AI开始争夺专家数据

给图片拉框、给语音转写，曾经是AI数据服务最典型的工作。如今，通用模型的基础识别与分类能力在增强，简单标注的价值逐渐下降；与此同时，专家推理、智能体轨迹、机器人动作和行业知识等高价值数据需求快速增加。数据服务的竞争，也开始从组织多少人完成任务，转向能否理解模型、掌握真实场景并组织行业专家。具身智能仍处于数据采集和技术路线探索的早期阶段，但高质量数据供给面临的难点也正在显现。

机器人要进入真实生产环境，首先需要准确记录“人是怎么做的”：看到了什么，身体如何运动，关节如何发力，动作又怎样改变环境。仿真可以补充真实采集的盲区，但物理世界的复杂性决定了，真实场景仍是具身数据最重要的来源。

景联文科技CTO张梦轩拥有工程学和计算流体力学研究背景，长期参与人工智能数据服务与多模态数据工程建设。在他看来，数据工程已经成为模型的一部分，下一阶段真正稀缺的能力，将是模型理解、软硬一体的数据底座、真实行业场景和专家数据生产体系。

围绕AI数据服务的产业演进、具身智能的数据路线、仿真与真实数据的关系，以及流程工业如何组织专家数据，爱分析与张梦轩展开了深入交流。

核心观点

通用标注正在收缩，行业数据需求才刚开始。

通用模型逐步吸收基础识别能力，数据需求开始转向新知识、专家推理、智能体轨迹和行业属性。

数据工程正在成为模型的一部分。

数据质量不能只看单条准确率，最终要看数据分布、场景覆盖和模型训练效果。

具身智能的数据起点，是完整记录“人怎么做”。

第一视角、人体动作、关节运动和受力信息，正在成为机器人学习连续任务的重要数据来源。

真实场景决定具身数据的价值。

仿真可以补充真实采集的盲区，但真实场景才能持续产生可信数据，并决定服务商的订单与商业模式。

流程工业需要一套专家数据生产体系。

普通标注组织难以处理工艺、设备和安全知识，专家招募、协作、审核与激励将成为新的数据工程能力。

以下为本次访谈实录，在不改变原意基础上略有修改。

01、通用标注正在收缩，行业数据需求才刚开始

爱分析：AI数据服务已经发展了很多年，这一轮大模型和具身智能带来的需求，与过去有什么不同？

张梦轩：是的，AI数据服务行业由来已久。一般认为，李飞飞做ImageNet研究，拉开了人工智能数据产业的帷幕。更早的时候，大家主要卷算法、卷模型，没有特别关注数据集对算法的影响。但一个算法经过什么样的数据训练，直接决定了最终模型具备什么功能、达到什么性能。ImageNet带来的重要变化，就是让大家看到，高质量数据集可以推动算法性能产生跃迁。国内的数据服务产业起步稍晚，但没有晚太多。最早比较大规模的需求包括OCR、智能语音呼叫等。语音转文字需要ASR数据，文字合成语音需要TTS数据，这些都产生了大规模的数据采集和标注需求。后来，AI数据需求从语音发展到图像检测、生物特征识别、自动驾驶，再到大语言模型、多模态模型、AI Coding、智能体和行业模型。所以，AI数据服务发生什么变化，本质上取决于AI发生了什么变化。AI应用越来越深入行业，数据需求也越来越深入，数据处理的难度随之提高。

爱分析：过去的数据标注以分类、拉框为主，随着通用模型能力提高，这类需求会逐渐消失吗？

张梦轩：要分通用场景和行业场景来看。在通用场景里，这个趋势比较明显。现在一些通用视觉模型在目标检测、语义识别和图像分割等任务上的能力已经很强。如果模型对常见物体的识别能力超过普通人，人再去做简单分类和拉框，价值就会降低。先讲一个底层逻辑：标注的本质，是人给现实世界的记录增加一层理解。这些记录可以是视频、图像、文本或者其他数据。人通过标注告诉AI：这是什么、应该怎样分类、具有什么属性，在特定环境下应该怎样决策和规划。当某一类任务已经完全进入模型的能力边界，人继续提供相同层次的标签，意义自然会下降。但世界是动态的，新事物、新知识一直在出现，新的标签需求也会持续产生。而且，标签正在从“这是什么”向“它应该怎么做”“接下来会发生什么”升级。即使同样是拉框，过去可能只是标记物体的位置和类别，未来还可能要标记材料、物理属性、使用条件和相关参数。所以，拉框只是人机协作的一种形式。任务的外表可能没有变化，但标签背后的知识含量已经完全不同。

