献者会记录自己折叠布料、清洁房间、搬运包裹、准备食物和操作工具的过程。机器人公司随后将这些示范转化为机器的训练材料。
这一融资总额让实体 AI 看起来像下一个重要的计算平台。但其数据集背后的劳动呈现出一个自动化程度更低的故事。初创公司正投入重金，以采集人类专业技能、运营机器人训练设施，并将任务重复数千次。
这构成了该领域的核心矛盾。投资者正在资助旨在减少人力劳动的系统，而开发者却依赖一支不断扩大的劳动力队伍，教会这些系统实体工作如何发生。
与语言模型不同，机器人无法仅通过处理已发布到网上的材料来学会一切。互联网文本包含行动描述，却很少记录完成这些行动所需的精确运动、力度、时机与纠错行为。
包括 Figure、Physical Intelligence、Generalist、Skild AI 以及多家专业数据供应商在内的开发者，正在探索不同方案。一些收集第一人称视频，另一些则远程操控机械臂、构建模拟环境，或结合多种方法。
这场竞赛不再只是比拼谁能设计出能力最强的机器人。它正逐渐成为一场竞争：谁能建立从人类活动到可靠机器行为的最佳管线。
PitchBook 实体 AI 融资遭遇数据瓶颈
接近 480 亿美元的融资总额衡量的是投资者的信心，而非已经得到验证的机器人能力。
《金融时报》发布的这篇机器人健身房调查报道描述了一个在计算、设备和真实世界训练运营上投入数十亿美元的行业。PitchBook 提供了该报道引用的年初至今融资估算。
这一数字涵盖机器人和实体 AI 公司，而非单一技术类别。实体 AI 通常指能够感知环境、作出决策，并通过机器在现实世界中行动的系统。
该类别包括人形机器人开发商、机器人基础模型公司、数据供应商，以及构建物理环境模拟的企业。它们的产品各不相同，但大多数都面临同一种资源缺口。
语言模型开发者继承了规模庞大的人类沟通数字记录。书籍、网站、软件代码库、文档、照片和视频提供了可供收集、整理和训练的材料。
机器人领域没有与物理结果相连、可与之相比的行动记录。视频可以展示某人关上抽屉，但仅凭像素可能无法体现施加的力量和关节位置，也无法说明抽屉卡住时发生了什么。
一段有价值的机器人示范可能需要同步的摄像头视角、深度信息、运动轨迹、任务标签以及成功或失败信号。灵巧操作还可能需要触觉或力量测量数据。
这些要求使数据更难收集和复用。为一种机器人躯体录制的示范，未必能顺利迁移到另一台拥有不同手部、关节、摄像头或触及范围的机器上。
环境同样至关重要。一个在实验室灯光下学会拾取相同物体的模型，可能会在包装变化时失败。杂乱环境、反光表面、不熟悉的工具、人、宠物和狭窄空间都会带来额外变化。
因此，融资热潮支持的不只是机器人制造。资金正流向一套新的数据生产体系，其中涉及录制设备、人类操作员、标注团队、租赁设施和专业软件。
报道提及的投资说明了这种广度。Physical Intelligence 融资 6 亿美元，据报道估值为 56 亿美元。Mecka 据称从包括 Nvidia 和 Sequoia 在内的投资者处筹集了 6000 万美元，而 Xdof 融资了 7000 万美元。
这些融资轮次并不能证明哪家公司的模型最强。它们表明，投资者将数据收集和通用机器人学习视为战略资产。
尚未解决的问题是，这些投入能否造就可在受控演示之外成功工作的机器。融资可以购买更多训练课程，却无法保证模型能从中学到正确的泛化能力。
这种区别很重要，因为机器人出错会带来物理后果。聊天机器人写出一句糟糕的话，并不会打碎玻璃或伤害他人。机器人每次行动时都必须将感知、规划、运动和安全连接起来。
PitchBook 实体 AI 融资放大了破解这一问题的竞赛，但并未消除问题本身。
为什么机器人训练数据不能直接来自互联网
