硅谷数据新贵：250倍增长的商业奇迹

MaxInsights是一家位于硅谷的机器人数据公司，不生产机器人却成为“卖铲人”。其年度经常性收入（ARR）从去年的约100万美元飙升至如今的2.5亿美元左右，实现了惊人的250倍增长。这一爆发式增长发生在短短一年内，主要客户包括美国头部大模型公司及机器人智能公司。创始人袁宇光指出，行业痛点已从单纯的“缺数据”转变为“缺高质量的数据”。随着物理AI（Physical AI）领域验证了数据规模定律，100万小时的人类第一视角数据已被证明能显著提升模型表现，而下一步的目标是迈向1000万小时的数据规模。这种对高质量、规模化数据的渴求，使得MaxInsights迅速确立了其在具身智能基础设施中的核心地位。

第一人称视角（Ego）数据的崛起与规模化逻辑

在2025年初，MaxInsights与客户共同探索了遥操作（Teleoperation）、仿真及手套数据等多种类型，最终锁定人类第一人称视角（Ego-centric）数据。袁宇光解释称，遥操作存在上限且落地有差距，仿真面临Sim-to-Real迁移难题，而Ego数据具有三个核心优势：首先有效、其次可快速规模化（Scalable）、最后能将人类隐藏技能转化为机器人新知识。例如，通过合并全球上千种叠衣服的方式，机器人不仅能更高效、可靠地完成任务，还能获得极强的泛化能力。数据量级经历了三步跃升：从最初的200小时订单，到去年下半年的2万小时（百倍提升），再到今年年初的20万小时。这种数据模式让机器人能够学习人类将想法转化为行动的基础智能，是实现AGI的关键路径。

全球采集网络与“类外卖”管理模式

为了支撑海量数据采集，MaxInsights建立了覆盖美国、墨西哥、东南亚（印尼、越南、泰国）、中国、土耳其及南非的全球网络，拥有近4000名数据采集人员。与数字AI时代发动亲友兼职不同，袁宇光将这种模式比作DoorDash或美团的外卖配送逻辑。他认为数据采集需要高质量、多样性及直接管控，因此采用全职专业团队而非松散外包。这种“小监工”式的AI Agent闭环管理平台，使得全职运营员工不到10人即可管理全球4000人的采集网络。目前，公司月最高产能可达45万小时，累计积累了接近200万小时的人类第一视角数据。这种重管控、专业化的运营模式，确保了在大规模扩张中仍能维持数据的统一标准与高质量输出。

硬件迭代、数据管线与质量定义

数据采集依赖头戴式设备，最新一代产品从6个摄像头精简至4个摄像头以优化成本结构，同时保持270度广角视野以确保手部始终入镜。设备佩戴于额头如帽子般轻便，配合手机App即可连接。高质量数据的定义包含三个维度：毫米级精度的Tracking（追踪信息）、足够的数据多样性（Data Diversity）以及有效的任务输出。数据经过复杂的处理管线，包括手部标注、语言注释（Language Annotation）、视频理解与归类索引。中间环节存在淘汰率，低置信度数据不会直接交付客户，而是作为“训练配方”回流至管线重新处理。目前该数据管线已迭代六七遍，最终交付的是Training-ready dataset（可直接训练的数据集）。此外，公司还区分了裸手Ego数据与带夹爪（Gripper）的UMI数据，前者适配灵巧手人形机器人，后者更直接映射至夹爪形态，满足不同客户在预训练、中期及后训练阶段的需求。

数据管线效率：人手与通用操作接口（UMI）的权衡

在具身智能数据采集领域，Human-centric（以人为中心）的数据与基于UMI（通用操作接口）的机器臂数据存在显著的效率差异。虽然使用人手直接操控任务在效率上远高于通过UMI驱动夹爪（gripper），但人手的动作具有高度的真实性和不可控性，导致数据处理管线中面临大量的edge case（边缘情况）。例如，第一人称视角下人手频繁遮挡镜头、多只手同时入镜或握手等场景，使得稳定输出变得极难处理。相比之下，UMI数据虽然采集效率较低且无法像人手那样灵活（如做饭时不会用两个夹爪），但其数据处理管线相对简单。因此，要提供高质量数据，必须构建极其强大的pipeline（数据处理管线）来清洗和标准化这些复杂的边缘情况。

