AI 日报 | 2026年11月22日
本周末的信号几乎全部落在「数据」这一层:广东把具身智能写进不少于 5000 个行业高质量数据集的地方清单,义乌首次公开训练基地数据采集与模型训练的国标计划阶段性成果,宿迁挂上省级数据标注基地牌子并给出 38 家企业、5000 人、周采 3.5 万小时的硬数字。对准备入行的人,更值得逐字读的是岗位分层——采集岗培训约 3 天即可上岗,但干满 8 小时只有 2 至 4 小时算可用数据,而项目经理岗已开到 15 至 35K,分水岭正是数据治理、质检与口径定义。副轨两条提醒:编程 agent 正在改写确认机制与工具链边界,凭据隔离与人工复核闸门需要自己守住。
高质量数据集一周连落三子:广东行动计划、国家数据局表态、义乌国标首发
广东省政务服务和数据管理局等 12 部门于 11 月 16 日印发《广东省促进词元经济高质量发展行动计划(2026—2027年)》,国家数据局官网 11 月 21 日转载全文;「词元」是 Token 的官方中文名,指模型处理与计价的基本数据单位,也是这份文件把数据要素换算成可计量交付物的核心概念。文件要求上线「湾数」高质量数据集服务平台矩阵,围绕智慧能源、交通运输、具身智能、先进制造、低空经济等重点领域汇聚不少于 5000 个行业高质量数据集,并培育不少于 100 个可复制可推广的公共数据示范场景。11 月 20 日,国家数据局党组书记、局长刘烈宏在 2026 世界计算大会开幕式致辞中表示,行业高质量数据集经模型训练推理可转化为可计量、可交付的智能服务,下一步将健全词元计量计费、质量测评等标准规范,并明确要「坚决避免低质量重复建设」。11 月 20 日至 21 日的 2026 义乌人工智能出海发展大会上,20262584-Z-907 号国家标准计划《高质量数据集 具身智能 面向训练基地的数据采集与模型训练规范》阶段性成果首次公开,覆盖智能硬件数据采集、模型训练、质量核验三段标准化体系。需与两个既有文件区分:11 月 1 日已实施的工信部《人工智能 关键基础技术 具身智能数据集质量要求及评价方法》(中国信通院联合 40 余家单位起草,含完整性、一致性、多样性等八维度指标),以及 11 月 16 日工信部第 30 号公告的 5 项人形机器人行业标准(本系列 11 月 18 日期已报);本次分别是地方行动计划与国标计划的阶段性成果,均非正式发布的国标条文。
值得关注:这三件事把「数据集」从企业内部作业推到了政策、计量与标准的台面上,对数据工程背景的求职者是明确的岗位扩容信号。5000 个数据集与 100 个示范场景意味着买单方从本体厂商扩散到地方数据主管部门与平台运营方,工作内容是数据目录、元数据 schema、质量指标定义、交付验收口径与可追溯链——这些与数仓治理几乎一一对应,不需要先补机械或控制理论。更实用的一点是国标计划把「训练基地的数据采集与模型训练」写成规范对象:以后招标文件与验收单会按标准条款提问,能否读懂并落地一套质量要求,比会不会操作某款采集设备更能决定岗位层级。需要克制的是额度与实施细则尚未公布,5000 个是 2027 年前的汇聚目标而非当前存量,不宜据此推算即时招聘量。
来源:国家数据局转载广东行动计划 https://www.nda.gov.cn/sjj/swdt/dfdt/1121/20261121104115080156113_pc.html ;中国证券网·国家数据局致辞 https://www.cnstock.com/commonDetail/831778 ;中国义乌网·国标阶段性成果首发 https://news.zgyww.cn/system/2026/11/20/010310169.shtml
具身数据采集岗分层固化:采集 3 天上岗,质检与治理成为薪酬分水岭
腾讯新闻 11 月 20 日的人物报道给出一组此前少见的生产率口径:光轮智能每天约 800 至 1600 名采集员在岗,占其在册采集网络的 15% 至 25%;采集岗门槛很低,培训约 3 天即可上岗,质检与标注岗则要专门培训、周期更长。同一报道指出,一名采集员干满 8 小时,最终只有 2 至 4 小时能被算作可用数据,有效转化率 25% 至 50%,设备穿戴、场景复位与任务切换吃掉了大量时间;结算不看工时、只看「有效数据产出」,因此动作、语速与手部轨迹是否合规必须由企业质检体系判定。该报道还披露,一条数据从动作到资产要经过五道工序(任务拆解与采集参数定义、现场采集、质检、标注、归档回流),银河通用称其人类动作数据累计已超 100 万小时(该口径含互联网视频提取、重定向等来源),光轮智能平台任务超 2 万个、覆盖 2500 多个环境。