零售业中的物理AI数据：Maniformer在上海训练机器人

2026年8月5日至6日，Maniformer员工在上海繁忙的零售卖场中对具身机器人进行了培训，采集了多模态数据并记录了远程操控演示，以此构建用于上架、扫描和客户服务的任务数据集。

Maniformer是一家总部位于上海的物理人工智能数据服务平台。该公司为零售和轻型物流领域构建配备传感器的测试平台、人机协同工作流程以及数据集处理管道。其核心优势在于提供用于操作和导航的真实世界训练数据，弥补了模拟训练的不足。

零售业是物理人工智能的试金石

零售业兼具高密度、多样性和停机时间，正是对具身人工智能进行压力测试的理想环境。货架每天都在变动。促销活动带来季节性的混乱。员工需要同时处理补货、拣错、陈列图重置、商品洒漏以及顾客的频繁打断。 光线随时间变化。包装材质光亮、皱褶且色彩饱和，对视觉识别而言堪称最坏情况。过道狭窄，环境噪音较大。这使得零售业既是一项盈利的“头疼事”，也是一座数据金矿。

在上海，Maniformer将员工部署为实地培训师，通常在非高峰时段或受控的短暂时段内开展工作。他们通过遥控操作和共享自主模式引导机器人完成任务，标注状态变化，并对结果进行评分。 该平台整合了同步彩色视频、深度、惯性及力矩信号、条形码扫描数据、陈列图参考信息，以及来自销售点和库存系统的门店事件数据。它生成与特定任务和货架紧密关联的严格版本化数据集，随后将其推送至客户模型的训练管道中。

重点在于精准筛选。并非每一帧画面都有用。关键在于捕捉那些会让模拟代理“崩溃”的极限情况。例如：在货架上扭动的粘性瓶子、带有季节性纸板立牌的端头陈列、滑入抓取器底下的反光零食袋，或是将商品递给

机器人以一个奇怪的角度出现。在实验室里，这些只是轶事；在商店里，这些却是家常便饭。

为何模拟过道无法涵盖那混乱的20%

模拟是机器人技术发展的强大助推器。领域随机化、合成写真级图像以及近乎完美的物理模拟，共同覆盖了前80%的场景。而零售业所处的，正是最后那20%——那个现实拒绝配合的粗糙接缝处。以下四种模式解释了其中的原因。

• 感知混叠现象普遍存在。许多不同产品具有几乎相同的几何形状和颜色。轻微的眩光或收缩膜的褶皱就会让检测器失灵。模拟材料很少能匹配到光泽包装那种在视觉上令人不适的真实效果。
• 接触行为并不理想。可变形物品会发生变形或粘连。货架摇晃不定。重力占据上风。模拟的摩擦力、刚度和顺应性虽有帮助，但门店层面的校准漂移才是主要问题。
• 社交互动至关重要。顾客可能会打断流程、询问商品，或将购物篮移入预定路径。即使是礼貌性的停顿，也会以当前模拟器难以编码的方式重塑行动计划。
• 门店状态瞬息万变。陈列图仅是指导方针，而非铁律。促销活动、店长临时调整以及深夜补货都会打乱既定布局。

一个实用的比喻能说明问题。仅在模拟环境中进行培训，就像用塑料食物教厨师一样。你可以练习刀工和摆盘，但无法体会洋葱如何让你流泪、平底锅的受热特性，以及酱汁在变味前一瞬间的状态。

实地证据直截了当。基于混合数据训练的零售模型表现更佳，但其收益取决于实际覆盖范围，而非模拟器运行时长。这对采购人员而言具有商业意义。解决此问题并非靠购买更多服务器，而是要采购与门店及陈列设备紧密关联的数据运营方案。

Maniformer 打造了一款面向实体工作的数据工具

Maniformer 的产品并非机器人。它是一个数据工具，将四个区域缝合为一个连续的循环。

• 采集。

安装在推车和机器人上的传感器装置会收集带有精确时间戳的同步数据流。工作人员佩戴触觉反馈设备或手持控制设备，用于演示和进行纠正性提示。音频仅在获得同意后才会被记录，且通常会在最终版本中删除，以规避隐私风险。

整理。标注引擎融合陈列图、条形码数据库和货架地图，自动标注静态场景。人工审核员则专注于自动化系统可能遗漏的动作状态、故障模式及社交事件。每帧视频都包含店铺、过道、陈列架和时间元数据，以便进行有针对性的回放。