市场趋势与成本结构：从遥操作到第一人称视角的转移

当前客户对数据的需求主要集中在teleoperation（遥操作）、human-centric（以人为中心/Ego视角）以及UMI三种类型。观察显示，对egocentric（第一人称视角/人手）数据的需求量最大，因为其具备直接映射到机器灵巧手的想象空间。从成本维度看，遥操数据最贵，仿真/合成数据最便宜（但非核心销售产品），而Ego视角数据处于中间档位。值得注意的是，许多原本从事video generation（视频生成）的世界模型公司正转型为机器人数据供应商。这类公司与MaxInsights形成相互依存的关系：世界模型公司需要高质量真实数据进行生成，而MaxInsights则为其提供原始数据并进行后续的高质量标注。这种合作并非竞争，因为世界模型公司缺乏从硬件到运营再到数据管线的完整vertically integrated（垂直整合）产线。

运营护城河：DoorDash模式的自营网络与AI Agent管理

MaxInsights构建了覆盖全球8个国家、近4000人的采集团队，采用类似DoorDash早期的直接管理模式而非外包。这种模式的核心在于快速迭代和高质量反馈：自建团队能迅速响应如医院、养老院等特定场景任务，而外包供应商的feedback loop（反馈闭环）过于缓慢。为了高效管理分散在全球的庞大团队，公司仅保留不到10名全职员工作为核心管理层，依靠中间层的AI agent in the loop（智能体参与闭环）平台。该平台作为“小监工”或助手，实时监控设备佩戴状态、指导操作并提升数据产量。这种模式不仅解决了管理难题，更通过proprietary data（专有数据）的积累和独特管线构建了深厚的护城河，使后来者难以在2-3年内赶超。

客户生态与数据复用：SaaS化潜力与后训练价值

MaxInsights的客户主要分为两类：大模型公司（如OpenAI, Anthropic等）和机器人智能客户。数据以数据集授权形式提供，具有极高的复用性。例如，Dyna Robotics在验证scaling law（规模定律）时使用的100万小时Ego数据，大部分源自MaxInsights。这种模式类似于SaaS（软件即服务），同一套数据集可服务于众多客户并产生相同或更高的价值。虽然目前数据主要用于预训练（pre-training）以解决基本泛化性问题，但随着行业进入下一阶段，重点将转向后训练（post-training）和强化学习（RL），以解决长程任务和最终部署中的最后1%难题。数据合作伙伴需深入客户内部，通过不同的训练配方和后处理手段，帮助客户实现真正的落地应用。

从10万到1000万小时：数据规模的极限考验

随着机器人行业向以人为中心的数据（human-centric data）迈进，客户对数据量的需求呈现指数级增长。目前头部机器人公司如Dyna已完成100万小时的训练，而下一步的目标是验证1000万小时量级下的规模定律（scaling law）是否依然成立。这一跨越对运营体系提出了巨大挑战，因为传统外包模式下单人每天仅能产生1-2小时数据，无法支撑行业需求。为达到千万级规模，MaxInsights估计需要在现有基础上将采集员数量增加3到5倍。若当前拥有约4000名采集员，未来团队规模需扩展至1.5万到2万人。这种快速扩张的核心难点在于如何在数量激增的同时，保持数据的高质量与多样性。

“从100万到1000万的时候，它十倍的提升是对你整个运营最大的考验……如果你们能产出100万小时的数据，需要多少人？我估计在现在的基础上再增加3倍到5倍的人。”

面对这一挑战，MaxInsights认为其核心竞争力在于构建稳健可靠的数据管线。公司目前拥有30多个客户，ARR（年度经常性收入）达到约2.5亿美元。在从百万小时向千万小时演进的过程中，公司不仅要解决基础设施成本优化问题（如网络上传设置），还需开发自有模型以替代昂贵的大语言模型标注，从而在降低成本的同时提升数据质量。此外，公司致力于建立全球范围内的专家网络，以应对不同国家和行业场景下的快速运营转换需求。