11 月 22 日检索招聘平台可见分层同样体现在薪资:BOSS 直聘上具身智能数据采集师多为 3—7K/月或按有效时长 30—50 元/小时结算,而「具身智能数据采集项目经理」在北京报 15—30K·14 薪、重庆报 25—35K,岗位描述明确要求需求研判、方案制定、排期、成本管控与验收交付;智联招聘的一线采集与标注执行岗报 6—9K。三秦都市报 11 月 12 日走访给出的分层与此一致:居家兼职日薪 100 至 150 元、场景兼职约 200 元、普通全职月薪 3000 至 6000 元,掌握数据治理与质检能力的采集工程师月薪普遍 6000 元以上、资深可破万元(该组数字为 11 月 12 日媒体走访口径,非当日发布)。
值得关注:这条几乎是「机器人数据专家」定位的价格表。低门槛采集岗会随众包扩张继续放量,但 25% 至 50% 的有效转化率说明真正的成本黑洞在质检、清洗与口径定义,而不是录制动作;企业愿意为「能把有效数据率提上去」的人付到 15—35K,恰好对应数据工程师可迁移的能力——SOP 设计、质量指标与抽样规则、数据台账、供应商交付管理与验收标准。学习投入应避开「多练几种采集设备」,转向三件事:多模态时序对齐与质量校验、标注规范与一致性评估、按有效产出核算的成本模型。另一个现实提示是采集岗呈现明显兼职化与阶段性,媒体与从业者都判断达到某个数据阈值后需求会回落;把职业锚点放在治理与评估,比放在采集执行更抗周期。
来源:腾讯新闻《人物|给机器人喂数据的人》 https://news.qq.com/rain/a/20261120A0BB1Z00 ;BOSS 直聘·具身智能采集项目经理 https://www.zhipin.com/zhaopin/d7d23fd6a120d49d1nR63dm5Eg~~/ ;BOSS 直聘·数据采集师 https://m.zhipin.com/zhaopin/d58b0b15e287e7c11XF629q1/ ;智联招聘·AI 数据采集数据标注 https://www.zhaopin.com/jobdetail/CCL1515518720J40896382714.htm ;三秦都市报 https://epaper.sanqin.com/pad/content/202611/13/content_2591484.html
江苏省数据标注基地落子宿迁:38 家企业、5000 人、年营收预计 18 亿元
据宿迁市人民政府官网 11 月 20 日消息,在江苏省数智经济(高质量数据集和数据标注产业)创新发展环省行暨宿迁市数智经济供需对接会上,「江苏省数据标注基地(宿迁)」正式揭牌,同步揭牌江苏省大数据技术与应用工程研究中心宿迁联合创新实验室,并举行京东词元工厂点亮仪式。官方披露,宿迁目前已集聚专业标注企业 38 家、从业人员逾 5000 人,覆盖智能驾驶、智慧物流、具身智能机器人等领域;去年全市数据标注产业营收超 15 亿元、占全省超 60%,预计今年达 18 亿元。产能侧,京东集团在宿每周数据采集量超 3.5 万小时、累计采集超百万小时,建成投用其称为全球规模最大、场景最全的具身智能数据采集中心;帕西尼感知科技(宿迁)有限公司的具身智能全模态超级数据采集工厂累计生产超 1.2 亿条工作流数据、原始数据超 17PB。现场点名江苏奕启创科技、宿迁柏川机器人科技等企业覆盖数据「采、标、训、用、测」全链条——其中宿迁柏川即本系列 11 月 19 日期报道的完成 5000 万元 Pre-A 轮、在宿迁与厦门各建一处实训场的柏川数据,此次进入省级基地的产业名单,属该报道的后续落地进展。政策背景上,国家数据局《关于推进行业高质量数据集建设行动的实施方案》把「标注攻坚」列为六大专项行动之一,明确提出引导数据标注从「以人为主」向「人机协同、专家深度参与」的多层次模式转变。
值得关注:这条把前两条的抽象信号落成了可投递的地理与雇主名单。宿迁不是个例而是省级牌照加联合创新实验室的集群,38 家标注企业、5000 名从业者和 18 亿元年营收说明数据标注已形成地方产业,而非某家本体厂的内部车间;京东周采 3.5 万小时、帕西尼 17PB 原始数据的量级,意味着岗位不只在「采集」,更在处理海量原始数据的入库、清洗、版本管理与质量抽检。官方措辞「人机协同、专家深度参与」尤其值得留意:它把单纯人力标注与需要领域判断的质检/评估分开,后者正是数据工程师的切入位。求职时可按「采、标、训、用、测」五段对照自己的技能缺口,优先补「测」(评测集设计与指标口径)——这一段目前公开披露的从业者最少,也最难被众包替代。
