訊號一｜人類影像是地基，不是補充
Figure 去年的 Project Go-Big 證明了一件事：它的 Helix 模型只看人類第一人稱影像、零個機器人示範，就學會在凌亂的住宅裡聽懂「去冰箱」並走過去。機器人要的料，就是一個人從自己眼睛的角度，看著自己的手做事。
Fiona Signal Radar
你以為那些永遠開機的裝置，是來幫你的。眼鏡、別針、筆、喇叭——它們真正的產物，是一條第一人稱的資料流。而那條流，是人形機器人的飼料。
Signal
機器人缺的不是腦，是一雙手的影片
具身智能（Embodied AI）正撞到一道牆，叫「資料荒」。網路上有的是文字和圖片，但機器人要的不是這些。它要的是「接觸密集」的第一人稱影像——一雙手怎麼擰瓶蓋、怎麼把碗端穩、怎麼在雜亂的廚房裡走位。這種料，網路上沒有。於是，有人開始在全世界採料。
Key Signals · 五個訊號
訊號二｜縮放定律把「錄影」變成「印鈔」
NVIDIA 的 EgoScale 拿 20,854 小時第一人稱人類影像預訓練，挖出一條縮放定律（Scaling Law）：影像越多，模型越準，關係是對數線性，相關係數高達 0.9983。翻成白話——多餵料，機器人就確定變強，像水龍頭一樣可預測。資料變成可以稱重計價的原物料。
訊號三｜一支戴著攝影機的全球大軍
資料要多少？Micro1 的副總直言：「大概要數十億小時。」目前該公司有 4,000 名「機器人通才」散在 71 個國家，每月交回 16 萬小時——遠遠不夠。DoorDash 推出 Tasks，付錢給 800 萬名外送員錄自己做家事（據 Bloomberg，洗碗任務要求隨身攝影機對著雙手，洗滿至少五個碗、每個端穩）。Scale AI 估計也握有 10 萬小時。這不是零星實驗，是一條成形的工業供應鏈。
訊號四｜他們收的，是你眼睛的角度
這些任務的共同規格只有一個：第一人稱。攝影機綁在頭上、對著手。因為機器人要學的，是「從做事的人的視角，看著手怎麼動」。料的格式，被統一成了你的視角。
訊號五｜今天，料有了身體（GTC Taipei，6/1）
就在今天，台北 GTC 開幕，黃仁勳發表 NVIDIA Isaac GR00T 參考人形機器人——NVIDIA 第一款開放的人形機器人參考設計。身體採用大陸宇樹科技（Unitree）的 H2 Plus、五指手來自 Sharpa、運算用 Jetson Thor，而軟體跑的 GR00T，正是用 EgoScale 那批人類影像訓練出來的模型。年底開賣，「任何人都能買」，先供應給 Stanford、ETH 等西方實驗室。
人類第一人稱影像（料）→ EgoScale → GR00T（模型）→ 宇樹 H2 Plus（身體）→ 市場開賣。 這條鏈，今天補上了最後一段。
Fiona View
同一條資料流，一頭餵 agent，一頭餵機器人
以下這一段，是我的推論，不是任何廠商說的話。 我把它跟上面的事實分開，請你也分開讀。
上面那條供應鏈，付錢請人戴攝影機，對著手錄第一人稱影像。
然後想想，你臉上那副 AI 眼鏡、胸前那枚別針、桌上那支永遠開著的筆、那台一直在聽的喇叭，每天在錄什麼。
同樣是第一人稱。同樣對著你的手、你的視野、你的一天。格式，一模一樣。
我不把箭頭釘死——廠商沒說這些消費裝置的資料會拿去訓練機器人。但「料的格式相同」是不可抹滅的事實。剩下的線索，你自己連。
DoorDash 付錢請外送員錄自己洗碗。而你花錢買的那副眼鏡，正免費做同一件事。
裝置的多元化——眼鏡、別針、筆、喇叭——表面是消費電子百花齊放。換個角度，是「採料口」的多元化。每多一種隨身裝置，就多一個對準你生活的鏡頭。
而這條第一人稱資料流，有兩個出海口。一頭，餵 agent，學你的判斷、你的流程，去取代白領（這是我們上一篇〈權限〉那場仗）。另一頭，餵機器人，學你的手、你的動作，去取代體力。
同一條流，兩種取代。
最荒謬的是：DoorDash 那批外送員，至少還收每小時 15 美元。而我們這些花錢買裝置的人，是倒貼——付錢買下那個鏡頭，然後免費生產取代自己的訓練料。
而這波熱潮，今天在台北 GTC 上又被點著了。那台用宇樹身體、GR00T 大腦的機器人，定了價、排了出貨。熱潮重燃不是口號——它是買家。買家越急，那「數十億小時」的料就越值錢。而料，是我們。
看清楚這條線，不是要你把眼鏡丟掉。是提醒我們：在這場交易裡，先搞清楚自己是顧客，還是料。能自己關掉的鏡頭，才是自己的。
Sources
訊號來源
- TechCrunch（2026/3/19）：DoorDash launches a new 'Tasks' app that pays couriers to submit videos to train AI — 800 萬外送員錄影訓練 AI／機器人
- CNN（2026/4/4）：How filming your chores could train the android butlers of the future — Micro1，4,000 人／71 國／月 16 萬小時／「需數十億小時」
- arXiv 2602.16710：EgoScale — Scaling Dexterous Manipulation with Diverse Egocentric Human Data，20,854 小時、對數線性縮放定律
- TechTimes（2026/5/16）：The Data Drought — Figure Project Go-Big，純人類影像、零機器人示範
- CNBC（2026/6/1）：Nvidia picks Unitree for humanoid robot platform — 今日 GTC Taipei，Isaac GR00T 參考人形機器人
＊＊本文內容綜合多方公開資料整理，僅供敘事觀察與研究參考，不構成任何投資建議、買賣邀約或報酬保證；市場有風險，判斷需自負。＊＊