具身智能的数据演进：从“擦擦擦”到专家网络

机器人数据行业正沿着数字AI（如Scale AI）的路径演进，但面临更复杂的物理世界挑战。在2025年早期阶段，数据需求相对简单，仅需完成200小时的基础任务；但随着模型能力提升，对数据质量的要求急剧上升。早期的“擦桌子”、“摆弄物品”等简单模拟场景（Mockup）数据已无法满足需求，行业正转向需要更高泛化能力和专业知识的复杂场景。这种演进分为两个方向：一是帮助大模型突破性能瓶颈的越来越难的数据，二是解决垂直领域落地问题的高可靠性数据。例如在养老院场景中，客户需要的不是通用的90%成功率，而是通过全球多场景测试将可靠性从99%提升至99.99%。

“我们不需要解决如果我要去养老院，我就一定不会去医院……但如果我要去养老院，我希望能够有全球这么多地方的养老院一起帮我去做测试，那就是99%怎么样能提高到99.99%，那才是我们给客户提高的价值。”

随着数据量的增加，第一人称视角（ego data）和遥操作（teleoperation）数据的边际收益会逐渐进入平缓期。当模型架构固定时，单纯增加数据量对成功率提升有限。此时，价值将从“普通采集员”转向专家网络。这些具备专业知识的专家能够帮助客户突破性能瓶颈，加速从99%到99.99%的跨越。这种转变对于人形机器人的商业化至关重要，因为只有更快的落地速度和更高的可靠性，才能帮助客户收回成本并赢得信任。因此，数据公司不再仅仅是供应商，而是成为推动行业飞轮旋转的关键伙伴。

丰田生产体系与“自由的鸟”：从伊顿到创业之路

MaxInsights创始人将丰田制造系统（TMS）的理念引入机器人数据运营。在伊顿公司工作期间，他在日本学习了如何在快速上量的同时控制质量，核心在于第一性原理（first principle）的应用。在数据生产中，“下压”意味着剔除无意义任务（如玩手机、走路）和边缘情况（Edge Cases，如摄像头佩戴错误导致录制天花板）。通过严格筛选场景多样性并消除低效重复动作（如在单一房间角落反复叠衣服），公司确保了输出数据的高质量和泛化能力。这种全球分布式工厂的管理模式，本质上是将物理世界的精益生产逻辑应用于虚拟数据管线。

“丰田的体系它叫TMS……这套生产体系里面其中一点讲究，怎么样能在快速上量的同时保持质量。你这个时候要控制它的质量……这样才能在短期内，不断地得到高质量的输出。”

创始人于2014年离开伊顿创业Mega Gear Robotics，初衷是成为一只“自由的鸟”。当时工业机器人市场被ABB、库卡、安川和发那科四大巨头占据90%以上份额，且价格高昂（约为现在的2.5至3倍）。创始人试图通过开发低成本机器人来挑战这一格局。尽管早期创业充满艰辛，如寻找食物般的生存压力，但这段经历赋予了他全球视野和动手实践的能力。如今，他期望通过MaxInsights的服务，帮助更多机器人品牌实现从实验室到真实场景的落地，见证具身智能行业的繁荣。

早期探索：从裸机到开源平台的试错

MaxInsights创始人的创业之路始于2014年，彼时协作机器人市场尚未成熟。最初团队制造了一台没有外壳、线缆裸露的“裸机”原型，甚至一度想将其作为废铁丢弃。转机出现在与一位高校教师的接触中，创始人敏锐地捕捉到了“开源”这一概念的价值。当时该教师对“开源”感到陌生，创始人解释为“你可以随便变”，这恰好满足了高校和技校对机器人底层编程的需求。通过提供可自由修改的硬件本体，团队帮助这些机构提升了对机器人运动学的认知。

“我说‘开源就是你可以随便变’……几乎满足了当时大部分的大学的一些需求，包括技能学校的需求。”

尽管售价接近20万人民币（比当时ABB、库卡等四大家族同类产品低20%-40%），但这一开源平台在销售上取得了不错成绩。然而，创始人坦言当时并无必胜自信，“不想做鸟吗？飞出来以后先找东西吃再说”。这种“从始为终”的探索模式虽然让团队在黑暗中摸索，但也积累了宝贵的早期经验。随着行业对教育市场认知的局限以及硬件转型的瓶颈，团队意识到必须寻找新的出路。