来源:宿迁市人民政府 https://www.suqian.gov.cn/cnsq/sqyw/202611/daac5b8302054936a3394cb87efb3456.shtml ;速新闻(网易转载) https://www.163.com/dy/article/LC9J6ITD0550A69G.html
众擎发布 Awaken-HI:5 万小时人类视频预训练,给出具身数据的规模定律
众擎机器人(EngineAI)于 11 月 19 日 17:03 UTC(北京时间 11 月 20 日凌晨)向 arXiv 提交论文《Awaken-HI: Scaling Humanoid Intelligence with Whole-Body Human Experience》(编号 2611.26420),11 月 20 日起被多家论文解读站点收录。团队构建 Awaken-Human 语料:约 5 万小时第一人称立体视频与同步全身人体运动配对,含 17.02 百万条 episode(一段完整演示片段)、覆盖 100 多项技能、54.1 亿姿态帧与 1118 万条有效语言指令;采集用 PICO 头显加五个体戴追踪器,管线包含 3D 手部重建、人工复核的子任务标签、立体深度估计与低质量片段过滤。模型以 Qwen3-VL 为视觉语言骨干,用一个共享「动作专家」同时预测原始人体动作、重定向到 T800 本体(众擎的人形机器人型号)的机器人动作与相对相机的腕部位姿,部署时把头相机图像、指令与关节状态转成 40 维全身控制目标——这类把图像与语言直接映射为机器人动作的模型统称 VLA(视觉-语言-动作模型)。规模实验用 5000、12500、25000、50000 小时嵌套子集:预训练数据从 5000 增至 50000 小时,归一化动作推理误差降约 11%、验证损失降 18.8%,三项家务任务平均成功率从 56.7% 升至 90.0%;全量语料加约 150 小时 T800 真机遥操作后训练后,8 项单项任务平均成功率 93.75%,对比 GR00T N1.7 的 58.75% 与 π0.5 的 57.5%(二者均为已有的开源机器人基座模型)。边界必须说明:以上全部为团队自报,每项任务仅 10 次试验且未给置信区间(单次结果即改变 10 个百分点),仓库标注推理代码、模型权重与仿真平台仍待放出,目前无独立复现。
值得关注:这条把「数据规模值不值」量化到了可讨论的程度,也直接画出数据岗位的技能清单。5 万小时不是靠堆人录出来的,而是靠采集设备同步、3D 手部重建、子任务标注、深度估计、低质量过滤这条自动化管线;论文里 5000 到 50000 小时的曲线,本质是数据管线产能与质量控制的曲线。对入行者,可复用的能力是模态时序对齐、自动化质检规则、标注一致性校验与数据版本管理,而不是模型结构本身。它与本系列 11 月 19 日期报道的 HubEgo-100K(无本体人类视频、标注由视觉语言模型生成且未经人工核验)构成同一路线的两端:一端追求规模与多样性,一端靠人工复核子任务标签换质量,两条路线对数据治理的要求不同,可分别准备。需要警惕的是权重与推理代码未放出、结果未复现,不宜把 93.75% 当作行业已达水平。
来源:arXiv 2611.26420 https://arxiv.org/abs/2611.26420v1 ;项目主页 https://engineai-robotics.github.io/Awaken-HI ;Data Phoenix 解读(含复现边界) https://dataphoenix.info/news/engineai-awaken-hi-humanoid-training
编程 agent 运行时集中更新:确认机制一收一放,harness 成为独立变量
11 月 21 日两份编程工具日报记录了同一周的版本密集变动。Claude Code 从 v2.1.328 更新到 v2.1.330,新增企业组织登录与面向 Opus 4.6、Sonnet 4.6 的云 auto mode,2.1.329 在信任对话框中标明文件夹 hooks 的声明位置、并在托管 hooks 于非交互宿主加载失败时于对话内告警(Harness Hub 口径)。对同一版本 2.1.329,AGI Hunt 引第三方逆向项目 ClaudeCodeLog 称其删掉了「高影响操作前必须确认」的系统提示规则——删除、force-push(强制覆盖远端分支)、修改 CI(持续集成流水线)与公开发帖不再被强制征询,系统提示 token 减少 55,698、降幅 76.7%;两种描述口径不一致,官方更新日志未见「删除确认」表述,此处并列标注、不替读者择一。