训练。数据可导出至模仿学习、强化学习以及视觉-语言-动作集成系统。缩写词在首次出现时始终会展开。例如，基于人类反馈的强化学习（RLHF）由评分员评分驱动，并结合与速度、安全性和货架质量相关的丰富奖励定义。

验证。Maniformer 运行脚本化任务和扰动测试，以衡量系统在偏离策略情况下的鲁棒性。它将基准测试与买家的关键绩效指标（KPI）进行对齐，例如拣选率、恢复时间和顾客等待时间。

该公司的核心技术选择侧重于吞吐量和可审计性。 所有内容均采用版本控制。数据集血统清晰可追溯。门店经理可以询问是哪些数据教会了机器人旋转瓶盖或移动瓶子，团队则能指出特定日期下满足精确条件的运行片段。这使得重新训练不再像赌博，而更像是修复已知错误。

新的机器人供应链包含数据服务平台

十年前，零售机器人的开发流程主要围绕传感器、机械臂、移动底盘和系统集成商展开。如今，一个新的层级已然显现。物理人工智能数据服务平台位于门店与模型训练之间。它们标准化了数据采集、清洗和授权流程，随后将数据分发给多家机器人供应商用于学习循环。

对于采购团队而言，这改变了品类战略。现在，你们需要采购三类

各项要素。您购买硬件，购买模型和自动化功能，还购买数据服务，以便在您的门店中充分发挥这些资源的效用。您可以将这些业务全部交给一家供应商，但采用模块化模式能更好地管控风险。零售商可以在共享的数据平台基础上试用两家硬件供应商，从而确保学习资产的可移植性。 机器人供应商可以在重点市场与数据合作伙伴签订合同，从而避免逐家门店地申请许可。

一位驻上海的运营总监对此一语中的：在上海，只需测试一周，就能观察到一个月的边缘案例。促销活动更新迅速，客流络绎不绝。正是这种节奏，让数据运营的投入物有所值。

从数据采集到整理再到控制，形成了一个闭环

在实际应用中，这个闭环运作如下：当面向货架的任务在反光严重的零食区附近失败时，操作员接管控制，完成调整，并标注原因——眩光导致的误分类。相关帧图像和操作轨迹会被标记为优先摄入对象。 一夜之间，训练任务便会针对这些场景进行优化。新模型次日上线。团队在业务淡季重现该场景，并在实际营业的过道中进行小规模A/B测试。如果效果稳定，该修复方案将推广至更多门店。

只有当数据管道具备快速、干净和安全这三大特性时，该循环才能有效运行。快速意味着门店可以推送和拉取数据，而不会堵塞本地网络；干净意味着每次运行都会被标记、去重并经过合理性检查；安全意味着个人信息已被遮蔽，且不会泄露门店商业机密。Maniformer声称这三点都是其首要关注点。 该公司表示，其采用设备端人脸和车牌模糊处理技术，对门店布局进行路线级匿名化处理，并使用只写通道来防止跨客户数据泄露。 此外，其数据采集流程还符合《中华人民共和国个人信息保护法》（PIPL）和《中华人民共和国数据安全法》（DSL）的规定。

为何上海零售业是理想的数据熔炉

上海大力推广机器人和

将训练器置于高密度环境中。数百家便利店聚集在交通枢纽附近。过道狭窄。客流高峰来得突然且剧烈。促销活动轮换迅速，且需要频繁调整货架布局。该城市的服务文化注重“高接触”，因此机器人必须在不阻碍通行的情况下暂停、回应并恢复运行。

这种高密度环境能更快实现覆盖。一周的运行量，足以覆盖在较慢市场中一个季度的边缘案例。这塑造了培训的经济性。数据服务成本在覆盖范围更广、门店驻留天数更少的情况下得以摊销。如果您正在规划试运行预算，请注意：数据采集团队、同意标识牌、现场引导员以及非营业时段的封锁措施将是主要开支项目，而非机器人租赁费。

成本高昂，且瓶颈不断变化

持怀疑态度的反驳是健康的。构建现实世界的数据运营成本高昂且容易分散注意力。店长不喜欢卖场里多出人手。隐私风险不容小觑。供应商锁定确实令人担忧。即使试点成功，该模式能否迁移到陈列布局和消费习惯各不相同的其他城市？