爱分析：行业场景里的情况有什么不同？

张梦轩：行业AI的落地整体滞后于通用AI，而且行业壁垒越深，专业数据的价值越高。在制造、能源、医疗等领域，即使只是判断“这是什么”，也可能存在很高的知识门槛。普通人看到的是一个设备或者零部件，行业专家看到的可能是材料、工况、风险、性能和故障征兆。因此，不能简单地认为通用模型进步以后，行业数据标注也会失去价值。通用标注的需求可能下降，但专家推理、智能体轨迹和行业知识数据会增加。现在，在通用大模型和多模态模型的需求中，常见物体的基础标注任务确实越来越少，更多需求正在转向高价值的智能体数据、推理过程和行业数据。但行业数据项目通常不会以公开、标准化的形式大规模释放，所以很难简单计算传统标注和高价值数据各占多少比例。

爱分析：高质量数据集应该怎样理解？它属于产业链中的哪一个环节？

张梦轩：高质量数据集不是某一个环节，而是最终结果。从数据产业链看，可以分为数据汇聚、数据采集、数据标注、数据治理、数据资产化和数据交易。企业可以直接采购数据，也可以从零开始采集、标注和治理，还可以把数据作为资产进行管理和交易。如果从零开始建设一个高质量数据集，通常要经历汇聚、采集、标注和治理等一系列过程。任何一个环节出现问题，最后的数据集都很难真正用于模型训练。所以，高质量数据集不能只看有没有数据、完成了多少条标注，最终还是要看它能不能支持模型能力提升，能不能服务具体的AI应用。

02、数据工程正在成为模型的一部分

爱分析：从客户需求来看，数据服务公司的交付要求发生了哪些变化？

张梦轩：提到数据标注，大家首先会想到BPO，觉得它是一个人力密集型行业。这个判断没有错。当客户需要大规模完成重复任务时，BPO依然是一类重要需求。但发生变化的是，什么样的人能够参与数据生产。过去，很多任务对人员的专业背景要求不高，服务商只要组织足够多的人，按照客户的任务说明完成交付就可以了。现在，数据任务越来越深入模型训练和行业场景，参与者需要具备更强的专业知识，甚至需要行业专家参与。客户对服务商的一站式能力要求也在提高。你有没有数据采集和加工平台，平台的工程能力、并发能力、兼容性和智能化水平怎么样，能不能同时管理设备、人员和数据，这些都成为新的要求。在自动驾驶时代，服务商要证明自己有没有采集车辆、激光雷达和智能标注能力。到了具身智能阶段，客户还会关心你有多少机器人本体、多少采集设备，以及掌握多少真实场景。这些都属于数据服务商的硬实力。

爱分析：数据质量的判断标准也在发生变化吗？

张梦轩：对。以前大家判断数据质量，主要看单条数据是否准确、格式是否规范、有没有在有效时限内，以及不同数据之间是否一致。这些标准依然重要，但AI时代只做到这些已经不够了。高质量数据不是每一条数据单独准确就可以，还要看整个数据集的标签分布是否均衡，是否覆盖了模型需要面对的业务场景，能不能支撑模型完成最终任务。所以，服务商不能只满足客户任务说明上的要求。它需要理解客户为什么要这些数据、模型准备怎样使用这些数据，以及什么样的数据组合才能真正提升模型效果。越深入智能体和行业模型，越会发现数据工程不是一个独立环节，它本身就是模型的一部分。过去，人是判断数据质量的主体。到了AI时代，真正使用数据的是模型。什么样的数据是好数据，最终要由模型训练和应用效果回答。数据工程因此无法脱离模型单独讨论。