商业模式反思：识别痛点与痒点的教训

在经历多次转型（包括工业互联网、IoT物联网）后，团队深刻反思了商业模式的缺陷。在尝试将机器人联网监控时，尽管覆盖了数百台设备，但客户不愿付费。创始人意识到，“痒点”与“痛点”的区别在于：当产品不完善、仅靠核心功能时，客户仍愿意付费才是真痛点；而多数时候客户提出的需求只是“挠一挠就行”的痒点。

“当你的产品不完善，几乎不能用，只有核心功能的时候，客户还愿意付费给你，那才叫真正的痛点。”

这一教训源于早期团队在封闭环境中假设客户需求，却忽略了决策者对价格的敏感度。许多非最终决策者的“尝试”意愿并不能转化为实际付费，因为一旦涉及收费，需求可能瞬间消失。这一经历让创始人在后续创业中更加注重以终为始，明确盈利模式，避免在缺乏真实付费意愿的市场中盲目扩张。2014年至2023年间，行业从“工业4.0”概念过渡到具身智能的萌芽期，这段漫长的探索为后续聚焦数据瓶颈奠定了基础。

贝克莱重逢：从冷启动到押注物理AI

2023年，创始人看到机器人叠衣服的视频，意识到Physical AI（具身智能）将迎来变革。此时他已在UC Berkeley攻读MBA，通过发送大量Cold Email咨询了约200位机器人领域的专家（回复率从10%提升至40%）。这些交流不仅带来了客户和竞争对手，更让他融入了湾区浓厚的学术与信仰氛围——即对Humanoid（人形机器人）和AGI的坚定信念。

“Berkeley是一个很神奇的地方……整个湾区都作为一个整体，认为对于机器人是一种信仰。”

创始人笃定数据是具身智能的瓶颈。与Digital AI不同，Physical AI需要处理柔软、多形态物体的复杂交互（如叠衣服），这对数据的获取和质量提出了极高要求。团队从早期的Teleoperation（遥操作）试错中发现，其效率极低且不可规模化（简单任务复位时间甚至超过执行时间），从而转向更高效的解决方案。MaxInsights选择成为“卖铲人”，专注于为行业提供高质量数据基础设施，而非直接制造机器人。这种定位基于团队在工程化、部署（Deployment）和运营方面的深厚积累，旨在帮助客户快速扩大规模。

全球布局与竞争壁垒：数据成本与服务迭代

面对东南亚等地更低成本的竞争对手，MaxInsights构建了全球三位一体的运营体系：硅谷负责前沿技术研发与核心数据管线优化；中国苏州侧重工具开发能力；印尼提供运营管理能力。这种布局并非单纯追求低成本，而是为了构建全球服务闭环。创始人指出，数据一小时的成本结构中，运营占比最大，而人员、研发等固定成本摊销较小。

“我们的核心在硅谷……外围的办公室提供的是整个运营的管理能力。”

地缘政治因素也促使美国客户更倾向于选择本地数据供应商，以获得更快的迭代速度和紧密的服务反馈。MaxInsights的愿景是成为一家全球性公司，未来还计划在欧洲建立办公室以加速本地化反馈机制。尽管仿真数据（Simulation Data）因其可规模化特性受到关注，但团队认为其销售困难且廉价化趋势明显。相比之下，真实世界数据的获取与处理仍是当前阶段最可行的增长路径。Scaling Law（规模定律）的上限取决于Physical AI的部署广度，而MaxInsights通过提供深层认知和广域输出价值，致力于在这一赛道中确立核心壁垒。

以终为始：从数据到部署的垂直整合闭环

MaxInsights的核心战略并非仅仅提供原始数据集，而是构建涵盖数据部署（deploy）与评估体系（evaluation）的完整闭环。这种“以终为始”的逻辑源于对行业最终形态的判断：人形机器人（humanoid）将在特定场景中实现落地，而这一过程高度依赖模型在后训练（Post-training）、中期训练及预训练阶段对高质量数据的持续需求。为了支撑这一愿景，公司面临的最大挑战在于规模化提升数据质量。

