设想一位熟练工人，花了很多年才学会怎样在材料略有差异时调整动作。他参加一次机器人训练，获得示范报酬。几年后，类似能力被部署到许多地点，持续产生收入。
这不自动意味着他依法拥有每一次机器工作的收益。它提出的是另一个问题：我们在签下那份示范协议时，究竟给什么定了价？
是几小时的劳动，是一批数据的使用许可，还是一种可以不断复制的能力？
Physical AI 让经验获得了新的传播方式，也让经验贡献的交易方式值得重新讨论。
Physical Intelligence 对 π0.5 的研究介绍，展示了多种知识来源与训练数据在机器人泛化中的作用，也公开承认系统仍会在理解与动作上犯错。机器能力依赖数据，但这不能推出“某一个动作属于某一个人”，更不能直接推出劳动者享有普遍的后续分成权。研究团队说明
一次示范，包含哪些交易关系？
讨论收益之前，需要把几种关系拆开。
示范劳动报酬，支付的是时间、技能与劳动条件。即使模型最终没有商业成功，已经完成的工作也不应在讨论中被抹去。
数据使用许可，回答的是资料可以用于什么、由谁使用、能否转交，以及约定期限。实际权利还受合同、身份关系、数据内容和适用法律影响，不能简单认为“是我做的动作，所有相关数据就完全归我”。
技能服务费用，可能支付持续的标注、质量改进或新场景适配。它是持续交付，不同于把一次示范无限延长计费。
收益参与，则是另行约定的经济安排：达到某些条件之后，贡献者获得奖励、收入分成，或通过合适的组织形式参与资产收益。它有潜在上行，也可能伴随长等待、不确定性和执行成本。
这四种安排可以组合，也可以经充分说明后作出取舍；但未来收益参与不能被含糊地用来抵销已经明确承诺的当期劳动报酬。尤其不能用一个听起来很有前景的未来分成，把当下已经付出的劳动压成几乎免费的投入。
一个动作，到底贡献了多少价值？
一个直接的质疑是：机器人能力来自大量示范、模型架构、算力、工程、安全验证、客户部署与资本投入。为什么单独给数据贡献者分红？又怎样知道某个动作贡献了多少收入？
这是必须认真回答的问题。
模型会把许多来源的信息结合起来。一项任务成功，通常无法沿一条清晰路径追溯到唯一示范。某个样本被调用、被训练，并不等于它产生了可单独计算的边际价值。记录上传次数很容易，准确分解收益却很难。即使使用链上记录，也只能增强记录的一致性，不能自动解决贡献归因。
从可以执行的合作方式开始
因此，我不认为下一步应该是给每一个动作标一个永久抽成比例。更可行的起点，是围绕可识别的合作关系设计简单合同。
第一种是充分的一次付费。对于范围明确、时间有限的采集项目，较高的确定报酬可能最符合贡献者的需求。选择确定性不意味着缺乏远见，很多家庭没有能力承担一家初创公司未来是否成功的风险。
第二种是基础报酬加里程碑奖励。项目完成约定的数据质量、场景覆盖或验收目标后，参与者获得额外支付。里程碑要能独立核对，不能只由付款方随时改变标准。
第三种是集体收益池。对贡献难以逐个分解、但合作群体清晰的项目，可以探索把约定范围内的一部分收入用于参与者奖励，再按照事先商定的规则分配。它牺牲了虚假的精确性，也需要处理群体边界、成员进入退出和内部公平。
第四种是持续合作。让熟练从业者参与错误分析、测试和新场景开发，可能比一次采集更能保留他们的议价能力。收益来自持续提供稀缺判断，而不仅是过去留下的数据。
这些都是可谈判的设计选项，不是已经被证明适用于所有行业的最优方案。实施之前，需要看管理成本是否会吞掉收益，贡献者是否能够真正理解并执行约定。
长期分成，首先需要清楚的账
一份长期分成协议，至少应该把几件事写清楚：按哪个产品或业务计算，依据收入还是利润，扣除哪些费用，多久结算，如何核验，产品改名或业务转让后怎样处理。
“分享利润”听起来慷慨，如果利润口径可以随意分摊，承诺就可能很空。“每次使用都付费”听起来精确，如果系统无法识别使用关系，承诺也可能无法兑现。好的机制需要从可以核对的账开始。
授权与撤回，不能轻率承诺
另外，授权必须考虑采集对象之外的人与组织。示范可能包含客户信息、家庭画面或雇主的工艺秘密，不能仅凭一个参与者同意便推定所有用途都获得许可。未来撤回也要说清楚：停止继续采集、删除原始资料和让已训练模型不再受其影响，是技术上不同的事情，不应轻率承诺能够一键全部消除。
让贡献者拥有真正的选择
对企业而言，提前处理这些问题不只是增加成本。清晰的范围、可靠的报酬和反馈渠道，可能让高技能人员更愿意参与，也让数据合作能够持续。这个效果仍需要在具体项目中验证，不能把“公平”包装成必然提高利润的口号。
我建议从一个规模可控的试点开始：同样保证基础报酬，让参与者在不同奖励安排间作出知情选择；记录理解程度、争议、管理费用和合作持续性；到期后公开汇总结果，再决定是否扩大。不要先发一种代币，再寻找它代表什么权利。
上一篇讨论机器背后的劳动，这一篇讨论劳动留下的可复制能力。两者共同指向一个选择：我们是否愿意在技术扩散之前，把贡献、报酬和风险说明白？
经验可以帮助机器成长。制度和合同，也可以让贡献经验的人拥有更多选择。
如果你的技能将被用于训练机器人，你会选择一次性较高报酬，还是基础报酬加长期收益参与？什么信息会改变你的选择？
资料截至 2026 年 10 月 20 日。本文提出合作机制建议，不主张任何普遍适用的自动产权或法定分红权。