实体 AI 需要的是与行动、具身性和结果相连的示范，而不只是看似在工作的影片。
文本和图像模型在数字媒体中学习模式。机器人则必须将感官输入转化为在不断变化的物理条件下仍能保持安全的行动。
以一名酒店员工折叠宴会餐巾为例。这项任务涉及抓取柔性材料、寻找边缘、保持张力、对齐各层，并纠正细小错误。
普通视频只能捕捉其中一部分过程。它可能无法揭示手指压力、手腕位置，或布料打滑时员工的应对方式。这些隐藏细节可能决定机器人能否完成任务。
美联社通过韩国初创公司 RLWRLD 收集的工人示范，记录了这一问题。酒店、物流和零售业员工在完成技能型任务时佩戴摄像头。
RLWRLD 的工程师利用虚拟现实头显、动作追踪手套和额外示范补充了这些影像。所得记录包含关节角度和施加力量等细节。
这一案例说明了开发者为何采用多种收集方法。
第一人称视频，也称自我中心视频，会从工人的视角记录任务。由于人们佩戴摄像头后仍可继续从事熟悉的工作，它能够以更大规模捕捉自然活动。
远程操控记录人类通过操纵杆、虚拟现实设备或其他界面控制机器人的过程。这会产生与机器关节和传感器直接关联的行动数据。
机器人健身房则建立可重复的训练站点，让操作员多次完成选定任务。团队可以标准化设备、捕捉失败案例，并调整任务难度。
模拟会生成人工环境和交互。它能更快地产生数据，也无需冒损坏硬件的风险，尽管在模拟中学到的行为未必能完美迁移到现实。
真实世界部署提供了另一条宝贵数据流。实际运行的机器人可以记录失败、人为干预和陌生情境，为后续改进创造材料。
这些方法分别解决问题的不同部分。自我中心视频提供规模，但缺少完整的行动信息。远程操控可生成与机器人兼容的轨迹，但需要设备和受训操作员。
模拟提供数据量，但模拟的表面和物理特性可能与真实物体不同。部署数据高度相关，但公司必须先拥有有用的机器人，才能大规模收集此类数据。
学术项目展示了跨机构、跨机器整合数据集的价值。Google DeepMind 的 Open X-Embodiment 合作项目汇集了来自 22 种机器人具身形态和 21 家机构的数据。
该项目表明，多样化的机器人经验能够改善模型迁移能力。它也揭示了标准化挑战：通过不同摄像头、控制器、任务和机器人躯体收集的数据，必须先经过规范化，模型才能将其结合使用。
DROID 项目通过分布式机器人数据追求了相关目标。其贡献者在众多环境、任务和地理位置中收集了数万条操作轨迹。
这些倡议为专有数据收集计划提供了重要对照。共享研究数据集可以加速科学进展，但公司仍希望拥有为自身产品和目标客户量身定制的私有数据。
仓储机器人需要涉及特定容器、货架、扫描仪和工作流程限制的示例。家用机器人则需要更广泛地接触家庭物品、布局、人员和意外中断。
互联网中充斥着这两类环境的视频。然而，大多数影像是为人类观众制作，而非为了机器人学习。摄像头位置、缺失的传感器数据、剪辑以及不确定的结果都限制了它们的价值。
因此，实体 AI 开发者正试图制造相当于早期网络语料库的东西。他们必须有意地生产它，一次一次记录行动，并测量结果。
人类示范成为新的机器人供应链
数据瓶颈正将日常工作转化为机器学习的宝贵投入。
《金融时报》报道称，Figure 约有 4.4 万名活跃贡献者在家中和工作场所录制任务。据报道，参与者每完成一项任务平均可获得约 94 美分报酬。
报道称，Figure 还计划在未来 12 个月内投入超过 10 亿美元用于数据服务和计算。这一承诺表明，数据生产已成为核心运营职能。
这一过程类似于早期的数据标注业务，但任务更具实体性。贡献者不再只是对图像分类，而可能需要清洁表面、摆放物品、收拾袋子或打开容器。
录制一个成功案例只是开始。有用的数据集必须包含足够的变化，以避免模型记住某一个房间、物体或动作模式。