“我们最大的挑战还是规模化提升数据质量……我们需要非常灵活，然后另外一点，就是我怎么样复用我今天的data quality和我的运营的能力。”

为实现这一目标，MaxInsights强调数据处理管线（pipeline）的灵活性。单纯依靠堆砌人力无法应对需求变化，必须通过灵活的运营控制产量以避免无效的现金消耗。更重要的是，公司坚决反对行业内存在的“数据二道贩子”现象——即购买外包数据再高价转售。MaxInsights坚持100%自主采集数据，认为只有拥有数据的完全所有权才能确保“数据纯度”，从而避免复制分发带来的价值稀释。这种垂直整合（vertically integrated）的模式，旨在将数据能力快速转化为客户所需的标准化产品，而非简单的服务外包。

拒绝价格战：数据合作伙伴关系与分级定价策略

在商业模式上，MaxInsights正从“供应商”转型为数据合作伙伴（data partners）。这种关系的深化使得议价权不再单纯取决于稀缺性，而是基于产品为客户带来的实际价值。尽管市场上存在新进入者试图通过极低价格发起“价格战”，但客户经过测算发现，使用低质数据会导致计算成本飙升及模型退化风险，因此更倾向于选择能提供高价值数据的长期合作伙伴。

随着数据规模的扩大，行业将采用分级定价（tier pricing）策略。目前的数据形态正从单一的“手部数据”向更复杂的维度扩展，包括上半身（upper body）、全身动作（whole body）以及集成传感器的触觉手套。这种手套表面布满弯曲传感器，能够收集手指的力控与触觉数据。虽然整体数据量上升可能带来单价波动，但不同模态和采集方式（如第三人称与第一人称Ego视角）的差异决定了其价值层级。客户愿意为能显著提升模型性能的多维数据支付溢价，因为这是弥补训练成本的关键。

具身智能 vs. 自动驾驶：细分场景下的快速迭代预期

与无人驾驶面临复杂的全球Corner Case（极端情况）和安全监管不同，具身智能的落地路径更为细分和聚焦。以Dyna机器人为例，其任务是在酒店房间内24小时重复叠衣服。这种场景虽然范围小，但要求极高的99%至99.9%的可靠性。MaxInsights认为，具身智能无需像自动驾驶那样解决全场景问题，而是通过在一个特定任务上做到极致来解决痛点。

“Dyna不需要在整个世界上跑，Dya就在一个小的范围内……实现24小时重复叠衣服。”

这种模式加速了行业的迭代进程。随着世界动作模型（World Action Model）等新技术范式的出现，如Dyna-2所基于的技术，行业正经历从VLA到更高级模型的快速演进。预计未来一年，具身智能将进入新纪元，第一人称数据量将从百万小时级增长至千万小时级。这种爆发式的增长不仅验证了Scaling Law（规模定律）在机器人领域的有效性，也标志着行业从寻找技术路线转向规模化获取数据、训练模型及商业化落地的新阶段。越来越多的跨领域人才（如金融、传统机器人控制）涌入，共同推动这一基于信仰的技术迭代循环不断滚动向前。

结论

MaxInsights通过构建类似DoorDash的自营全球采集网络与AI Agent管理平台，确立了具身智能领域“卖铲人”的核心地位。其以人类第一人称视角（Ego）数据为主，凭借250倍营收增长及近4000人团队支撑的百万小时级数据规模，解决了物理AI对高质量、规模化数据的迫切需求。该模式依托丰田精益生产理念与垂直整合管线，在成本可控前提下实现了数据的高效标准化。

然而，从100万小时向千万小时跨越面临严峻运营考验，需将团队规模扩大3至5倍以维持质量。尽管存在人手遮挡等边缘情况处理难题，且仿真数据廉价化趋势明显，但真实Ego数据的不可替代性及客户对高可靠性（99.9%以上）的刚需，使其构建了深厚护城河。未来竞争焦点将从单纯的数据供给转向结合专家网络的深度后训练服务，以突破模型性能瓶颈并加速商业化落地。