近日，原力无限旗下星河数据正式启动「群星闪耀计划」：投入5亿元，发动更多人参与，目标汇聚千万小时级真实世界具身数据。
消息发布后，我们收到最多的问题之一是：千万小时，怎么采？
具身智能需要的很多经验，并不存在于传统互联网数据中。
一个人如何在厨房里拉开柜门、取出杯子，如何在会议室整理桌面，如何在超市理货、补货——这些发生在真实物理世界里的交互经验，只有人在真实场景中完成真实操作时，才会产生。
而这样的经验，分散在无数人、无数场景里。
要规模化获得它们，就需要让更多人参与进来，把原本分散在真实世界中的操作经验记录下来。这也是「群星闪耀计划」选择众包采集的重要原因。
但找到更多人，只是第一步。人多了，真正有效的数据就一定会变多吗？
同样是“整理桌面”，有人记录下完整的操作过程；有人采集时手部始终在画面之外；有人漏掉关键动作；也有人反复提交几乎相同的内容。
数据都上传了，但真正能够进入后续训练的数据，并不会随着人数和数据量自然增长。
当采集者从百人走向万人，设备进入越来越多真实场景，问题开始从“怎么采”变成“怎么稳定地生产”：设备如何与人准确对应？任务如何下发？不同的人如何理解同一套采集要求？采集过程中出现的问题能否及时发现？数据上传后如何判断有效？最终又如何落实到每一个采集者的收益？
这些环节中的任何一个，都可能成为规模的瓶颈。
设备绑定如果持续依赖客服，设备越多，需要投入的人力就越多；任务依赖运营逐一派发，吞吐会受到运营能力限制；如果数据都要等到上传之后再由人工逐条回看，质检也会成为产能的上限；到了最后，如果结算仍然需要人工逐笔核对，前面通过系统获得的效率，又会在最后一个环节被重新消耗。
所以，5亿元是投入，千万小时是目标。真正决定这个目标能否实现的，是一套能够随规模持续运转的数据生产系统——这是「群星闪耀计划」背后，星河数据正在解决的问题。
但对于真正参与采集的人来说，系统越复杂，操作反而应该越简单。
一个采集者不需要理解背后的设备管理、任务调度、质量判断和结算逻辑。他需要做的，是打开一个App，领取任务，连接设备，按照要求完成采集，上传数据，并清楚地知道：我的数据是否有效，我完成了多少，我能够获得多少收益。
复杂的生产系统留在后台，简单清晰的操作留给每一个采集者。
这就是「星河数采」——星河数据面向真实世界打造的数据采集与众包生产入口。它连接采集者、设备、任务、数据与收益，也是「群星闪耀计划」走向千万小时规模的核心产品载体。
01
千万小时，首先是一道“生产题”
如果把数据采集理解成“拿着设备去拍”，千万小时看起来像一道简单的乘法题：更多的人 × 更多的时间 = 更多的数据。
但真正的数据生产并不是这样。
10个人参与时，很多问题可以靠运营人员逐一沟通；100个人参与时，可以靠群聊、表格和人工审核维持；但当参与者继续增加，设备进入更多城市和真实场景，原本可以依赖人工解决的问题，就会迅速变成规模的瓶颈。
千万小时首先不是一个数量问题，而是一个系统问题。
对星河数据来说，所谓“数据生产”，至少要跑通四件事：数据从哪里来？ 采集者应该怎么采？ 采回来的数据好不好？ 一份数据什么时候才算真正完成？
星河数据众包系统：四位一体的真实世界数据生产体系
围绕这四个问题，星河数采、采集设备、采集运营平台与数据平台共同构成了一条完整的数据生产链。
而在采集者这一侧，复杂的系统最终被收敛成一条简单路径：领取任务 → 连接设备 → 完成采集 → 上传数据 → 价值认定 → 计价结算。
从设备接入到有效结算，四道关构成真实世界数据规模化生产的核心链路
每一份数据，先要有“身份”
众包的价值，很大程度上来自分散。
不同的人、不同的设备进入不同的真实场景，才能带回足够丰富的真实世界经验。
但越分散，系统越需要确定性。
一份数据产生之前，首先要回答三个问题：谁在采？用什么设备采？为了什么任务采？
在「星河数采」中，采集者根据任务要求完成设备绑定，系统同步检查设备电量、存储、时间等基础状态，并建立设备、采集者与任务之间的关联。
对采集者来说，这只是一次简单的设备连接。
但在后台，一条最基本的数据关系已经形成：人—设备—任务—数据。
星河数采App：从设备绑定、状态检测到实时监控与任务采集
后续的数据归属、质量追溯、有效性判断和收益结算，都从这里开始。
而随着数据采集进入更多场景，设备本身也会越来越丰富。不同设备的摄像头数量、位置、佩戴方式、采集方式都可能不同。