团队必须改变物体尺寸、材质、方向、光照和周围杂乱程度，还必须捕捉失误、恢复过程，以及最安全的行动是停止的情境。
标注又增加了一层工作。开发者可能需要为任务阶段、物体身份、手部位置、接触事件或完成质量添加标签。
当数据收集扩展到数千名贡献者时，质量控制会变得困难。摄像头可能发生偏移，任务可能被错误完成，或录制可能遗漏重要动作。
当摄像头进入家庭和工作场所时，隐私同样成为核心问题。影像可能泄露人脸、家庭生活习惯、电脑屏幕、专有设备、地址或机密文件。
公司需要制定清晰的同意程序，并对存储、访问、保留和删除建立控制措施。雇主也必须区分自愿参与与借助职场权力施加的监控。
机器人数据的劳动力市场已经国际化。Scale AI 在墨西哥城运营数据设施，而 Xdof 据报道已在深圳和雅加达扩大数据收集。
英国《金融时报》报道称，美国部分机器人操作员的报酬接近每小时25美元。据报道，墨西哥从事类似工作的薪酬约为这一水平的一半。
较低的劳动力成本可以使重复性数据采集在经济上成为可能。但它们也可能复制早期数据标注行业中形成的不平等条件。
《金融时报》引用的一名高管对在印度古尔冈贫困工作环境中进行拍摄表示担忧。报道称，一些工人在未获得额外报酬的情况下被录制。
这一指控并不能证明这是一种普遍的行业做法。但它确实指出了一个治理问题，买方和投资者不能将其视为运营中的附带事项。
工人产出的不只是通用动作。他们还贡献了从经验中发展而来的专业知识，包括高效的操作顺序、安全判断，以及应对异常情况的方式。
酒店员工知道擦拭玻璃杯时该握得多紧。仓库工人能识别不稳定的包装。技术人员能感觉到一个部件是否已正确就位。
一旦被记录下来，这些知识就可能成为可重复利用的企业资产。工人或许能因录制环节获得报酬，却未必能分享未来系统所创造的价值。
劳工组织开始质疑这种交换方式。韩国劳动组合总联盟警告称，自动化可能会中断新员工获得技能知识的过程。
这一担忧带来了更深层的悖论。企业需要有经验的工人来教会机器人，但大规模自动化可能会削减培养未来专业能力的劳动力队伍。
问题不仅在于机器人是否会取代工作岗位，也在于企业是否会保留那些能够产生新方法、适应能力和隐性知识的人才培养链路。
委托构建机器人数据集的企业应记录影像的来源，以及参与者如何表示同意。他们还应追踪报酬是否反映了所捕捉专业技能的价值。
这类溯源工作类似于维护一个可检索的AI knowledge base，但这些记录还包含实体和雇佣背景。缺少这类背景的数据集可能带来技术、法律和声誉风险。
人类示范数据正成为实体AI的基础设施。其采集标准将影响哪些系统在走出实验室后能够赢得信任。
真正的竞争是数据质量与数据规模之争
只有当更多录制时长能让机器人学会可迁移为可靠行动的行为时，它才有帮助。
人工智能投资往往遵循一个简单假设：更大的数据集和更多计算资源会产生更强的模型。这一模式推动了语言和图像生成领域的进步。
机器人开发者希望，类似的规模效应也适用于实体行为。然而，研究人员仍缺乏一个能够将录制时长与在非受控环境中的成功联系起来的通用公式。
加州大学伯克利分校机器人学教授Ken Goldberg在《金融时报》报道中将大规模采集的预期收益描述为一种“直觉”。
他的怀疑并不意味着数据没有价值，而是意味着该领域尚未证明，增加示范数据能够可预测地解决操控、规划和泛化问题。
一百万小时重复性影像的价值，可能低于一个涵盖重要变化因素的较小数据集。罕见的失败案例所具备的训练价值，可能高于数千次常规成功。
在干净示范数据上训练的系统，也可能学到一个不完整的工作版本。真实环境中存在中断、受损物品、模糊指令，以及本应拒绝执行的任务。
观察与控制之间的差异带来了另一项挑战。人的动作无法直接映射到几何结构和机械限制不同的机器人身上。
