AI 叠衣难：人类数据变现的权属困局

据 Woofun AI 消息，物理人工智能正陷入对隐性人类经验的极度饥渴，而围绕这一稀缺资源的采集、确权与变现，已演变为一个充满权属争议与金融风险的复杂市场。当机器人连叠一件 T 恤都难以完美执行时，那些掌握着'如何动手'这一隐性知识的人类，正成为 AI 训练数据供应链中最关键的节点，但其劳动价值的确权与分配机制仍处于模糊地带。

1988 年，机器人专家在《心智儿童》一书中提出了著名的'莫拉维克悖论'，指出让计算机在智力测试或跳棋上表现得像成年人相当容易，但要让机器拥有一岁小孩的感知和运动能力却几乎不可能。

这一悖论在 2025 年 7 月得到了极具讽刺意味的验证： 和 的系统在国际数学奥林匹克竞赛中达到了金牌水平，展现了顶尖的智力巅峰；

与此同时，机器人公司仍在发布机器人叠 T 恤的视频，以此作为技术进步的证明，暴露出其在基础运动技能上的低谷。这种智力与运动能力的巨大反差，揭示了当前 AI 发展的核心瓶颈：高维逻辑推理已近突破，但低维物理交互仍举步维艰。

将布料平铺、抹平褶皱、捏起角落并对折，这些看似简单的动作背后隐藏着海量的隐性知识。你无需思考就能找到角落，能感知抓到的是一层还是两层布，若发现袖子翻过来抖一抖即可纠正。这些步骤从未被书面记录，因为人类无需记录。 联合创始人曾描述过一个早期洗衣模型，它在受控衬衫上表现良好，但面对混杂堆放的衣服便彻底失败。加州大学伯克利分校机器人专家估算，训练当今大型视觉语言模型所用的文本和图像，若换算成时间，大约相当于十万年的人类经验；而在体力劳动领域，机器人手中几乎一无所有。2024 年的一项研究显示，仅用合成图像训练系统寻找毛巾和 T 恤角点，精度仅为 64%，用真实照片微调后才升至 74%。这表明，仿真数据在物理交互中的局限性极大，模拟出来的布料逼真度仍远不足够，且合成数据同样需要人类作为'裁判'来判断何种折法才算合格。

2025 年年中，将 Optimus 的训练重心转向主要依靠视频，但外部研究者随即指出，这种做法缺失了对触觉和接触的感知。瓶盖有无数类型，每种打开方式所需的力度和方向并无通用教程，视频只能展示双手外观，无法传达握持力度或机器人关节的反馈。

这种感官信息的缺失，使得单纯的视频数据难以直接转化为机器人的有效行动指令。因此，获取那些只能通过'动手'体现的知识，需要完全不同的安排：必须有人演示，并记录足够多的多维信息，同时判断机器能否从中学习。

这一过程催生了一个新的知识市场，但掌握这些知识的人能否获得合理回报，仍是未知数。

作为这一市场的早期参与者，隶属于由于 2025 年在旧金山创立的 。其模式是通过 App 向贡献者发布任务，如拍摄日常活动，审核通过后支付报酬，再将清洗打包的数据集转售给 AI 公司。9 月下旬，Kled 更新了 App 界面，从单一上传按钮改为任务信息流，声称能将需求推送给 50 多万名贡献者，并在 72 小时内开始收到数据。贡献者可通过 、 或 钱包以美元结账，Solana 上还有一个 KLED 代币，市值约 1000 万美元。

然而，对于一个拥有 50 万贡献者的网络而言，这一代币规模极小，且 KLED 并非股权，持有者对公司资产无索取权。Kled 声称每天产出约 800 万个数据点，已累计支付数百万美元，管线中已有超过 3000 万美元的买方需求。但收入分配极度不透明： 评论显示有人拍一百张照片仅获 1 美元，而 Kled 称最高贡献者月入可达 7400 美元。