| 前身 | FrodoBots Lab（2022 年，Michael 与 Sam Cho 兄弟的周末项目）— 把机器人数据采集游戏化，奠定 BitRobot Network 基础 |
| 成立 | BitRobot 网络 2025 年（est. 2025）；2025.2 与 Protocol Labs 合作，创始人 Juan Benet 与前生态负责人 Jonathan Victor 加入共建 |
| 核心团队 | Michael Cho、Sam Cho（FrodoBots 创始人）；Juan Benet（Protocol Labs 创始人）等 |
| 定位 | "World's open robotics lab" — 开放机器人实验室：协调全球贡献者、机器人与代码，加速具身智能研究 |
| 模式 | subnet 架构（各子网专攻不同任务：导航数据、遥操作演示、第一视角视频、仿真数据）；Verifiable Robotic Work 链上验证与奖励 |
| 数据成果 | FrodoBots-2K 数据集（Hugging Face 开源，2024.5）；16,000+ 小时导航数据（近半开源）；被 UC Berkeley RAIL、Princeton 等学术团队使用；Earth Rovers 获 IROS 第一名（与 Google DeepMind 合著论文） |
| 资金 | 累计约 $8M：$6M Seed（2025.2，Protocol VC 领投）+ 此前 $2M；投资方含 Solana 系与加密 VC |
把机器人数据采集变成游戏与任务（quests），用 tokenomics 激励全球贡献者参与，共享网络收益。
产出跨场景数据（任一场景数据改善所有模型），服务具身 AI 研究与模型开发，同时以开源 + 竞赛建立生态话语权。
Michael 与 Sam Cho 兄弟的周末项目：把机器人数据采集游戏化，连接玩家、机器人与研究者。
首款游戏把路边机器人变成全球寻宝的可玩角色，40+ 城市数千人参与，验证网络激励驱动大规模数据采集。
全球首批大规模真实人行道机器人轨迹开放数据集之一（Hugging Face）；支持 UC Berkeley RAIL Lab 训练通用导航模型。
机器人导航挑战赛，论文与 Google DeepMind 等研究者合著；推出 EarthRover 挑战赛。
Juan Benet、Jonathan Victor 加入共建 BitRobot Network；$6M Seed 由 Protocol VC 领投，累计 $8M。
提出基于 subnet 的分布式机器人工作与协作架构。
BitRobot Foundation 启动 DARPA 式公开竞赛基金；与 Virtuals 推出 SeeSaw（链上验证视频任务）。
导航数据累计 16,000+ 小时、近半开源；SN/01 ET Fugi 等 subnet 持续运营，社区网络全球扩张。
| 公司 | 模式 | 采集方式 | 阶段 / 融资 | 与 BitRobot 的差异 |
|---|---|---|---|---|
| BitRobot | 众包 + 代币激励 + 开源生态 | 人行道机器人导航 / 视频任务 / 仿真 | 累计 $8M（Protocol VC 系） | 本体：Web3 × 具身，游戏化 + 链上验证，开源学术背书强 |
| Ropedia | 设备 + 4D 重建 + 数据服务 | 头戴 HOMIE 多模态 | Pre-A $22M（2026.7） | B 端专业交付 vs BitRobot 社区众包；无代币机制 |
| Shift / MicroAGI | 众包 gig-worker | 头戴手机第一视角（体力劳动） | Seed $55M（2026.7） | 现金激励（$20/小时封顶）vs BitRobot 代币激励；面向劳动场景而非机器人车队 |
| Mecka AI | gig-worker 人体动作数据 | 身体传感器 + iPhone | $60M（2026.10） | 商业化合同制 vs BitRobot 开放网络与开源数据 |
| Scale AI / 传统标注巨头 | 企业级标注与交付 | 全模态，闭环交付 | 巨头 | 私有交付 vs BitRobot 开放透明生态；标准话语权竞争 |
估值与融资深度绑定加密市场周期；代币激励涉及证券/激励合规与监管不确定性，宏观波动直接影响网络活跃度。
众包 + 链上验证的真实性与任务完成质量存疑；专业、长尾、稀缺场景数据仍需专业采集团队，网络模式更擅长规模而非精度。
开源 + 竞赛模式积累声誉，但收入模型（数据销售 / 服务 / 代币价值捕获）尚未公开验证。
16,000+ 小时导航数据集中在人行道场景，具身智能客户所需的操作/灵巧手等数据供给仍依赖其他来源。
UC Berkeley RAIL、Princeton 与 Google DeepMind 合作论文，使数据资产在学术圈获得权威认可，标准话语权强。
低成本机器人 + 全球贡献者 + 代币激励，规模化边际成本低，是数据采集"资本开支"型路线的轻量替代。
"任一场景数据改善所有模型"的网络效应设计，配合 subnet 多任务架构，具备跨场景数据复用的长期价值。