爱分析：如果数据工程已经成为模型的一部分，模型公司还会把它交给外部服务商吗？

张梦轩：模型公司会把核心数据工程能力更多地放在内部，但外部服务商依然有明确的价值。模型公司通常希望自己掌握数据体系和模型训练的核心环节，因为两者已经紧密结合。但数据获取、采集、粗加工以及一些劳动密集、耗时的工作，仍然可能交给专业数据服务商完成。数据服务商也都希望从BPO公司转型为科技公司，更接近模型训练的后端环节，比如强化学习、模型对齐和智能体数据。这类数据价值更高，不仅可以完成项目交付，还可能沉淀为服务商自己的数据资产。过去的数据标注企业更像“等着食堂放饭”：客户发布任务，服务商接单并完成。现在，数据工程已经成为AI落地的必要环节，具备技术平台、行业资源和真实场景的服务商可以主动参与需求设计，甚至主动建设数据产品。服务商的主动性增强了，但客户对它的综合能力要求也更高了。

爱分析：同样从事数据服务，为什么Scale AI等海外公司的估值明显更高？

张梦轩：这个差距不能只从“数据标注”本身来看。第一是技术和产品能力。海外头部数据公司更接近最前沿的模型团队，绑定了大型模型公司和重要机构，因此能够更早接触前沿需求，并围绕这些需求建设能力、打造产品。第二是下游客户的商业化能力。美国用户更习惯为软件和AI服务付费，模型公司拥有更多现金收入，也更愿意为能够提升模型效果的数据投入预算。模型产品最终能够产生多少收入，会直接影响模型公司愿意为数据支付多少钱。第三是采购机制。美国政府、国防和科研机构愿意为数据采集、分析和相关服务投入较高预算。国内虽然越来越重视数据要素和高质量数据集，但在一些项目预算中，数据还没有成为独立、清晰的费用科目。所以，中美数据公司的估值差异，既来自供给侧的技术能力，也来自需求侧的付费能力和采购机制。只有当模型能够商业化、客户愿意为数据付费时，数据服务公司的价值才能真正体现出来。

03 、具身智能要先记录“人是怎么做的”

爱分析：具身智能的数据需求，与自动驾驶有什么本质区别？

张梦轩：这一轮做具身智能的人，有相当一部分来自自动驾驶行业。两者在模型构型和数据类型上确实存在共通之处，但差别也很大。自动驾驶早期通常分为感知、规划、执行和反馈几个环节，后来逐渐向端到端发展。具身智能目前比较基础的技术路线也是VLA，也就是把视觉、语言和动作连接起来。但这里有一个关键问题：端到端的“右端”究竟在哪里？输入端比较容易理解，通常是摄像头记录的视频和其他传感器数据。自动驾驶所说的端到端，输出端不一定直接到车辆最底层的控制信号，中间还可以把任务拆成一些相对标准化的动作。具身智能不同。机器人的决策和动作都是连续的，最终必须落到关节、执行器和机器人控制信号上。端到端的位置只是向后延伸了一段，但对算法设计、数据精度和整体技术体系的要求，会产生很大的跨度。

爱分析：具身智能模型主要需要哪些数据？

张梦轩：首先是机器人自身传感器产生的数据。机器人本身就是一个传感器集合，包括视觉传感器、雷达、深度传感器、力传感器和压力传感器。一些特种机器人还会配置其他类型的传感器。这些数据要完整记录机器人看到什么、感受到什么、做出什么动作，以及动作执行后环境发生了什么变化。只有形成连续的感知、决策、执行和反馈闭环，数据才能用于训练机器人模型。但具体需要什么数据，还取决于模型采用什么技术路线。目前可以大致分成两类。一类是“大脑”和“小脑”解耦，大脑负责理解和决策，小脑负责运动控制；另一类是全局端到端训练，把理解、决策和控制放在同一套模型中。两种模型路径对数据的结构、精度和采集方式都有不同要求。所以，不能只说“采集具身数据”，还要先弄清楚这些数据最终服务什么模型。

爱分析：为什么现在具身数据采集公司采用的技术路线差异很大？

张梦轩：最根本的原因，是机器人模型对数据的需求不同。最直接的方式是使用机器人本体采集。机器人自身带有大量传感器，让机器人执行任务，所有感知和控制数据可以直接记录下来。这类数据和模型的控制链路最接近，价值很明确。但本体采集有两个问题：第一，成本很高；第二，数据往往只能服务同型号或者相近型号的机器人，跨本体复用比较困难。因此，行业开始探索第一人称视角、人类示范、动作捕捉等其他采集路线。机器人最终要进入人类的生产和生活场景，第一步通常是让人教它怎么做。要做到这一点，就必须把人完成任务的过程清楚、准确地记录下来。最简单的是记录人的第一视角视频。进一步，可以给人佩戴动作捕捉和其他传感器，记录身体姿态、关节运动、受力情况甚至关节扭矩。数据维度越完整，机器人越有可能理解人是怎样完成任务的。