人手结合了触觉、灵巧性和快速反馈。许多机器人使用简单的双指夹爪，因为这类机构更容易控制和维护。
五指机器人手有望提供更广泛的能力，尤其是在家庭场景中。但它们也增加了关节、传感器、故障模式和控制复杂性。
模型可能正确识别出一个杯子，却仍施加过大的力量。它也可能复现人手轨迹，而自身硬件无法安全执行该轨迹。
因此，开发者必须将视频连接到机器人可用的表示形式。这一过程可能涉及姿态估计、动作重定向、逆运动学，以及额外的遥操作示范。
世界模型提供了另一条路径。这类系统学习环境在动作发生后如何变化的表示，使软件能够在机器人移动前预测可能结果。
仿真平台可以利用这些预测生成练习场景。世界经济论坛所描述的physical AI framework将仿真与现实世界感知和情境决策并列。
然而，一个令人信服的模拟场景并不能保证接触物理的准确性。软性材料、液体、摩擦、易碎物体和工具使用仍然难以精确建模。
最强的开发流程很可能会结合多种方法。互联网视频可以提供语义背景，人类示范可以展示自然的任务策略。
遥操作可以将动作与机器人硬件连接起来。仿真可以扩大覆盖范围，而部署日志能够揭示设计者未曾预料的失败。
竞争优势在于如何管理这个闭环。企业必须识别薄弱行为、收集相关示例、重新训练模型，并在留出任务上验证改进。
评估与采集同样重要。公开演示往往展示一次成功尝试，却不披露准备过程、失败率或操作员干预。
企业买家需要与实际运营相关的指标，包括任务完成率、恢复成功率、周期时间、干预频率，以及环境变化下的表现。
一台机器人即使在布置好的房间里九次成功，也可能不适合繁忙的仓库。它一次失败的后果，可能超过那些成功尝试带来的益处。
480亿美元的融资规模可以支持更广泛的实验和更好的硬件。但它也可能鼓励企业将数据集规模视为证据的替代品。
投资者应询问训练材料如何改变性能，而不只是企业收集了多少小时数据。买方应要求测试贴近自身设施和风险条件。
只有当实体AI融资缩短了从示范到可靠部署的路径时，它才真正具有意义。在此之前，录制时长仍然是一种投入，而非成果。
融资压力正从机器人演示转向部署证据
压力最大的企业，是那些承诺通用能力却未发布来自真实工作场所、可重复验证证据的公司。
机器人初创企业之所以吸引资本，部分原因在于一个模型控制多种机器和任务的可能性。这一承诺类似于大型语言模型所实现的通用性。
实体工作更不容出错。模型必须通过会磨损、会遭遇阻力、并与人共享空间的硬件来运行。
通用系统试图在不同任务间复用学习成果，而不是分别编程每一个动作。如果迁移能够可靠奏效，这种方法可以减少部署工作量。
任务专用自动化则遵循不同路径。传统工业机器人在经过工程设计的单元内执行狭窄操作，通常配有隔离设施和可预测的物体摆放。
这些系统缺少与实体AI相关的灵活性，但它们也拥有成熟的安全实践、经过测量的吞吐量和明确的维护要求。
因此，主要竞争并非一家初创企业对抗另一家，而是通用学习的承诺对抗专用自动化的运营确定性。
工厂不会仅因类人机器人在演示中看起来更具适应性，就替换一台可靠的机器。新系统必须改善经济效益，或处理固定式自动化无法应对的任务。
家庭场景的标准更高。它们包含更多变化、更近距离的人机接触，以及更少受过培训的技术人员。消费者也不太可能为了机器人而重新设计每个房间。
美联社从韩国发回的报道捕捉到了这一差距。当前的类人机器人清理一间酒店客房可能需要数小时，而一名工人大约40分钟即可完成。
尽管如此，乐天酒店仍预计机器人将在未来几年支持清洁和后勤工作。其代表估计，类人机器人最终可能承担某些准备工作量的30%至40%。
这些数字描述的是预期，而非经过验证的部署结果。它们也表明，早期采用可能涉及部分自动化，而不是完全替代工人。
