给仓储机器人团队用的任务转数据集 foundry——用带迁移评分的人类动作数据包替掉又慢又贵的 teleop。

1. 资金正在流向机器人数据供应商，因为买方已经把具身数据视为核心层，而不是边角服务。
2. 手机加传感器的采集方式，给分布式示范收集带来了不同于传统 teleoperation 的新经济模型。
3. 九位数 run-rate 背后是已签合同，这说明真实机器人团队已经给外部训练数据留出了预算。
4. 专用采集硬件和工厂供给都在成形，说明供给侧已经快到足以让软件层来编排。
5. 市场结构型投资人正在把机器人数据当成基础设施来投，这给中立操作层留出了空间，可以站在原始采集供应商之上。

催化因素。 Mecka 的融资、已签合同带来的 run-rate 信号，以及“手机加传感器”替代 teleoperation 的路径，都说明机器人团队已经在为具身数据付费，而采集供给也刚好开始规模化，足以支撑按工作流采购。

公司卖的不是一个定制服务项目，而是一套把机器人项目“下一个任务缺口”直接转成可生产数据订单的系统。客户上传 SOP 录像、机器人失败样本和环境约束后，平台会吐出一份采集协议，可运行在通用手机加获批 wearable 或合作伙伴 rig 上。每条返回的示范都会按来源可信度、任务覆盖度和潜在具身迁移效果打分，再连同 autonomy 团队可在重训前执行的 eval suite 一起打包。时间越久，平台越知道哪些人类动作模式、环境条件和标注 schema，最能提升特定机器人任务的成功率，让买方更快从新客户工作流走到可部署策略。

差异化。 通用数据标注公司会处理媒体，但它们不知道怎样围绕机器人任务去设计采集项目、怎样验证数据能否迁移到目标具身形态，也无法把每个数据集和部署里程碑绑在一起。原始数据 marketplace 也会吃亏，因为机器人团队不要一堆无差别片段，它们要的是按工作流打包好的整套方案：来源、评估、采购逻辑一个都不能少。真正会复利的护城河，是工作流规范、采集条件和下游机器人性能提升之间那套私有映射，而且会随着重复项目不断加厚。

待完成任务

flowchart LR
  Buyer[Warehouse robotics team] --> Pain[Teleop and ad hoc demos slow pilot expansion]
  Pain --> Product[Task-to-dataset foundry]
  Product --> Outcome[Faster retraining and more deployable robot tasks]

高管要点

• 仓储机器人需求在上升，但买方仍要应对 SKU 爆炸、用工压力和自动化成熟度不均，这让按工作流采购数据，成了真实的运营瓶颈。
• 最强的切口不是做原始数据中介，而是把目标工作流编译成可审计的采集规范，再足够快地交付带迁移评分的数据包和验收测试，去支撑试点扩张。
• 竞争格局很碎，横跨中立数据引擎、垂直一体化仓储机器人厂商和机器人运维平台；目前没有谁真正占住“工作流到数据集采购”且能跨厂商保证迁移效果的位置。
• 这个品类成立有逻辑，但还偏早。Mecka 和 Scale 证明了市场愿意给具身数据基础设施投钱，但很多买方仍可以用自建 teleop、通用供应商或全栈仓储自动化厂商来替代。
• 隐私、安全和来源追踪不是边角问题。任何可信产品从第一天起就得管好工人动作数据的授权、保留、审计链条，以及机器人安全上下文。

市场定义

面向仓储操作团队的工作流定制具身数据基础设施：把 SOP、失败日志和环境约束，转成适用于 tote induction、mixed-SKU depalletizing 等任务的人类动作采集项目、带来源评分的数据集和验收评估。

用户与买方

核心用户是正在扩真实客户试点的仓储机器人创业公司或集成商里的 autonomy、ML platform 或 data engineering 负责人。经济买方则是掌管部署节奏、模型表现和稀缺机器人机时分配的 VP Autonomy、CTO 或 Head of Data Platform。

购买触发点

• 试点正在扩到新的 SKU 组合、入库流量或站点布局，团队需要的新示范速度已经快过内部 teleop 和手工采集能提供的上限。 [6][25][27]
• 物流机器人渗透继续提升、仓储资本开支也还在增长，买方更愿意为能解开部署瓶颈的工具付费，而不是只继续买更多硬件。 [5][6][7]
• 具身模型的进步越来越依赖更广、更杂的真实世界数据，因此按任务定制的数据包，比一堆通用示范集合更值钱。 [1][17][18][22]

支付意愿

面向工作流定制机器人数据的直接价格基准并不公开，但付费意愿已经能从侧面看到：Mecka 披露了有分量的签约需求，仓储运营方也在报告自动化资本开支上升，Scale 则在以工业化规模销售 physical AI 数据项目。综合来看，只要一个任务项目足够紧急、试点扩张或续约面临风险，早期年度支出落在六位数低段到中段是站得住的。 [3][6][22]