爱分析：这是否意味着，传统动作捕捉企业也有机会进入具身智能数据市场？

张梦轩：有机会。具身智能的数据采集是一个逐步递进的过程。动作捕捉企业原来记录的是人体运动，现在可以把这些能力用于机器人训练。但未来加入这个市场的不会只有动作捕捉公司，视觉设备、传感器、工业采集和人机交互等传统行业，都可能成为具身智能数据链条的一部分。关键不在于企业原来属于哪个行业，而在于它能否把人的动作和环境变化准确记录下来，并转化成机器人模型真正能够使用的数据。

04 、真实场景决定具身数据的价值

爱分析：仿真和合成数据在具身智能中能够发挥多大价值？

张梦轩：这是一个渐进的过程。我本身是工学博士，研究方向是计算流体力学，对严格的第一性原理和数学物理仿真比较熟悉。仿真的优势，是能够对一个系统进行全局观察。真实世界的数据通常来自摄像头和传感器，只能获得有限位置、有限时刻的数据，很难得到完整的全局分布。但仿真也有两个长期存在的问题：第一，建模周期很长；第二，计算精度和计算速度很难同时满足。现在有很多利用AI加速仿真的方法，但通常仍然需要在精度上做出权衡。真正困难的不是生成一个仿真结果，而是让它与现实世界准确对应。举一个最简单的例子，把一杯咖啡打翻在桌面上，液体会怎样流动，怎样与桌面和杯子发生作用，其中还涉及传质、传热和不同物质之间的相互影响。要把这些过程完整、准确地计算出来，计算量非常大。以前大家看到生成视频里的船只和水面时，会自然产生一个问题：船和流体之间的交互是真实的吗？同样的问题也存在于自动驾驶和具身智能的仿真环境中。所以，仿真一定有价值，也是具身智能发展中非常重要的一步，但现阶段很难替代真实世界数据。更理想的方式是虚实结合：真实数据提供现实约束，仿真补充真实采集难以覆盖的全局状态和极端场景。目前，这种高质量的混合建模在学术界讨论较多，真正形成成熟行业模式还需要时间。

爱分析：机器人一定要做人形、五指灵巧手吗？

张梦轩：不一定。真正实用的机器人构型未必是人形，但人形机器人有自己的价值。人类现有的大部分工作岗位、工具和空间都是为人体设计的。机器人如果采用接近人的形态，进入这些场景时会更自然，也不需要大规模改造环境。但具体到执行器，五指是不是必要，仍然要看任务。三指可能已经可以完成五指的大部分动作，夹爪在很多工业场景中更加实用，其他柔性或者仿生执行器也可能表现出很强的能力。各种形态都有道理。判断一个机器人或者执行器有没有价值，最终还是要看它解决了什么问题，而不是看它是不是最接近人。

爱分析：对具身智能数据服务商来说，最重要的竞争要素是什么？

张梦轩：最直接的是订单。但订单背后由多种能力共同决定。第一是数据采集和处理能力；第二是软硬一体的设备能力；第三是机器人本体、传感器和专家等资源；第四是真实应用场景；第五是成本控制和运营能力。其中，场景越来越重要。有真实场景的企业，更容易持续产生高价值数据，也拥有更多商业模式选择。行业有一段时间集中关注餐饮连锁场景，就是因为标准化门店里存在大量重复劳动，机器人一旦进入，就能持续产生训练和应用数据。谁能够进入真实场景，谁就可能获得明显的先发优势。数据生产最终仍然离不开人。人员成本怎样降低，可以依靠智能标注、精细化管理和规模化协作，但这些本质上都是运营能力。技术能力很重要，能不能长期组织人、设备和场景，同样重要。

