机器人叠不好衬衫，加密代币能否买到你的日常动作
AI能写软件、生成视频。如今它需要组装产品、处理库存、准备食物，并在物理世界中工作。
这就是Elon Musk押注Optimus的规模。2026年4月，Tesla概述了在Fremont年产100万台机器人的计划，长期目标是在Texas年产1000万台。让这些机器真正有用，需要的智能远超受控演示。
一台机器人能叠好一件衬衫，却在叠下一件时力不从心。布料会卡住，物体会滑落。人类几乎不假思索就能恢复。
每天有数十亿人在产生这种物理经验。将其转化为训练数据并奖励这份劳动，可能成为加密技术最有用的应用之一。
数十亿美元正涌向物理世界
截至6月22日，2026年机器人初创公司已筹集188亿美元，超过2025年全年的150亿美元。2025年，美洲、欧洲和以色列的人形机器人和机器人基础模型投资从20亿美元增至61亿美元，其中13家公司完成了至少1亿美元的融资轮。
这些资金用于硬件、模型、团队和基础设施。数据是一笔不断增长的开支：截至2026年8月，一家人形机器人开发商报告已向人类贡献者支付1500万美元，并承诺在接下来一年投入超过10亿美元用于数据和算力。
一项缺失的技能可能推迟部署。一项可复用技能可以改进许多机器。弥合这些差距的数据，其价值可能远超录制成本。
人类经验已在改善机器人学习
Jim Fan在介绍EgoScale时抓住了这一机会：
在X上查看Jim Fan的帖子和视频。
这项研究利用超过2万小时带动作标注的人类视频进行预训练。在测试的各种规模下，更多数据改善了动作预测，而动作预测与更好的机器人性能相关。与没有预训练的基线相比，完整方案将平均成功率提升了54%。
人机对齐和特定任务的机器人训练仍然是必需的。但人类经验提供了可复用的技能。下一个挑战是如何大规模收集正确的经验。
为何仅靠数据工厂覆盖不了全世界
专门的采集地点让操作员、头戴相机、动作追踪器和远程操作设备齐聚一处。在受控环境中，监督、校准和可重复采集都更容易。
增长需要更多站点、设备、人员，通常还需要更多场地。更广的覆盖意味着增加物体、布局和工作流程。一个采集点里的上千次抽屉开合，无法覆盖每一种把手、阻力和周围障碍物。
工厂可以收集多样化的任务和困难案例，但在工厂内部复现足够丰富的世界代价高昂。
一家供应商将第一人称视角采集报价为每录制小时15至40美元，远程操作为每小时28至60美元，标注为每小时每轮8至25美元。这些是运营基准；具体合同因任务、设备和验收规则而异。
按每小时40美元计算，一个100万小时的项目在额外标注和返工之前就要花费4000万美元。减少被拒片段并更精准地针对缺失技能，可以节省大量资金。
HANDO把采集带入现实世界
HANDO的做法从家庭、车间、商店、厨房和仓库开始。贡献者用手机录制引导任务，HANDO还计划制造并分发专用设备。
每位贡献者都能带来新的环境、物体和完成任务的方式。网络无需在设施内重建每一个场景，就能获得覆盖。
HANDO的方向：分布式贡献者、多种采集设备和统一的质量标准。
头戴设备可以服务于两种模式。HANDO希望让任务与具备合适环境、技能和设备的人相匹配。一个抽屉任务可以覆盖许多真实厨房和车间；审核者检查所要求的变体，然后买家测试这些数据能否改善对陌生抽屉的表现。
经过培训的贡献者和一致的验收规则至关重要。每个任务都必须指明买家需要的信号，同时机器人专属训练仍是学习过程的一部分。
付费试点应先证明有用性，再考虑扩展。成本必须包括设备、支持、被拒片段和处理。共享的招募、培训和工具，可以降低服务多个买家的成本，同时满足每个买家的要求。
实验室也会在工厂之外采集，并建立自己的网络。HANDO必须在有用覆盖、交付速度和每条验收片段的成本上取胜。
HANDO将日常动作变成任务
HANDO正在准备其首批任务，将审核通过的演示与数据集许可以及Robinhood Chain上拟议的股票代币奖励连接起来。
任务可以包括把带子穿过扣环、打开抽屉、把杯子放进托盘或按形状分类。每份任务说明都定义了动作、相机设置和预期结果。
任务示例插图（按阅读顺序）。
