一句话：机器人要学的，是人在真实场景里"怎么把活干完"；而这件事的瓶颈从来不是设备，是场景能不能长期开、人能不能稳定干、数据能不能按标准验收。
先给结论：采购方真正在意的三件事
- 任务多样性 > 物品多样性 > 场景多样性（某具身数据团队的公开判断）。同一个车间重复采同样的动作，边际价值会迅速归零；
- 结算口径几乎都落在「有效数据小时」上，而不是"采了多少小时"；
- 场景能否长期稳定开工——今天能进厂、明天停工的场景，做不出连续数据。
一、我们怎么选场景
只要满足三条就值得开：能长期进、有在岗的人、任务可重复。
- 机加工/汽车配件车间：固定班次、重复工序（上下料、装配、检验、包装），天然适合连续采集；
- 商超零售门店：理货、上架、收银、打包，动作密度高、物体种类多；
- 居家场景：洗护、清洁、收纳、烹饪，长时序动作最全，但需要稳定的人和固定时段。
反过来，"参观式"的场景（进去摆拍两天就撤）看着热闹，交付时几乎全是无效数据。
二、一场采集是怎么跑通的
真正跑起来是六个环节，缺一环都会在验收时掉分：
- 授权与安全：场地同意、人员知情同意与肖像/数据授权，先签后采；
- 设备发放与佩戴检查：头戴设备的松紧、镜头是否被头发遮挡、对镜检查画面——这一步没做，当天数据全废；
- 在岗采集：作业人员正常干活、设备同步记录，不摆拍、不表演（"in the wild"才值钱）；
- 当日上传：当日数据当日回传，避免设备积压丢失；
- 质检预检：先自己按验收口径过一遍——时长是否达标、有没有长时间掉帧、手部是否出画、画面是否过曝；
- 台账：每个场景、每个采集员、每一天的有效时长都要能查到——验收争议时，台账就是证据。
三、什么算"有效数据小时"
各家的细则不同，但判断逻辑高度一致，可以归纳成三层筛：
- 设备层：时长、帧率、手部可见性、佩戴是否合规；
- 画质层：完整性、模糊、曝光、是否第一人称；
- 价值层：动作意图是否完整、是否具备训练价值、是否与已有数据重复。
常见的"白干"情形：录制过短（几秒钟的碎片）、采集过程中长时间掉帧、设备歪了导致手不在画面里。这些在甲方系统里会被直接判无效——及时自检比事后申诉划算得多。
四、供给方的三个坑（都是真金白银换来的）
- 场景是一次性的。同一个场地反复采同类任务，很快"采完"。所以要么不断开发新场景，要么把场景关系经营成可复用的资产；
- 同一批数据不能卖两家。数据成果按批次归甲方独家，这是行业惯例；能复用的是场景与组织能力，不是数据本身；
- 产能跟不上时多接单＝亏钱。无效数据不计费，而设备押金、人力、返工都是真成本，先有稳定班子再加客户。
五、采购方挑场景供给方，看这四条
- 有没有场景库（不是只有一个场地），以及场地关系是否稳定；
- 班组是否成建制（能扩编、能轮班，而不是临时凑人）；
- 有没有质检与台账（能自证合格率，而不是"采完再说"）；
- 是否按有效数据小时结算并接受抽检（愿意接受抽检的，基本都心里有底）。
结语
具身智能这两年最缺的不是算法，也不是本体，而是"真实世界里能持续产出的数据管道"。谁能把场景找出来、把人组织起来、把数据变成可验收的"有效小时"，谁就在这条链上有位置。
下一篇预告：《一次采集里的"无效数据"是怎么产生的——供给方自检清单》
免责声明：本文为从业者经验分享，涉及行业公开信息与通用方法论，不构成任何采购或投资建议；文中不涉及具体客户、项目与金额。