这些都是真实存在的风险。缓解之道在于设计，而非空洞的口号。

• 干扰控制。在客流低谷时段进行培训。采用微时间窗口，每次仅限一条过道。设置清晰的标识并提供退出选项。追踪并公布事件发生率以建立信任。
• 隐私与合规。最大限度减少数据采集。在边缘端进行模糊处理。快速删除数据。除非功能明确需要（例如语音转接），否则应关闭音频录制。确保符合《个人隐私信息保护法》（PIPL）及门店政策。
• 可移植性保障。通过合同约定共享数据模式，并明确数据集所有权。避免使用将系统绑定到单一模型栈的不透明编码。在服务级别协议中要求设置数据出口路径。
• 泛化计划。规划跨城市迁移方案。在每个新城市启动时，安排第一周的数据突发期，以针对路灯、方言和路灯设施规范进行调优。

实际成本及费用分担

采购负责人想要具体数字。他们还希望避免

意外情况。在中国，项目成本主要集中在人力和门店准入方面。一个典型的三家门店试点项目通常持续八至十二周，每个门店配备两至三名数据采集技术人员，并由一个中央标签制作和培训团队提供支持。服务合同预计将采用月费制，其中包含人员配置、硬件套件、数据处理和培训课程等服务。 以上海目前的实际情况来看，单家运营门店的月费可能在80,000至200,000人民币之间，具体取决于运营时长、货架数量以及模型训练频率。硬件租赁和加急夜间进店服务可能会推高费用上限。

费用由谁承担具有战略意义。零售商通常会为第一轮部署提供资金，以便根据其陈列图和运营流程进行调整。如果机器人供应商能够跨客户复用现有组件，他们将参与共同投资。一种共享基础设施模式正在兴起：在该模式下，一个数据平台为特定垂直领域的多家硬件供应商提供服务，并设有严格的数据隔离墙和明确的治理机制。

零售业“数据优先”机器人技术的重要指标

门店管理者并不关心每秒帧数。他们关注的是货架陈列美观且顾客无需等待。将这些转化为简明的评分卡。

• 任务质量。根据陈列图容差标准进行面对面评分。条形码扫描准确率与实际可售单位挂钩。
• 吞吐量。每小时拣选或上架的单位数量，并记录人工干预情况。
• 可靠性。平均干预间隔时间。中断后的恢复时间。
• 客户影响。过道交接的等待时间。每小时阻塞事件次数。
• 安全性。险情发生次数。接触力超限次数。过道清洁通过率。
• 数据质量。每周新增的边界案例数量。标签接受率。修复方案的部署时间。

如果您的数据合作伙伴无法在这些指标上展示改进，您买到的只是表面功夫，而非实质性进展。

为何对真实世界交互数据的掌控已成为新的护城河

模型权重可以移植。硬件正变得越来越模块化。稀缺的资产是

一个覆盖面广、受权限控制的、与特定设施和工作流相关的现实世界交互语料库。谁掌握了存储、模型和重新部署之间的“清洁循环”，谁就能主导发展节奏。

这一战略逻辑与以往的平台转型如出一辙。 在网络广告领域，对点击和转化数据的掌控决定了市场主导权。在自动驾驶领域，车队行驶里程推动了技术进步和估值提升。在实体零售机器人领域，过道运行时长和成功恢复率则决定了竞争优势。不同之处在于，同意和安全要求更高，且工作单位是货架或顾客，而非页面浏览量。

采购方应将此视为一项组合决策。至少投资一家能在您重点城市开展业务的数据合作伙伴。保持模型路径的灵活性。就数据处理协商审计权。建立内部能力，能够解读数据集卡片、分析验证运行结果，并在陈列或促销周期发生变化时请求针对性的数据冲刺。

Maniformer在门店的运营指南

在上海一家便利店内，这具体是什么样子的

• 部署。在入口和相关货架区域张贴同意标识。摄像头和深度传感器安装在机器人上，有时也会安装在带短桅杆的手推车上以获取环境信息。店长根据客流情况安排30至90分钟的操作时段。
• 运行。员工通过远程操控或协同操作完成目标任务。在补货环节，他们采集伸展、抓取、旋转和放置等动作数据，并记录力学曲线；在扫描环节，他们调整角度、距离和光照条件；在服务环节，他们记录语音提示和交接过程，并确保获得顾客明确的同意。
• 标注。在附近的平板电脑上，标注员将帧数据与货架布局位置、陈列架几何形状及商品条形码关联起来。他们使用受控词汇标记失败原因，例如眩光、遮挡、可变形滑动、顾客打断、标签不匹配等。
• 同步。数据在通过隐私保护处理后，通过门店端中继设备上传。夜间运行将数据推送至训练模型。