OpenAI 侧,Codex CLI v0.171.0 把 GPT-6.2 Sol 设为默认并加入 Astra,TUI workspace 默认开启;Responses API 中 GPT-6.2 的智能体可沿用前轮推理继续、以更少 token 得到更好结果并提高缓存命中率;Codex 把 WebSocket 上限从 16MB 提到 128MB,以免大 turn 退回 HTTP。Gemini 4 Neon 同期进入 Goose 1.60.2、Cursor 与 Antigravity 的付费档,Cursor 标价每百万输入 3 美元、输出 15 美元;Gemini API 的 Dynamic Tool Retrieval 预览允许 agent 挂上数百个 defer 函数(延迟加载的工具定义)与远程 MCP(模型上下文协议,agent 调用外部工具的统一接口),平时只暴露精简名称。一个值得记住的对照:Harness Hub 收录的社区观察称 Gemini 4 Neon 仅更换 harness(包裹模型、负责调度上下文与工具的外层执行框架)就在 SWE-sweep 上从 12.8% 升至 39.0%,该数字为社区帖而非官方基准。
值得关注:对工具选型,这一周的信息不是「哪个模型更强」,而是「同一模型换外层框架分数能差三倍」,以及各家都在把工具定义延迟加载、把确认流程自动化——评估编程 agent 时应把 harness、权限边界与审计能力列为独立检查项,而不是只看模型榜单。对个人技能栈,删不删强制确认是工具方的取舍,但机器人公司的数据岗位处理的是含家庭画面、工位与人脸的敏感采集数据,人工复核闸门必须自己保留:把删除、覆盖、外发类操作留在需显式批准的一侧,比追求全自动更稳妥。另有一层现实含义:AI coding 已是数据岗的默认生产方式,能读懂 agent 会话记录、约束脚本执行范围、把 SOP 写成可复用规则,正在从加分项变成基础项。
来源:AGI Hunt·AI 资讯日报 2026-11-21 https://agihunt.info/daily/latest ;The Harness Daily 2026-11-21 https://www.harness-hub.org/daily
编程工具链安全周:Cursor 供应商密钥泄露,Copilot 上线 PR 密钥扫描
11 月第 20 周开发者周报披露两起与编程工具链直接相关的安全事件。Cursor 称其一家供应商(Fireworks,为 Cursor 提供模型推理)泄露的密钥导致攻击者读取了存储的 coding agent traces(agent 会话记录),并借此触达 Cursor 使用的 SaaS 工具,部分客户发给支持团队的凭据也被访问。Cursor 给出的处置建议相当具体:曾把 API key 或密码贴进支持工单、或在 2025 年 Privacy Mode 关闭时贴进 agent 对话的用户都应更换密钥,因为其对 traces 的脱敏并不完善;从最终 diff 删除密钥也不会抹掉分支历史中的记录,任何进入过 PR(Pull Request,代码合并前的评审请求)的密钥都须轮换。同一窗口,GitHub Copilot 代码审查在公测中新增 PR 内泄露凭据标记,官方称可匹配 500 多种已知凭据格式、其余用模型识别,并提供 Lite、Balanced、Max 三档审查深度。研究人员检查 159,041 个 Lovable 项目,发现部分应用向未登录访客暴露护照号、聊天记录与邮箱;在 24,664 个页面加载时读取数据库记录的站点中有 7,403 个(约 30%)出现邮箱地址,某论坛暴露超 20 万条聊天消息——该 30% 为该子集占比,并非全部 Lovable 应用的比例,且部分地址可能本就是公开联系方式。
值得关注:这条对入行技能栈的意义在于「数据合规与凭据治理」是被低估的差异化区间。具身智能采集数据常含家庭环境、人脸与工单信息,一旦进入 agent 会话记录或支持工单,泄露面比普通代码仓库更大;工具选型时应把会话留痕是否可关闭、密钥是否可轮换、日志是否脱敏、PR 审查能否强制开启写进清单。可迁移到日常工作的动作很具体:把 API key 与采集数据分库存放、给 agent 配置最小权限、对含敏感数据的仓库启用 PR 密钥扫描、定期轮换曾出现在对话里的凭据。对求职而言,能说清「采集数据全生命周期的合规边界与追溯链」,比多会一个标注工具更能对应到数据治理与质量评估岗位。
来源:Builder Within Issue 20 https://builderwithin.com/articles/weekly-20
