人形机器人行业正在掀起一场规模空前的数据采集运动。8月25日，美国人形机器人公司Figure正式向全球推出Index项目，通过iOS和Android平台的同名App，向全球用户征集真实世界的物理操作视频。任何人只需佩戴Figure提供的头戴式录制设备，在家中或工作场所录制叠衣服、整理床铺、做饭等日常动作，就能按分钟获得报酬。这个看似简单的众包模式背后，是Figure为突破机器人训练数据瓶颈下的重注，公司承诺未来12个月在数据与算力上投入超过10亿美元。
Index项目的数据规模令人瞩目。在正式公开之前，这个项目以代号秘密运行了4个月，截至发布日已累计获得26.4万次应用下载，覆盖全球108个国家和地区，超过4.4万名周活跃用户持续贡献数据。用户上传的视频总量超过1600万条，系统每秒处理30分钟的视频上传，相当于每天消化4.9年的人类行为记录。Figure已向贡献数据的创作者支付了累计1500万美元的报酬，真金白银的激励让这场全球众包持续运转。
数据的多样性是Index的核心价值所在。Figure披露，每收集1000小时数据，就能覆盖373种独特任务、1146种被操作对象和116种独特环境，包括叠衣服、做饭、打扫卫生、整理货架、服务顾客等日常生活中形形色色的操作场景，甚至还有清理猫砂、更换机油、收拾餐厅餐桌等冷门任务。这种多样性直接来自全球用户各自的生活环境与操作习惯，每新增一位创作者，就带来一个未见过的环境、一批不熟悉的物体和一种独特的完成方式，这种长尾变异性正是通用机器人泛化能力训练最稀缺的素材。
海量的原始视频并不能直接用于训练，Figure为此搭建了一套五级数据流水线。第一级自动过滤，通过算法检查视频的技术质量，包括分辨率、帧率、光照条件与任务相关性，筛掉不合格素材。第二级欺诈审查，人工审计团队对用户账号进行抽查，识别并剔除试图伪造任务或骗取报酬的无效视频。第三级去重，将视频片段转化为向量嵌入，丢弃与已收录内容相似度超过阈值的重复素材，保证数据多样性同时节约算力。第四级再平衡，根据任务配额与嵌入聚类调整不同任务、物体、环境的数据比例，防止模型产生偏见。第五级分层标注，为最终保留的片段生成层级化的文字描述，从宏观任务到微观操作逐层对应，大幅降低人工标注成本。
这套流水线最终服务的对象是Figure自研的Helix视觉-语言-动作（VLA）模型。Helix能够直接通过自然语言控制人形机器人的整个上半身，包括手腕、躯干、头部与手指的高速连续动作，是行业内首个具备此类能力的VLA模型。Figure创始人阿德考克说得直白，训练一个真正通用的机器人所需的数据，在互联网上根本不存在，它必须来自真实世界。此前Figure尝试过向外部供应商采购数据，但供应商无法达到Helix所需的吞吐量、多样性和质量标准，于是公司决定自建一条专属的数据采集管线，Index由此诞生。
Index项目背后是具身智能行业公认的数据之痛。据行业测算，训练一个接近人类水平的机器人大脑，理论上需要10亿小时的真实操作数据，而目前全球的有效供给仅约500万小时，缺口高达200倍。与语言模型可以从互联网海量文本中学习不同，机器人的训练数据必须来自物理世界的真实交互，而这类数据在互联网上几乎不存在，只能通过采集获得。传统的数据采集方式各有硬伤，真机遥操作数据质量高但成本昂贵，采集1小时约需1000元，凑够20万小时就要2亿元以上；仿真数据成本低但存在严重的仿真到现实鸿沟，斯坦福2026年AI指数报告显示，机器人在仿真平台的成功率高达89.4%，真实家庭任务成功率却只有12%。
Figure选择的是众包轻资产路线，让真人佩戴头戴式设备，按自己的习惯和节奏自然生活并录制视频，以极低成本在全球范围大规模铺开。这种方式的采集效率是遥操作的数百倍，但短板同样明显，纯视频只能记录看到什么，无法感知力的大小、触觉反馈等关键物理信息。不过Figure认为，在数据严重匮乏的阶段，先把规模和多样性做起来，比追求单一模态的完美更重要。公司正在以每周数十万条的速度扩充数据集，目标是未来12个月把数据规模再扩大100倍，为Helix的泛化能力提供充足的燃料。
从产业视角看，数据正在成为机器人行业最稳固的护城河。过去十年是硬件时代，硬件做到极致的公司因算法和数据短板无法落地；过去三年是算法时代，开源趋势让算法护城河变得脆弱；未来三到五年，谁能率先把高质量物理世界数据的获取成本打下来，谁就掌握了下一代人形机器人的话语权。Figure的Index、京东的60万人众包、北京亦庄的数据工厂，中美企业用不同的路线回答同一个问题，在这场围绕机器人数据的军备竞赛中，先行者的优势将随时间指数级放大。
两种路线的差异源于产业禀赋的不同。美国企业走轻资产众包路线，用App连接全球劳动力，靠算法和模型架构优势消化数据；中国企业走重资产工厂路线，依托供应链成本优势大规模建设数据采集设施，国内真机数据价格约为海外十分之一。两种模式各有优劣，但共同指向同一个结论，物理世界数据的规模化获取能力，正在成为具身智能时代最稀缺的资源。这场竞赛的赢家，将决定未来十年人形机器人智能水平的走向。