商业范儿
2026-08-31
8月31日，觅蜂科技第20000套MEgo无本体数据采集设备正式下线——这是行业第一次实现大规模化量产无本体数据采集设备。同时，觅蜂宣布累计生产超过100万小时高质量无本体数据，成为行业第一家拥有百万小时级、可对外售卖无本体数据的数据服务商。
仪式现场，觅蜂科技董事长兼CEO姚卯青将第20000套MEgo交付京东，该设备将进入真实业务场景投入使用；觅蜂同时宣布与腾讯Robotics X实验室达成无本体数据业务合作，为腾讯具身模型建设提供数据支持。
百万小时真实数据，构建物理AI规模化数据供给
当机器人进入更加复杂、开放的真实环境，它需要学习的不只是“应该怎么做”，还要理解环境、预测变化，并进行推理和决策。而这些能力，都离不开对真实世界的大规模学习。
觅蜂科技希望把分散在真实世界里的经验，持续转化为 AI 可以学习、训练和复用的数据资产。由此，觅蜂科技推出MEgo无本体采集设备，行业首创的多视角、多模态：超300全景加腕部特写，让机器人既看得见全局、也看得清指尖；空间上，三维触觉配合毫米级轨迹重建，让每一次抓取都被精准复刻；时间上，全通道硬件级同步、亚毫秒级对齐，视觉、触觉、姿态完美同步，彻底消除"时空错位"；此外，MEgo采取了无线化、轻量化的设计，让它能跟着人走到真实世界的每一个角落。
"两万套设备的意义，不在于'卖出多少设备'，而在于数据采集第一次有了基础设施。"姚卯青表示，"就像电网建成之后，电力才真正改变了世界——今天，物理AI的'数据电网'，立下了第一根电线杆。"
伴随MEgo 产品规模量产，2 万套产品已陆续进入家庭、办公、零售、生产、餐饮等真实场景，累计采集有效数据达到百万小时。
此次觅蜂累计形成的100万小时无本体数据，全部来自开放环境中的真实采集，覆盖22大类场景、10,000余个真实环境、50,000余类物体以及500余种细分任务，涵盖居住、办公、零售、生产、仓储、餐饮、文娱休闲、交通出行等八大高频场景，并进一步延伸至公共服务、物流、医疗、教育、养老、文旅、汽车服务、农业生产等长尾场景。其中，八大头部场景贡献约82%的数据，构成面向通用物理AI能力的核心数据基础；另外14类长尾场景进一步拓展数据在垂直行业中的覆盖。
在采集形态上，觅蜂已经形成Ego裸手、Ego+Wrist腕戴、Ego+UMI夹爪三类数据体系，分别对应人类自然操作、腕部姿态与连续运动轨迹，以及机器人末端执行等不同数据需求。其中，Ego裸手数据约50万小时，Ego+Wrist约35万小时，Ego+UMI夹爪约15万小时。
百万小时数据包含RGB、Depth、IMU、触觉、音频等多模态信息，形成覆盖真实场景、真实动作、真实交互的规模化数据供给。
多项首创技术，支撑高质量数据治理
百万小时数据背后，是一套支撑真实世界数据持续生产的全链路技术体系。
对于物理AI数据而言，“采下来”只是第一步。真实世界中的动作天然复杂，尤其是在高速运动、手部出框、重度遮挡、多人交互等In-the-Wild（真实开放场景）环境下，如何准确重建人类手部动作和全身姿态捕捉，是将真实经验转化为机器可学习数据的关键。
围绕这一问题，觅蜂构建了MEgo Engine数据处理基础设施，覆盖数据处理、感知、标注和质量评估等环节，并通过高精度位姿重建与动作映射，将真实世界中的手部、身体、头部、机器人末端及环境信息转化为统一的空间数据。
其中，此次会上重点发布了HandPose高精度手部重建技术，通过五目全景感知、鲁棒手部追踪、三目深度融合、参数化手部重建、高精度轨迹恢复等技术，实现全场景鲁棒手部重建。在遮挡、交互、快速移动等真实作业场景中，七项核心指标全部达到SOTA水平，PA-MPJPE重建误差较业界次优方案降低62%，Jitter帧间抖动降低 93%，时序稳定性业界第一。
例如，在美甲场景中，觅蜂实现了业界首个稳定处理采集者与他人双手实时交互的方案，解决“自我和他人”手部难以区分的问题；在奶茶制作场景中，即使手部被杯具与其他物体大面积遮挡、可见率低于30%，仍能实现亚厘米级三维重建，实现零跟踪丢失。
在宠物洗护场景中，面对高速运动产生的运动模糊以及泡沫造成的手部外观变化，仍能实现稳定重建；在模具维修场景中，即使操作者佩戴厚质工业手套，也能够保持稳定的手部姿态估计。
除手部之外，觅蜂还构建了面向头部、身体、机器人末端及环境的空间重建能力。评测结果显示，MEgo 自研统一算法底座MPR(MEgo Physical Reconstruction)在头部、手部以及Gripper三类位姿重建上均实现了小于 1厘米的轨迹还原精度。环境稠密深度重建达到亚厘米级，三维场景重建实现可视级还原。
从视觉感知到空间重建、从动作捕捉到轨迹恢复，觅蜂将真实世界中的人类动作，转化为可计算、可训练、可复用的物理AI数据。
从真实数据到模型应用，持续释放数据价值
百万小时数据的价值，最终要由模型来验证。觅蜂不仅关注数据规模，更关注数据如何真正转化为模型能力。
为让海量真实数据能够被高效利用，觅蜂还形成 Manieval 多维度数据质检与分级体系。Manieval 从数据类型、任务类型、传感器质量、语义质量、动作质量等多个维度对数据进行评估，并提出“不过滤，只分级”：不同质量、不同特征的数据，匹配不同的模型训练需求，让每一条真实数据都能够找到适合自己的应用场景。
在此基础上，觅蜂持续探索不同类型数据在具身大脑、视觉-语言-动作模型（VLA）、世界动作模型（World Action Model）等模型中的应用，让真实世界数据进一步转化为机器的感知、行动与推演能力。
通过自研 REMORA 任务进度模型，团队让模型理解机器人当前的任务进度，并识别执行过程中的错误与异常；结合 Value Model，对真实部署中的失败数据进行识别和筛选，将其中具有训练价值的信息重新回流数据体系。也就是说，一次部署中的错误和失败，同样可以成为下一轮模型训练的数据资产。
由此，觅蜂正在打通“采集—重建—质检—训练—部署—回流”的完整链路：前端持续采集真实世界数据，中间通过重建、质检和分级将数据转化为训练资产，模型部署后产生新的反馈，再将高价值反馈回流到数据生产和训练体系中。
从真实数据到模型能力，再从模型反馈回到真实数据，数据真正成为推动物理AI持续进化的基础。目前，觅蜂百万小时级无本体数据已开始服务腾讯Robotics X实验室、蚂蚁灵波等头部客户，根据不同模型训练需求提供相应的数据产品与服务。