爱分析：具身智能当前受到资本推动，数据需求会不会只是短期机会？

张梦轩：我个人判断，这个需求会持续很久。以前所谓的“百模大战”，有上百家企业参与竞争，但未必真正存在上百个有持续能力的模型。具身智能现在也类似，参与者很多，但最后能够形成产品、团队和商业闭环的企业不会有这么多。这不意味着数据需求会消失。人工智能已经证明可以解决真实问题，未来即使出现新的模型架构，也不会再回到整个产业失去方向的状态。下一阶段要看的，是谁能够在数据工程、模型工程和基础设施上脱颖而出。具身智能企业数量可能收敛，但模型训练、场景落地和持续迭代仍然需要大量数据。

05 、专家数据正在进入流程工业

爱分析：景联文为什么把流程工业作为重点拓展方向？

张梦轩：流程工业的产值非常大，很多行业都关系到国民经济命脉。与此同时，它也是一个与人工智能非常契合的领域。在流程工业里，产能提高1%，可能就意味着每年增加上亿元甚至更高的收益。人工智能在节能减排、提质增效、安全生产和绿色低碳方面，只要取得小幅改善，就可能产生非常大的经济价值和社会价值。因此，这个行业天然需要数据服务。它的AI应用越深入，对高质量行业数据的需求就越大。但流程工业也是门槛非常高的行业。数据涉及生产工艺、设备状态和企业核心经营信息，安全性和隐私要求很高。同时，行业知识、专家资源和客户准入也形成了很高的壁垒。它的价值空间和进入门槛都很大。

爱分析：流程工业具体有哪些AI数据需求？

张梦轩：流程工业大致可以分为研发设计、生产制造、智能运维和企业运营几个环节，这些环节都有数据需求。在研发设计环节，可以利用数据做催化剂设计、材料结构设计和工艺优化；在生产制造环节，可以做软测量、生产参数优化和质量控制；在智能运维环节，可以做设备预测性维护、故障诊断和安全风险识别；在企业运营环节，也可以围绕能源、产能和供应链进行优化。安全生产、标准作业流程、质量监控和预测性维护，都是已经比较典型的应用方向。这些应用看上去是算法和模型问题，但背后都需要大量数据支撑。没有足够准确、完整的工况数据和专家知识，模型很难真正进入生产系统。

爱分析：流程工业的数据服务与传统标注有什么不同？

张梦轩：最大的不同，是它高度依赖行业专家。普通标注任务可以通过统一培训和标准化流程组织人员，但流程工业里的很多数据，只有具备行业经验的人才能判断。设备的异常信号意味着什么，工艺参数为什么发生变化，某种状态是不是安全风险，都需要专家知识。我们已经跑过一些工业专家标注项目，实际做下来发现，任务需要的专业门槛和专家层级，比我们预先想象的更高。这不仅是找到几名专家的问题，还要设计一套完整的专家数据生产机制：怎样把专家经验转化为标注规则，怎样组织专家协作，怎样进行质量审核，以及怎样对专家贡献进行评价和激励。未来，我们会进一步设计高端人才参与数据生产的运营模式，并在实际项目中验证。行业客户是自己建设这套能力、交给外部服务商，还是与数据公司联合建设，目前大家都还在探索。

爱分析：景联文在具身智能和行业数据服务中的优势是什么？

张梦轩：第一，我们长期从事人工智能数据服务，已经建立了一套成熟的多模态数据工程底座；第二，我们会坚持软硬一体，不只提供标注人员，也提供数据采集、加工和管理所需的平台与设备能力；第三，我们在行业场景和相关资源上有一定积累，也在深度参与一些人工智能应用基地。对数据服务公司来说，场景是未来长期发展的基础保障。只有进入行业，才能理解真实需求，持续产生数据，并把一次项目经验沉淀为可复用的能力。

爱分析：景联文下一步重点布局哪些方向？

张梦轩：第一，持续迭代软硬一体的数据工程底座；第二，突破更多行业场景，包括具身智能、流程工业和医疗；第三，让项目能力真正进入行业基础设施，而不是做完一个项目就结束。我们还希望在更大范围内组织数据资源，连接人工智能需求方、行业客户和其他数据企业，逐步成为数据产业的生态伙伴。数据服务会向越来越深入的方向发展。景联文要做的不是只扩大标注规模，而是把数据工程、行业场景和专家资源组织起来，形成长期的数据生产能力。