机器人学不会折衣服，问题不在脑子，在手感——更准确地说，是没有足够多的“手感样本”。
大模型能火，靠的是互联网上现成的海量文字。可“拧开瓶盖”“叠好一件衬衫”这类动作，网上没有现成语料，机器人想学，就得有人一遍遍做给它看。过去主流的办法是真机遥操：人拿手柄、戴 VR 去操纵机器人，一个动作一个动作地示范。数据质量是高，但慢、贵，还受机器人和场地限制，想凑够训练量，成本高得吓人。
9 月 23 日，觅蜂科技发布“觅蜂派”——一个物理 AI 数据众包平台。逻辑很直白：你下载 App 领个任务，戴上 MEgo 设备，在熟悉的超市、仓库、家里按提示做动作，数据上传、过审，按有效时长拿报酬。这些数据经过治理分级，最终喂给具身模型，让机器人学会干活。因为路子像 Figure 今年 8 月推出的 Index，外界管它叫“中国版 Index”。
但两者其实不是一路。Index 是给 Figure 自家模型供数据，闭环玩；觅蜂派面向的是更广的客户——模型厂商、机器人公司、数据采购方，谁有需求就按谁的标准组织生产，把处理好的数据当成服务卖出去。听着更灵活，实则更难：客户越多，要覆盖的行业、任务、长尾场景就越杂，采集标准、数据治理、稳定交付的压力也成倍上涨。这恰恰是它最值得看的地方——“全品类”和“高质量”这两个词，一个管广度，一个管深度，缺一个都撑不起来。
众包这招其实不新鲜，难的是把零散的日常经验，变成能训练模型的标准数据。行业现在的共识是三条腿走路：无本体采集铺规模，真机遥操给贴近本体的数据，真实部署让模型持续纠错。要冲具身 AGI，数据量得从百万小时级蹦到亿级小时，靠老办法线性堆根本堆不出来，必须用众包这种杠杆去撬。
内测一个月，觅蜂派攒下 2 万注册用户、1.3 万份采集任务。参与者挺有意思：42 岁的网约车运营人员李国英，下班后录下浇花、擦玻璃、整理桌面的过程，十几分钟上传一批，过审就有钱，“生活兼顾了，还有份额外收入”。苏州糕点技艺传承人陆小星，则把揉制、包馅、压模的力度和节奏录下来，给非遗留下新的数字载体。这些不是摆拍的演示，而是带着真实生活痕迹的动作——恰恰是模型最难从实验室里获得的。
我的看法是：觅蜂派真正的赌注，不在“众包”这个壳，而在两件事——能不能把五花八门的采集场景标准化成可用数据，以及能不能让海量普通人稳定交出高质量样本。Figure 的 Helix 2.5 实验已经证明众包数据有价值：在 30 套陌生住宅里，靠 Index 预训练，零样本成功率从 9% 拉到 56%。方向是对的。
但也别太乐观。人一多，数据质量就参差，审核和治理是硬骨头；用户愿不愿意长期戴着设备干活，也取决于报酬有没有吸引力；再加上隐私、数据归属这些绕不开的问题。觅蜂派想做的，是一张持续生长的物理 AI 数据网络。这张网能不能织起来，考验的不是技术秀，而是耐心和标准。
