ARTICLE · 商业科技
对话 Maxinsights：具身“卖铲人”的 250 倍增长、机器人 Ego 数据狂潮、DoorDash 与丰田模式，与“自由的鸟”
一语总结Maxinsights 创始人袁宇光接受采访，详解 250 倍增长的机器人数据业务模式、DoorDash 式的全球化采集运营、数据质量管控及行业护城河构建。
文章通过与 Maxinsights 创始人袁宇光的深度对话，揭示了机器人数据业务如何实现从 100 万美元到 2.5 亿美元的 250 倍增长。全文围绕数据业务模式、采集运营、质量管控、行业竞争格局及未来发展展开。袁宇光阐述了人类第一视角数据（human-centric data）的商业价值，解释了为何该数据在机器人训练中比遥操作数据更具规模化潜力。文章详细介绍了 Maxinsights 的硬件迭代（从 6 摄像头到 4 摄像头）、数据处理管线（tracking、标注、索引、QC）以及如何通过 AI Agent in the Loop 实现 4000 名全球采集员仅靠 10 名运营人员的高效管理。同时探讨了数据规模定律（Data Scaling Law）在 Physical AI 中的实现，以及行业从 100 万小时到 1000 万小时的扩张挑战。最后，袁宇光分享了其从传统机器人创业到数据业务的转型经历，强调运营模式借鉴了丰田生产系统的质量控制理念，最终坚持为行业每个客户服务的信念。
- 人类第一视角数据（human-centric data）是机器人训练的核心资源，实现了从 100 万美元到 2.5 亿美元的 250 倍增长
Maxinsights 通过收集普通人日常生活中的动作视频（如叠衣服、做饭），将其转化为机器人可学习的训练数据，凭借数据质量和规模优势成为行业领导者。
- DoorDash 式的直接管理模式是数据采集的关键优势，4000 名采集员仅靠 10 名运营人员即可高效管理
与传统外包模式不同，Maxinsights 采用自建团队，借助 AI Agent in the Loop 平台实现设备管理、质量监控和数据产出，显著提升采集效率和数据质量。
- 数据处理管线从原始视频到高质量训练数据经历多级筛选与标注，确保数据可靠性与多样性
管线包括 tracking（毫米级精度）、语言标注、视频索引、任务分类和人工质检，最终输出 Training-ready Datasets，置信度分级满足不同客户需求。
- 数据规模定律（Data Scaling Law）在 Physical AI 中已实现，行业正向 1000 万小时数据迈进
随着模型能力提升，客户对数据的需求从 100 万小时提升至 1000 万小时，Maxinsights 正通过扩大采集网络和优化管线应对这一挑战。
- 从传统机器人硬件到数据业务的转型，借鉴丰田生产系统的质量控制理念，强调持续改进与客户协作
袁宇光分享了创业经历，从 Mega Gear Robotics 的开源机器人到 Maxinsights 的数据业务，最终形成“数据+运营+部署”的全栈服务模式。
对话 Maxinsights：具身“卖铲人”的 250 倍增长、机器人 Ego 数据狂潮、DoorDash 与丰田模式，与“自由的鸟”
文章通过与 Maxinsights 创始人袁宇光的深度对话，揭示了机器人数据业务如何实现从 100 万美元到 2.5 亿美元的 250 倍增长。全文围绕数据业务模式、采集运营、质量管控、行业竞争格局及未来发展展开。袁宇光阐述了人类第一视角数据（human-centric data）的商业价值，解释了为何该数据在机器人训练中比遥操作数据更具规模化潜力。文章详细介绍了 Maxinsights 的硬件迭代（从 6 摄像头到 4 摄像头）、数据处理管线（tracking、标注、索引、QC）以及如何通过 AI Agent in the Loop 实现 4000 名全球采集员仅靠 10 名运营人员的高效管理。同时探讨了数据规模定律（Data Scaling Law）在 Physical AI 中的实现，以及行业从 100 万小时到 1000 万小时的扩张挑战。最后，袁宇光分享了其从传统机器人创业到数据业务的转型经历，强调运营模式借鉴了丰田生产系统的质量控制理念，最终坚持为行业每个客户服务的信念。
文章金句
"我们主要做人类的数据，并且把人类的数据变成机器人可用的数据，帮助头部机器人公司训练自己的模型。
"Data Scaling Law（数据规模定律）在 Physical AI（具身智能）里面已经实现了。
"从 100 万美元到 2.5 亿美元，250 倍增长，发生在短短一年。
"我们永远在看怎样快速扩大规模，这对公司成长非常关键。最大的挑战有三点：第一，能不能保持数据质量的同时增加数量，还能保证多样性。
"数据只是切入点，落地时还需要评估和部署。