因此，星河数据尽可能把设备差异收敛在接入层。
对采集者来说，核心流程保持统一：绑定、领任务、采集、上传、结算。设备可以变化，但数据生产的主流程不能跟着变。
设备接进来了，接下来是任务。
举个例子：“需要更多会议室里的桌面整理数据。”
这句话人能听懂，但还不是一个可以直接执行的数据任务。
什么叫整理？需要完成哪些动作？使用什么设备？采多少？什么情况下算有效？
一个模糊的数据需求，必须先被拆成一条可以理解、可以执行、可以验收、可以结算的生产任务。
因此，一条任务正式发布之前，需要明确动作标准、演示、设备要求、目标数据量与验收标准，再通过「星河数采」触达采集者。
这里有一条很重要的原则：任务发布，标准冻结。
采集者按照什么要求执行，平台就按照同一套标准验收。
因为如果一份数据是否有效，要等到数据采完以后再重新定义，后面的质量判断和收益结算就失去了确定依据。
数据生产的标准，必须先于数据产生。
但真实世界数据有一个特殊之处：标准需要统一，数据却不能千篇一律。
星河数据采集运营平台：生产任务的创建、投放、进度与承接管理
还是“整理桌面”。
100个人，在100个不同的会议室完成同一项任务，会自然产生不同的空间布局、物品组合、光照条件和动作路径。这些差异不是噪声。
恰恰相反，它们是真实世界数据最重要的价值之一。
真正需要减少的，是同一个采集者、同一台设备，对同一任务反复提交高度相似的内容。
数据量增加了，新增的信息却非常有限。所以，星河数据希望做到的是：保留跨人、跨场景的差异，减少同一来源的冗余。
标准保证“采得准”，差异决定“采得值”。
好数据，要尽可能早地发现问题
任务标准解决了“应该怎么采”。但真实世界不会永远按照标准答案运行。
设备可能异常，手可能持续出画，某个数据通道可能突然缺失，采集者也可能没有按照要求完成动作。
假设一名采集者工作两个小时，数据全部上传之后，才发现手部始终没有完整进入画面。
数据当然可以筛掉。但两个小时已经无法收回。
如果采集者还不知道自己哪里出了问题，同一种错误甚至可能继续出现在下一次任务里。
如果一份坏数据要到最后一刻才被发现，那么再快的采集速度，也可能只是在更快地制造返工。
因此，星河数据没有把质检只放在生产末端。
在设备端，系统可以检查设备健康度、定位状态、手部出画等问题；在设备端与手机端，可以检查数据通道、采样频率，并进行轻量级感知质检；数据进入云端后，再进行更重量级的自动化质检与任务语义匹配——采回来的，究竟是不是任务要求的那件事？
而对于目前无法完全自动化判断的边界情况，则继续由人工处理。
错误越早被发现，返工越少；返工越少，规模扩大之后的生产成本才不会跟着线性增加。
所以，星河数据对“好数据”的理解并不是“最后留下来的数据”。而是：好数据，不是最后筛出来的，而是从第一步就开始管出来的。
更重要的是，质检结果还会继续反馈到前面的生产环节——设备为什么出问题？任务说明哪里容易产生误解？哪一种动作最容易采错？
当这些原因能够被记录，设备规则、任务说明和采集提示就可以继续调整。
下一批数据里，同一种错误应该更少发生。
质检不只是筛掉坏数据，也是整个生产系统持续改进的依据。
星河数采app
有效吗？多少钱？什么时候结算？
最后一道关，是价值认定与结算。
对采集者来说，问题非常直接：我的数据有效吗？有效了多少？对应多少收益？什么时候结算？
目前，星河数据可以在T+1完成对数据的稳定价值认定，包括是否有效、有效时长、环境条件分析与技能提取等关键结果。
这意味着，一份数据上传之后，系统判断的不只是“能不能用”，还要进一步回答：有效了多少、发生在什么环境条件下、包含哪些技能，以及如何进入后续计价。
对采集者来说，复杂的后台最终需要变成一个清楚的结果：我提交了多少，哪些被认可，有效了多少，对应多少收益。
数据完成价值认定后进入计价与结算流程。价值认定的时效并不等同于实际付款周期，最终结算按照不同合作模式及约定账期执行，例如供应商合作通常采用月度结算。
针对自动判断中可能存在的边界情况，系统同时保留独立复核路径，确保异常数据能够被重新判断和确认。
当一份真实世界经验完成：采集 → 判断 → 价值认定 → 计价 → 结算，一次完整的数据生产才真正结束。
而当这条链能够稳定复制给越来越多的人，众包才开始从“发动更多人来采”，真正变成一种可以被组织、调度、验收和结算的数据产能。
02