重新部署。新模型上线，附带变更日志。团队会先重现问题场景，然后进行扩展。

治理、隐私和知识产权的防护措施

上海零售业受中国数据法律约束。《个人信息保护法》（PIPL）和《数据安全法》（DSL）划定了边界。零售商还会追加自身规定，例如禁止全景拍摄或录制顾客音频。 Maniformer 声明其设计原则是仅存储必要数据，且以仍具实用价值的最低精度存储。人脸在边缘区域会被模糊处理。除非商店明确授予研究权限，否则布局信息将被抽象为不可逆映射。商品陈列图被视为商业秘密，绝不会在不同客户间共享。

在知识产权方面，合同条款的明确性是唯一的安全途径。需以书面形式明确回答三个问题：原始采集数据归谁所有？标签和衍生数据集归谁所有？模型权重归谁所有？目前许多零售商采取所有权分割模式：门店拥有原始数据和标签，供应商拥有基础模型。 经过微调的权重和算法配方要么共享，要么置于有时间限制的许可之下。在试点之前，这值得律师进行仔细审查。

竞争格局正在迅速形成

Maniformer虽处于早期阶段，但并非孤军奋战。系统集成商正在组建数据部门。云服务提供商正通过边缘数据管道和隐私工具包积极争取零售商。机器人供应商则在组建内部数据采集团队。市场很可能呈现分层态势：专注于逐个城市运营的纯数据平台， 将硬件、自主系统和数据打包为封闭式解决方案的全栈供应商。以及机器人供应商与本地数据运营商结成的混合型联盟。

采购方将推动互操作性。将针对陈列设施、商品和操作制定数据模式标准。各城市及零售连锁品牌将采用各自的安全与同意模板。预计第三方审计机构将推出针对隐私和数据集质量的认证计划。胜出者将发布包含覆盖地图、标注方法及已知缺口的数据集说明卡；败者则只会大谈特谈“魔法”。

这对采购和运营意味着什么

领导者

将数据服务平台视为一个新的供应商类别，并为其单独制定需求提案（RFP）。范围应涵盖数据存储访问方案、同意书模板、隐私保护工具、数据采集硬件清单、标签处理流程、培训体系产出以及数据验证方法。要求开展与目标关键绩效指标（KPI）挂钩的试点项目。 要求提供数据集卡片以及数据交付方案。若需更换模型供应商，必须明确要求制定切换路径。

与运营部门协作，安排低干扰的实施窗口期。选择能反映全国门店商品结构的过道布局。既要包含包装精美、人声鼎沸的角落，也要设置安静的新鲜食品区。即使您主要关注补货工作，也要在布局中加入客户服务环节——许多问题往往就隐藏在这里。

Maniformer的上海项目引领更广泛的业务再平衡

多年来，零售机器人项目一直受限于硬件问题。抓取器会打滑，底座在斜坡上卡住，传感器在荧光灯下失灵。如今，通用硬件已足够成熟。真正的瓶颈在于数据——这些数据能教会机器人在每家门店的具体环境中自主运作，既无需人工看管，也不会吓到顾客。

Maniformer的核心理念很简单：如果将数据循环工业化，机器人将迅速提升性能，从而物有所值。上海项目的实践表明，这是一个“银行家式”的理念。该公司并非在追求天方夜谭，而是销售一种实用工具。如果你经营着许多货架通道，你自然深知实用工具的威力。

人们往往容易将数据工作视为一种商品：架起摄像头，录制，标注，训练，重复。但这完全偏离了重点。 在实体工作中，光线、包装和人类行为的细微差异都会左右结果，因此数据质量就是绩效。这更接近于采购新鲜农产品，而非订购更多服务器。新鲜的才能胜出，陈旧的则会腐烂。一个能够在正确的时间、正确的门店捕捉到正确场景的平台，绝非可以轻易更换的供应商。

本分析综合了企业声明及上海市场的可观察动态

所述期间内的零售业务。

免责声明：本分析仅供参考，不构成投资、法律或采购建议。RobotAIGeek 不对特定供应商进行背书，也不保证早期技术的性能。