AI公司的数据获取策略正发生关键转折：从大规模网络抓取，转向采集能真实反映人类工作方式的数据。
部分企业付费给全球数千名工人，录制日常任务视频以训练机器人的物理操作能力；另一些则构建虚拟工作场所，让AI智能体在其中练习工作流、决策及纠错。
物理数据的争夺战
在墨西哥和菲律宾，合同工远程操控美国仓库内的机器人打包美容产品并记录动作，旨在让机器最终实现独立作业。另有工人佩戴前额摄像头，以第一人称视角记录折叠衣物、整理酒店床铺等过程。
Tutor Intelligence首席执行官Josh Gruenstein称，这是知识从人类向机器人转移的关键环节。该公司在马萨诸塞州运营一家“数据工厂”，通过工人远程控制机器人生成训练数据。
AI数据初创公司Encord机器人学习负责人Vineeth Velmurugan指出，机器人训练数据需求约为一年前的10倍。其客户（包括Dyna Robotics和Agility Robotics）对标注数据的需求已从1,000小时激增至1万甚至10万小时。
德国Microagi（Shift母公司）正将数据采集扩展至全球15多个国家的家庭与办公场所。CEO Bercan Kilic表示，该公司雇佣超3.5万人录制物理任务执行过程，参与者时薪最高达30美元，2026年已发放约1,000万美元报酬。
为AI智能体打造的数字职场
这一趋势同样延伸至软件领域。科技公司正构建逼真的数字工作环境——即强化学习（RL）环境，供AI练习编程、使用商业软件、决策及完成长期任务，模拟人类员工的工作模式。
据悉，谷歌曾洽谈投资超15亿美元收购Mechanize，后者致力于建立虚拟工作环境以训练AI智能体。Meta则持续收集员工的击键、鼠标移动及点击等屏幕活动数据，旨在帮助AI理解计算机的实际使用方式。
Scale AI产品主管Chetan Rane表示，该公司近半数的新AI训练项目涉及模拟编程、计算机使用及企业管理流程的RL环境。这些环境不再仅评判单一答案，而是允许AI在完整工作流中试错，并根据任务完成情况调整改进。
企业内部记录也成为争夺焦点。据报道，AI公司正以六至七位数美元的价格，购买匿名化的Slack消息、邮件、演示文稿及内部文档，以教导AI解决复杂多步骤任务及协作。与此同时，律师事务所正基于数十年自有法律知识构建AI系统，而非完全依赖现成模型。
业界分析认为，生成式AI的第一波浪潮聚焦于更大模型和更快芯片，而下一阶段的核心在于让机器理解工作是如何完成的，从而更高效地辅助人类。