有人靠拍别人干活，做到了一家年收入逼近 1 亿美元的公司。
拍的不是广告，不是短视频。是人戴着头戴式相机，拍自己怎么切菜、怎么装箱、怎么拧螺丝。
这些视频的去向，是机器人的训练集。
线索得从五年前说起。2020 到 2021 年，OpenAI 的机器人团队经历了一轮解散风波，外面复盘时被提得最多的一条现实难题是：训练数据不够用。
几年过去，GPT-6 已经能控制机械臂，抓取、放置做得有模有样。
这口气是怎么续上的？报道追到了一条不太科技的路径。
机器人自己采数据，太贵
让机器人一遍遍做动作攒数据，成本高、速度慢，能覆盖的场景有限。
人戴上头戴式相机就不一样。手怎么伸、怎么抓、怎么放，人跟物体怎么交互，全录下来。
采集成本低，场景杂，也不依赖昂贵的机器人硬件。
这类东西有个名字：Egocentric Data，第一人称视角数据。
报道说，这么干才有条件撑起几万乃至上百万小时级的数据集。
一家两三年的公司
顺着这条线，一家叫 Maxinsights 的公司浮出水面。报道说它成立满打满算才两三年。
客户名单摊开：Google DeepMind、Figure AI、1X、Dyna Robotics、Genesis AI。
数据规模：单单向客户交付超过 200 万小时；另有 150 万小时以上带手部追踪和语言标注；月采集产出 45 万小时。
采集网络铺进 2000 多个真实环境，覆盖 50000 多个场景。
商业上，ARR 连续多月站上或逼近 1 亿美元。2026 年第三季度订单签约额预计环比增长 48%。全球近 50 家合作客户，其中 5 家是行业里第一档的那批。
这些数据到底有没有用
光看小时数说明不了问题。两个小时的数据如果能用，比两百万小时没人用强。
报道给了两个例子。
Dyna Robotics 2026 年 8 月发的 Dyna-2，预训练用了 100 万小时人类第一人称视频。
数据从 1000 小时加到 100 万小时，模型对人类动作预测的均方误差降了大约 12%。就算碰上训练阶段没见过的机器人数据，预测表现也随着人类视频规模往上走。
Genesis AI 2026 年 5 月的 GENE-26.5，机器人进厨房，自主走完约 20 步连续烹饪。切番茄、单手打蛋、双手配合，全程没人接手。
很多高难度技能，只要不到 1 小时的特定任务机器人数据就能自己执行。
两家的第一人称数据供应，报道都指向 Maxinsights。
先啃硬的那块
它的路子很土。
先跟头部客户深度绑，按严苛的要求把数据产品磨一遍，磨出相对标准化的数据集，再推给另外 40 多家客户。
跟 Google DeepMind 最早那单，做的是裸手第一人称数据采集，起步只有约 200 小时。
从 200 小时到 200 万小时，走了两三年。
技术上攒了些东西。Full Body 方向，从第一人称视频重建人体全身运动轨迹，追双手动作和物体交互的同时，还原三维姿态。
Upper Body 方向做「动作—空间—语义」联合表达。做一杯拿铁、递一杯咖啡，每一步对应什么动作、什么指令，都标出来。
自研的 MaxSLAM，毫米级还原人操作时的视角变化。内部评测覆盖四类真实任务、20 段操作序列，位置轨迹误差 4.24 毫米，姿态误差 0.57°。
这些数字听着枯燥。可机器人要走出实验室，靠的就是这种枯燥。
说清楚几件事
第一，OpenAI 是不是它的客户，报道没有公开确认。原文说的是「OpenAI 没公开披露这家数据供应商是谁」，后面跟的是行业线索的推演。这句不能当事实用。
第二，我引用的所有数字都来自报道，我没法独立核实。报道本身带着明显的公司视角，客户名单、ARR、小时数都是对方口径。
第三，数据多不等于数据对。报道自己也点了一句：客户今天愿意花钱买的数据，未必是下一代机器人最需要的数据。模型迭代太快，下一步要学什么，有时连顶尖模型团队也得边训练边摸索。
第四，这门生意有它的隐患。具身智能、机器人、自动驾驶的数据采购长期是项目制：客户买完标注数据、训完一版模型，需求就结束，收入跟着订单脉冲式波动。能做到月度持续的收入，才算真过了关。
拍人类干活，听着不怎么高科技。
可就是这些第一人称视频，撑起了逼近 1 亿美元的年收入，也撑起了 Dyna-2 的 100 万小时预训练。
机器人的老师，是干过活的人。
下次看到有人戴着相机在厨房切菜，别急着觉得奇怪。他可能正在给某个机器人喂饭。
公司数据、客户名单与评测结果均引自量子位 2026 年 10 月的报道，属受访方口径，本文未独立核实。配图取自原报道，仅用于说明。