特斯拉给切菜工开出的时薪，比很多硅谷初级程序员的时薪还高。
同一时间，这些拿着高薪的工人，干的却是绑上十几公斤设备、在模拟厨房里连续重复剥鸡蛋一整天的活儿。
他们不是在受罚，是在给人形机器人当陪练。
这份工作有个正式名字，数据采集员，而它的真实工作内容，很多人可能第一次听说。
2024年下半年开始，特斯拉在加州弗里蒙特和帕洛阿尔托的办公区，专门搭建了模拟客厅和厨房场景，招募了数十名全职员工，穿戴动作捕捉服，戴着多摄像头头显，反复完成叠衣服、擦桌子、拧瓶盖这类家务动作。
这些员工的岗位名称叫数据收集操作员，招聘信息里写得很直白，需要长时间保持特定姿势重复劳动，能承受设备的物理负荷。
特斯拉要靠这些数据训练Optimus机器人的动作模型，因为Optimus目前展示的抓取、搬运能力，背后全靠这类真人示教数据支撑，纯靠仿真训练出来的模型一放到现实世界里，抓取成功率会大幅下降。
这不是特斯拉一家的做法。
国内这两年冒出的一批具身智能公司，比如智元机器人、银河通用、星海图，都在做同样的事情，只是规模和方式略有不同。
有的公司自己组建全职采集团队，在实验室里搭场景采集数据；有的则通过外包和众包平台，把动作采集任务分发给全国各地的兼职人员。
采集内容五花八门，从最基础的拧螺丝、叠毛巾，到相对复杂的整理餐具、组装零件，每一个动作都要靠人先做几十次甚至上百次示范，再把这些动作轨迹转化成机器人能学习的数据。
为什么突然这么多公司抢着要这种数据？
答案要往前推两年。
大语言模型火起来之后，行业里普遍觉得下一步就是让AI长出手脚，操控物理世界。
但很快发现，语言模型能靠互联网上现成的文本和图片训练，机器人的动作数据网上根本没有。
于是行业先寄希望于仿真引擎，让虚拟机器人在电脑里反复练习抓取、行走。
这套办法在处理刚性物体时效果不错，比如抓取一个金属零件，物理引擎能算得很准。
但一旦涉及软体材质，比如切番茄、叠衣服、拧毛巾，仿真就完全跟不上了。
番茄皮的韧性、衣服褶皱的随机性、毛巾拧动时的形变，这些都涉及极其复杂的力学变化，现有的物理引擎根本模拟不出来。
用纯仿真数据训练出来的机器人，一放到真实环境里，经常会出现抓取失败、力道过大损坏物品的情况。
这个仿真和现实之间的差距，行业内部管它叫Sim-to-Real Gap，一直是具身智能绕不开的坎。
绕不过去，那就只能回到最原始的办法，让真人去做，把人的动作变成数据。
这也是为什么Scale AI这几年从给自动驾驶公司做图像标注，转型去做具身智能的数据业务，招募大量兼职人员做动作采集和遥操作，通过外骨骼设备实时传输动作数据给后台。
类似的公司在美国还有不少，业务模式基本一致，靠人力规模和采集精度竞争订单。
这套逻辑放在历史里看，其实并不新鲜。
1911年，美国工程师弗雷德里克·泰勒出版《科学管理原理》，他做的事情是拿着秒表站在工厂车间，把工人拧一颗螺丝的动作拆解成几个标准步骤，精确计算每个步骤该用几秒，再要求所有工人按这个标准动作重复劳动。
这套方法后来被叫做泰勒制，福特汽车的流水线就是在这个基础上建立起来的。
一百年后，算法工程师做的事情本质上是同一件事，只是工具从秒表换成了传感器，记录的不再是动作用了几秒，而是手腕转动的角度、下压的力道、关节移动的轨迹，这些数据被拆解成数字流，喂给机器学习模型。
从AI标注行业本身的演进看，这也不是第一次出现人给机器打工的模式。
2010年前后，ImageNet项目兴起，催生了第一批图像标注员，工作内容是在照片里给猫、狗、汽车画框，告诉机器这是什么。
2022年前后，ChatGPT带火了RLHF训练方式，一批标注员的工作变成了给AI生成的回答打分，判断哪个答案更好、更符合人类价值观，本质上是在给机器灌输判断标准。
到了现在这个阶段，标注员不再对着屏幕点鼠标，而是直接把身体动作变成训练素材，工作场景从办公室搬到了模拟厨房和实验室。
这里面确实存在一个现实的经济账。
一台人形机器人的关键部件，比如伺服电机和谐波减速器，单价动辄上万美元，如果在训练阶段因为操作失误摔坏或者烧坏，损失很大。
相比之下，雇一个人去反复示教同一个动作，成本要低得多。
这也是为什么这类岗位的薪资待遇看起来不低，但工作强度和重复度也确实很高，长时间保持固定姿势对身体是有负担的，行业内也有人开始讨论这类岗位的职业健康问题，比如手腕和颈椎的劳损风险。
眼下这个行业还处在早期阶段，具体需要多少数据量才能训练出一个真正通用的机器人模型，业内还没有统一答案，不同公司给出的估算差别很大。
人形机器人商业化的进度，过去两年被不少人形容为看上去很近，做起来很远。
真正决定这场浪潮走向的，或许不是发布会上机器人切菜的动作有多流畅，而是那些戴着传感器反复示教的人，他们的工作会不会随着模型能力提升逐渐减少，又或者会一直存在下去，变成这个行业长期需要的一环。