实体AI企业必须识别那些灵活性能够抵消较慢性能的细分场景。不规则物料搬运、混合库存和重复性服务任务都是可能目标。
买方会将这些系统与更简单的替代方案进行比较。对于许多工业工作，配备专用机械臂的移动底盘可能优于人形机器人。
融资热潮加大了压力，因为更大的融资轮意味着更高的预期。企业必须支持昂贵的硬件项目，同时构建模型、收集数据并争取客户。
数据供应商也面临自身考验。他们的数据集需要改善跨环境的模型性能，而不只是满足对更多录制时长的需求。
企业还需要与安全系统、工作流软件、维护流程和员工培训相集成。一个有能力的策略模型只是可部署产品的其中一层。
同样的原则也适用于内部证据。由企业挑选的视频不能取代对未见任务进行的结构化评估。
买方应询问测试环境是否曾出现在训练数据中。他们应审查人工干预的频率，以及机器人是否能识别自身的不确定性。
他们还应区分自主行为与遥操作。远程协助可能很有用，但它会改变劳动力需求和运营经济性。
这些担忧都不会否定实体AI的论点。它们界定了支撑这一论点所需的证据。
如今，融资最充足的企业已经拥有产出这些证据的资源。它们的下一项挑战是证明数据规模带来的是可重复的性能，而不只是更好的演示。
480亿美元实体AI融资激增后应关注什么
三个信号将显示，这一投资周期是在构建持久的机器人市场，还是一场昂贵的数据实验。
第一个信号是经独立衡量的部署性能。公告应明确任务完成率、人工干预次数、运行时长，以及在陌生环境中的结果。
来自付费客户的证据将比内部实验室测试更具分量。在仓库、工厂、酒店或家庭中反复运行，将增强数据驱动通用机器人的论据。
不同地点之间迁移表现不佳则会削弱这一论据。这一结果意味着企业仍需要为每位客户和每种环境进行高成本再训练。
第二个信号是更大数据集带来的可衡量回报。开发者应展示新增数据如何改变未被纳入训练的评估表现。
一种有用的披露方式，是比较在加入特定类别示范数据前后的失败率。它还可以展示，在一种机器人上训练是否能改善另一种具身形态。
如果各类任务的提升能够持续，行业的规模化逻辑将更具说服力。若改进很快趋于平缓，企业将需要更好的架构、传感器或数据筛选方法。
第三个信号是对人工录制数据的治理。企业应披露同意机制、报酬、隐私控制、数据保留做法以及数据来源地区。
清晰的标准将降低企业风险，并有助于区分负责任的供应商。持续缺乏透明度则可能引发劳动者反对、法律纠纷和更严格的监管。
这些信号彼此关联。记录不完善的数据可能导致模型存在偏见或不可靠。薄弱的评估机制可能掩盖这些问题，直到机器人进入工作场所才暴露出来。
未来几个月还将揭示，资金是否会集中流向少数几家一体化平台。能够控制硬件、模型、数据采集和部署的企业，可能更快地改进其系统。
专业供应商仍有机会通过为众多客户提供高质量数据集而取得成功。它们的优势取决于能否证明其数据能够跨越单一机器或实验室环境发挥作用。
开放研究仍将十分重要，因为共享基准能为专有主张提供参照。不过，公共数据集无法复现每一种商业环境或安全要求。
考虑采用实体 AI 的企业，应从范围明确的任务和清晰的成功标准开始。在测试机器人之前，它们应记录基准人工投入、故障成本、人工干预需求和环境变化情况。
团队还需要长期保存演示、运营变更和评估结果的记录。可搜索的技术知识库有助于留存那些原本可能在工程和运营团队之间流失的决策。
PitchBook 的实体 AI 融资数据表明，投资者相信机器已准备好从物理世界中学习。更重要的考验在于，企业能否将人类专业知识转化为安全、可重复且具有经济价值的行动。
关注部署数据，而不只是融资总额。应追问：谁录制了训练材料、如何获得同意，以及新增数据是否改善了模型在未见任务上的表现。
机器人行业已经获得了大量资本。如今，它必须证明不断扩大的人工教学劳动力能够训练出随着时间推移需要更少帮助的机器。