品类动态

增长信号 16.8% CAGR

验证信号

• Mecka 的 $60M 融资，以及其围绕数据与部署层的定位，都说明投资人相信具身数据基础设施可以长成独立控制点。
• TechStartups 报道称，Mecka 已有已签合同支撑预计 $100M 年化 run-rate，意味着真实买方已经给外部机器人数据留出了预算。
• Scale 宣称每天采集 1000+ 小时多样 physical-AI 示范，这证明工业化数据运营本身就有需求。
• DeepMind 的 Open X 工作表明，汇聚多具身数据后，测试机器人平均成功率可提升 50%。
• Plus One 超过 1.5B 次拣选，以及带 human-in-the-loop 的 Yonder 平台，都说明仓储 AI 厂商已经能把结构化边缘案例处理和真实世界反馈闭环卖出去。

监管与技术约束

• 机器人系统部署仍要落在既有的工作场所安全框架里，所以数据集和评估流程必须反映危险源、操作员和系统集成现实，而不是只对实验室条件负责。
• 动作采集项目可能触及类似生物特征或可识别个人数据，因此必须明确处理授权、保留和下游用途。
• 只要模型会影响高风险或贴近安全的工作流，买方就会越来越要求 AI 治理和可追溯性可审计。
• 具身形态不匹配依然是技术约束：多样真实世界数据当然有帮助，但没有哪套开放栈能省掉按任务验证迁移效果。

市场主要碎在三类相邻玩家里：一类是中立数据引擎，能提供采集和标注产能；一类是全栈仓储机器人厂商，把专有数据飞轮建在自家部署里；还有一类是机器人运维平台，重点放在部署后管理。真正的空白，是一个中立的工作流编译器加迁移保证层，帮任何机器人团队更快买到或产出正确的数据项目。

为什么现有厂商不会默认胜出

• 通用 physical-AI 数据引擎. Scale、TELUS 和 CloudFactory 能调动大规模采集网络和标注运营，但它们卖的是广义数据产能，不是一个围绕仓储任务、并把机器人迁移验收绑进去的工作流编译器。
• 全栈仓储机器人厂商. Dexterity、Ambi 和 Plus One 有很强的生产数据闭环，但它们卖的是和自家部署绑定的机器人系统与软件，而不是能跨 OEM 和集成商使用的中立采购基础设施。
• 机器人运维平台. InOrbit 和 Formant 在机器人上线后的编排、监控和事故流程上很强，但它们并不是从重训前的采集规范设计或数据集迁移评分开始切入。
• 仓储自动化在位企业. Berkshire Grey 这类自动化厂商会为自己的装机体系解决拣选、分拣和编排问题，但它们天然不会成为多个机器人团队跨供应商外部采购数据的中立记录系统。

Robot Task Data Foundry 瞄准的是 Series A-B 的仓储机器人创业公司和集成商：它们要在一个季度里把 tote induction 或 mixed-SKU depalletizing 试点往外扩，但靠内部 teleop 和临时采集，拿不到足够的新示范。产品会把 SOP 视频、机器人日志和失败案例编译成可审计的采集项目，再交付和买方目标工作流绑定的迁移评分数据包与验收评估。第一笔单子最该出现在付费试点扩到新 SKU 组合或新站点布局、部署进度面临失守的时候，因为那一刻买方、预算和紧迫性会同时对齐。公司刻意不从通用机器人数据集 marketplace，也不从垂直一体化采集工厂起步，因为前者会摊薄验证，后者则要求在需求未证实前先背太重的供给。最强的外部证据是，具身数据已经有了自己的预算科目：Mecka 的融资和已签合同信号都说明，买方已经在为外部机器人数据项目买单。市场规模有望支撑风投回报，研究建模出的 TAM、SAM 和第 3 年 SOM 分别是 $1.1B、$48.0M 和 $6.0M，但这些仍是模型估算，不是公开披露的硬预算。最大的反证风险在迁移有效性：如果外部人类动作数据包在窄仓储任务上跑不赢客户自建 teleop，这个产品就会滑回服务层，而不是站稳软件控制点。公开价格基准也仍然稀薄，所以早期合同必须证明，六位数低段的年度软件预算，确实能从更大的服务费或集成商 SOW 里被拆出来。

问题

• 仓储机器人团队今天仍靠稀缺机器人机时、teleoperation 和拼凑出来的标注供应商去生成新示范；一旦 SKU 组合、站点布局或客户工作流变化，试点扩张就会被拖慢。
• 买方缺少一套中立机制，来精确定义自己要什么工作流、核验来源和工人授权控制，并在续约或 rollout 决策前判断一份外部人类动作数据集能不能迁移到自己的机器人栈。

