具身智能产业链分化：机器人公司普遍亏损，数据采集成最早盈利环节

事件概述

2026年上半年，中国具身智能赛道热度空前，据IT桔子统计，该领域共发生322笔融资，总额达935亿元，同比增长约5倍。尽管资本涌入，但机器人本体制造环节普遍面临盈利难题。以“人形机器人第一股”宇树科技为例，其上市初期股价波动剧烈，招股书显示今年一季度扣非净利润同比下降52.55%。与此同时，位于产业链上游的数据采集服务商却凭借低门槛的人力运营模式实现了可观利润，成为当前少数跑通商业闭环的细分领域。

核心信息

1. 商业模式：层层转包的“包工头”生意
数据采集公司的核心盈利逻辑在于赚取上游发包商与一线采集员之间的价差。

• 定价机制：机器人公司或中间发包商向数据采集公司支付的报价约为每小时70-90元；数据采集公司再向一线采集员结算40-70元/小时。
• 利润率：该模式毛利稳定在30%左右，且订单需求饱和，头部企业甚至出现产能不足的情况。
• 成本优势：为降低人力和社保成本，数据采集基地多选址于宿迁、南阳等三四线城市。当地日薪约160元即可招募到识字、无学历要求的采集员，相比一线城市成本大幅降低。

2. 产能瓶颈：有效产出率低与管理挑战
虽然招聘门槛极低（新手三天上手），但数据采集的质量与效率高度依赖人员管理。

• 有效工时：一线采集员日均坐班8小时，实际有效数据产出仅占50%-60%（约4-4.8小时）。表现优异者可达0.6系数，而部分兼职人员可能无法达到基础产出要求。
• 规模化难点：由于上游对数据时效性要求极高，单纯依靠扩大人员规模难以快速填补缺口。若设备日均有效时长低于4小时，上游可能会收回设备。因此，集中化管理和两班倒模式成为主流选择。

3. 数据缺口与场景困境

• 数量缺口：中国信通院数据显示，当前国内合规物理交互场景数据仅50万小时，而商业化落地需数千万小时，缺口超过99%。部分头部模型训练甚至需要百万小时级的一视角（ego）数据。
• 质量与成本：经过清洗、标注后，最终用于模型训练的有效数据综合成本高达300-500元/小时，真机可用的一条数据成本甚至可达1200-1600元。
• 场景局限：标准化工厂场景易于复制，但家庭、餐饮、零售等长尾场景因沟通难、成本高、执行复杂，目前仍缺乏大规模采集方案。部分企业尝试通过“拼单共享训练场”来分摊成本。

4. 行业争议与未来展望

• “内循环”现象：行业内存在地方单位采购机器人、委托采集数据再卖回给厂商的现象。这种类似英伟达与OpenAI互相成就估值的模式，被质疑为厂商讲故事、地方完成考核指标的“刷单”行为。
• 技术拐点：Dyna Robotics等案例表明，通过海量人类第一视角视频预训练可显著提升任务成功率（从20%升至90%），验证了Scaling Law在物理AI中的适用性。然而，行业仍需跨越技术（数据量）、生产（规模化落地）和经济（商业闭环）三重拐点，才能迎来真正的“GPT时刻”。