千万小时，也要回答“采什么”
跑通生产链，只解决了“怎么采”。
当数据真正开始规模化，星河数据还需要回答另一个更重要的问题：下一批，究竟采什么？
答案不能只是“继续采更多”。因为对于具身模型来说，数据的价值不仅取决于数量，也取决于覆盖和分布。
同样是“抓取杯子”，如果已有数据高度集中在相似物体、相似场景和相似动作路径上，继续增加同类数据，新增价值会越来越有限。真正稀缺的可能是不同材质的杯子、不同空间位置、遮挡条件，或者一次抓取失败之后如何重新调整。
所以，千万小时必须是一张能够被看见、被理解的数据地图。
这也是星河数据建立数据血缘（Data Lineage）的原因。
从数据产生开始，采集者、设备、采集范式、任务、技能、场景、环境条件、有效性等信息就被逐层记录。
一条数据时，这些信息解决的是可追溯；当百万、千万条数据汇聚在一起，它们解决的是另一个问题：数据分布。
星河数据数据资产全景：从任务、场景、环境条件与采集源等维度持续观察数据覆盖、分布与长尾缺口
哪些技能已经采得足够多，哪些仍然稀缺；哪些场景覆盖充分，哪些几乎空白；不同光照、遮挡、空间布局是否均衡；不同设备和数据来源之间，又形成了怎样的分布。
当每一份数据都有“坐标”，整个数据资产的缺口才会真正显现出来。
而“缺口”，正是下一轮生产的起点。
缺某一种技能，就生成对应任务；缺某一种场景，就进入相应的真实环境；缺某一种长尾条件，就定向补充相应数据。
缺什么，就去真实世界补什么。
于是，星河数据形成的是一套不断校准的数据生产机制：真实采集 → 数据回流 → 分布分析 → 缺口识别 → 任务生成 → 定向采集；这也是“采什么”真正的答案。
再往前一步，这套机制最终还需要与模型连接。
模型训练暴露出的能力短板，可以转化为新的数据需求；新的数据经过真实世界生产，再重新进入训练。
于是，数据与模型之间形成闭环：模型发现问题，数据补足问题；新的数据，又推动模型继续向前。
这也是星河数据在原力无限整个具身智能技术体系中的位置——让真实世界经验能够被持续、定向地生产，并不断回到具身大脑。
从数据血缘到真实世界数据回流：让数据生产从单向链路进入持续反馈
03
好数据 · 够真实 · 真价值 · 共进化
从一个人，到千万小时。规模可以不断扩大，但星河数据真正关心的，从来不只是“更多”。
什么样的数据，才值得被规模化生产？
我们的答案是四个词：好数据 · 够真实 · 真价值 · 共进化。
从一个人，到千万小时，本质上是一件事：把一次可以跑通的数据生产，变成一种可以持续复制的数据供给能力。
好数据｜不仅“能用”，更“值得用”
真正的好数据，需要足够完整、准确、可追溯，也需要尽可能减少重复、无效和低价值的信息。
因为进入训练的数据，最终都会变成机器人理解世界的一部分。
所以，比“采了多少”更重要的，是有多少真正值得进入训练。
够真实｜真实世界，本身就是答案
具身智能最终面对的，不是一个被精心布置好的标准环境。
它面对的是不同的人、不同的物体、不同的空间，以及随时可能发生的遮挡、扰动、变化和意外。
这些“不标准”，恰恰构成了真实世界。
所以星河数据要寻找的，不是被无限复制的标准答案，而是足够丰富的真实经验。
世界有多复杂，机器人需要学习的经验就有多丰富。
真价值｜不堆数据，补能力
真正有价值的数据，应该回答一个更直接的问题：它为机器人补上了什么？
一种没有见过的场景，一次失败后的调整，一类稀缺的动作，一段新的交互经验——最终都应该指向机器人能力的增长。
共进化｜数据跟着模型走
没有一个数据集，可以一次性覆盖整个真实世界。
也没有一个模型，会在某一次训练之后停止进化。
模型能力不断向前，新的问题就会出现；新的问题出现，数据就需要继续回到真实世界寻找答案。
所以星河数据想做的是一套能够跟随模型持续生长的数据生产体系。模型向前一步，数据跟进一步。
「群星闪耀计划」投入5亿元、目标千万小时，要验证的正是这件事。
从一个人，到千万小时：让每一份真实经验汇聚成具身智能持续进化的数据星河
当采集者、设备、任务、质量与结算能够被系统化组织，当数据缺口能够继续生成新的任务，真实世界数据就不再依赖一次次项目式采集，而开始持续进入生产、持续回到模型。
因为机器人能力的持续增长，才是最后真正的大结果。
让每一份真实经验成为一颗星，最终汇聚成具身智能持续进化的星河。
星河数采app：安卓公测版可下载体验；其他版本正火热上架中