解决方案

• 吃进 SOP 录像、机器人日志、失败案例和环境约束，再把它们编译成面向仓储任务的采集规范；获批伙伴可用手机加标准化传感器或 rig 执行。
• 返回带来源评分、迁移评分的训练包，配上验收评估和可复用导出适配器，让 autonomy 团队更快决定该重训、刷新还是直接拒收一份数据集。

为什么我们会赢

• 切口是一个中立的工作流编译器加迁移保证层，能横跨内部、合作伙伴和第三方数据源；相邻的数据引擎和仓储机器人厂商今天都没有明确占住这个位置。
• 防御力会随着时间复利，因为工作流需求、采集条件、来源历史和实际任务表现提升之间的私有映射，只会在重复的仓储项目里越积越厚。

里程碑

flowchart LR
  Wedge[Warehouse task wedge] --> MVP[Workflow compiler and acceptance MVP]
  MVP --> Proof[Paid design partner proof]
  Proof --> Expansion[More tasks partners and accounts]
  Expansion --> Moat[Benchmark and provenance moat]

创始团队

实验路线图

风险评估

必须成立的条件

• 前 10 个目标账户里，至少有 5 家把“试点扩张中的数据缺口”当成已经获批的现实问题，而不是未来某天再研究的 R&D 愿望。
• 前 2 个付费项目，相比现有 teleop 或临时采集，要能拿出可量化的重训提速或任务成功率提升。
• 买方愿意接受 workflow 级软件预算，而不是强行把产品压进低毛利的定制服务里。
• 一小组仓储工作流之间共享的结构足够多，能让产品在前 5 个客户阶段仍以标准化为主。
• 来源、授权和验收控制能够帮助通过企业审批，而不是把 onboarding 摩擦拉到致命程度。

待尽调问题

• 当仓储试点需要在一个季度内补新示范时，预算到底归谁？
• 要让机器人 CTO 愿意在真实部署时间线上用外部数据采购替掉 teleop，什么迁移指标才有说服力？
• 第一份合同里，能有多少是真正的软件收入，多少会被吃进定制服务和合作伙伴劳务？
• 哪些工作流变体能跨客户复用，哪些会把产品拆成一个个一次性项目？
• 集成商会把它当成中立基础设施，还是又一个可以被吸收的服务供应商？

模型合理性

• 收入引擎. 基准情形由 Y1 的 3 个付费共创客户驱动；它们在 Q4Y2 转成 9 个活跃账户，再沿着研究模型推到 Q4Y3 的 15 个活跃账户、$450K 混合 ACV。
• 必须跑对的事. 公司必须足够快地证明迁移提升，才能让试点项目在扩大销售团队之前顺利转成年度生产合同。
• 模型会失效如果. 如果 ARPU 掉向 $400K，或者试点转生产的销售周期被拉长到约 9 个月，现金会很快吃紧，因为团队规模已经按“交付要可信”配好了。
• 下一轮融资验证点. 一轮像样的 seed，前提是公司在 Q4Y2 末拿到约 7 份生产合同，且这 7 份落在 9 个活跃账户里，同时季度毛利率已逼近 70% 目标。

情景

敏感性

flowchart LR
  Deadlines[Pilot expansion deadlines] --> Customers[Active customer accounts]
  Customers --> Revenue[Subscription plus task-program revenue]
  Revenue --> GrossProfit[Gross profit after partner delivery costs]
  GrossProfit --> EBITDA[EBITDA after lean team and operating spend]
  EBITDA --> Cash[Cash runway and next-round proof]

警示项: 围绕工作流定制机器人数据项目的公开定价依然很少，所以 ARPU 主要锚定在 BP 合同区间和研究里的付费意愿信号，而不是直接公开可比。 · 收入集中度很高：15 个活跃账户贡献了几乎全部 Y3 收入，因此哪怕 1 个续约推迟或 1 个迁移案例失败，前景都会明显变形。 · 模型假设 pre-seed 在模型起始月完成；如果融资延后，招聘必须跟着放慢，首个付费共创客户也会相应后移。 · 现金滚动把 EBITDA 直接近似成现金，没有纳入营运资金时点、capex，以及任何客户预付款或伙伴押金。

• 迁移有效性风险. 人类动作数据集未必能顺畅迁移到客户的机器人具身形态或控制栈。 缓解措施: 先从重复性强的仓储任务做起，每个数据包都附带验收评估，再用少数边界清楚的工作流去证明实际提升。
• 供给质量碎片化. 分布式采集伙伴可能产出质量参差不齐的示范数据，进而伤害客户信任。 缓解措施: 在数据进入面向客户的数据包前，先把采集规范、硬件基线和 QA 阈值全部标准化。
• 内建化与供应商重叠. 大型机器人团队，或像 Mecka 这样的数据供应商，可能沿着价值链往上做工作流定制数据采购。 缓解措施: 把公司定位成中立的工作流编译器和基准层，可同时接内部、合作伙伴和第三方数据源，而不是和别人正面拼原始采集。