以扣环任务为例，从静止到静止，双手和物体全程可见。审核者检查带子是否穿过通道、卡扣是否闭合。任务应覆盖物体、环境和结果中有用的差异；合格的贡献者可以进阶到更难的演示任务。
从手机开始。构建下一代采集设备。
手机让参与变得容易。支架或合适的身体固定装置可以解放双手。清晰的构图、良好的光线和完整的动作，可以捕捉物体操作、任务序列以及从错误中恢复的过程，用于视觉学习和人类视频预训练。普通视频无法测量握力，也无法提供标定过的机器人指令。
穿戴式套件让采集更稳定。头戴或胸戴相机支持更长的免提任务。软件可以尽早标记构图、模糊和未上传的问题；培训帮助贡献者保持有用的视角。
带传感器的设备增加额外信号。可追踪夹爪、标定立体相机或带传感器的手套可以捕捉运动、深度或接触。每台设备都应满足买家的需求，并能配合其机器人学习管线。
在额外信号证明其成本合理的地方，部署专用硬件。
手机任务也揭示了谁遵守任务说明，以及他们能接触哪些环境。HANDO可以利用这些知识，为有资助任务且合格的贡献者开发和提供设备。引导接入、校准、维修和更换都是运营的一部分。
激励决定采集什么
按分钟付费，录制内容就会更长。每个任务付同样的钱，人们就会挑最容易的。
公开奖励。提前公布付款和验收标准。对于股票代币，明确价值转换、结算时间，以及约束权利和可用性的条款。
定向溢价。为稀缺技能、不常见环境和买家需要的变体支付更高报酬。
进阶机制。给可靠的贡献者更难的任务。新参与者产出被验收的工作后，奖励推荐者。
独立审核。对准确的判定给予奖励，并有审计和申诉作为支撑。当任务要求恢复示例时，失败片段也可以合格。
买家的需求必须为这些激励以及设备、处理和审核提供资金。加密技术可以通过共享支付轨道和可审计的付款来协调买家、贡献者和设备合作伙伴。一个已获资助的任务预算覆盖套件、支持和被验收的工作。
在支付规则发放奖励之前，实拍质量仍需审核。视频素材和个人信息可以留在链下。重复订单可以为更多设备提供资金。如果加密能让支付更快、协调更便宜、有用数据更可负担，它就赢得了自己的位置。
增长能解锁什么
想象一下每月100万条被验收的贡献：10万名活跃参与者每人完成10个任务。
持续产出每年带来1200万条贡献。按20%的月增长，这个数字达到3960万。
从第一个月100万条被验收的贡献起步，保持恒定产出或20%的月增长。
每条被验收的片段按30秒计，3960万条贡献约合33万小时的动作。更长、带传感器的演示提供不同的信号；仅凭数量无法衡量学习价值。
在真实环境中并行采集可以达到规模，前提是有偿需求、贡献者留存和审核能力跟得上。每增加一小时，仍需承担补偿、处理和验证成本。
从任务到更好的机器人性能
1. 定义学习差距。确定要改进的任务和条件。在扩大规模之前商定评估标准。
2. 设计任务。指定物体、变体、构图、结果和传感器，使其与训练方法匹配。
3. 装备并培训贡献者。从手机练习和反馈开始。为合格者提供专用套件、设置检查和持续支持。
4. 审核并整理。检查素材、去除重复、分割动作，并标注物体、结果和恢复过程。为每个片段附加权限和来源信息。
5. 训练并评估。交付约定的格式和运动处理。在留出的物体和设置上，比较使用与不使用这些数据的性能。
6. 委托下一批任务。把剩余的失败变成新任务。在更多经验被证明有帮助的地方投入。
评估为下一份任务说明提供指引。许可收入为更多采集提供资金。
GPT时刻需要的不仅是数据量里程碑
目前还没有一个既定的视频小时数能保证通用机器人能力。已发表的人类视频训练语料库已达到100万小时。其内容和模型如何从中学习，比总量更重要。
机器人仍然需要应对陌生情况、组合动作、从错误中恢复，并以有用的速度可靠工作。更好的模型、硬件和机器人专属训练仍然至关重要。
EgoScale表明人类经验有帮助。HANDO的机会是通过经过培训的贡献者在真实环境中按需收集正确的经验。被证明的改进会带来重复订单，为更多任务提供资金，并打造更熟练的劳动力。
如果加密的支付和激励系统能让有用数据更快、更便宜地获得，它就能加速这一过程。这是对机器人领域“GPT时刻”的具体贡献。