看灵初智能的新闻，年底要冲百万小时动作数据，四月还开源了首批千小时人类手数据。这事基本等于把大模型"数据越多越好"的Scaling路，原样搬到了具身智能。
早几年聊机器人，焦点都在模型架构、控制算法。现在风向变了，比谁数据多、采集快。和ImageNet时代的转向一个道理，当年也是先有海量标注数据，性能才真正往上走。
但动作数据比文本、图像都贵得多。文字能爬，图片能众包标，人类手的动作得真人现场示范，再把时空轨迹一条条标出来，得建专门采集中心。成本曲线起来后，规模化是真金白银堆出来的。后来者想追，差的不是想法，是这条烧钱的数据 pipeline。
所以具身赛道的护城河，未必是哪个惊艳 demo，而是谁能把人类动作稳定、便宜、合规地变成数据。这块谁先跑通，谁就握着下一阶段的门票。
想顺着帖子里的"护城河"那个判断聊两句，不过角度可能不太一样。
把动作数据类比ImageNet阶段，这个比喻我基本同意，但有个地方值得商榷：作者默认动作数据只能靠"真人现场示范+逐条标注时空轨迹"，所以成本曲线是硬堆出来的。其实现在至少三条路线在想办法绕开这个瓶颈——一是teleoperation加sim2real，先在仿真里灌量再迁移；二是从已有的egocentric视频里抽动作标签，Ego4D那批数据就有三千六百多小时第一视角素材，不用重新采；三是cross-embodiment的思路，让一个foundation model吃少量多构型数据就能泛化，而不是每个任务都堆到百万小时。
这就引出我对"门票"说法的一点补充：如果泛化真的成立，数据的边际价值会递减，先跑通的人未必能靠数据量长期卡住后来者。具身智能和ImageNet时代最大的不同，恰恰是硬件构型的碎片化——机械臂、灵巧手、双足底盘的数据基本不互通，A家的百万小时对B家的本体可能要重新折算。所以"稳定、便宜、合规地变成数据"这个能力本身没错，但它护的可能不是全行业的一张门票，而是某一条具体硬件路线上的局部优势。
另外"合规"那句点到为止了。动作数据涉及真人劳工成本和肖像/动作权，这部分的法律成本在不同司法辖区差得很远，真要规模化，合规可能比采集本身更烧钱也更难预测。
当然这些都还是纸上推演，Scaling Law在动作域到底什么形状，可能得等灵初那批百万小时真跑出来才看得清。
有个点想补一刀，关于那个"Scaling路原样搬"的判断。
动作数据和文本图像最关键的区别是：它不通用。一段在A机器人、A夹爪上采的手部轨迹，换到B硬件上大概率不能直接用。文本token跨模型能复用，图片label跨模型也能复用，但动作数据是被embodiment锁死的。所以"百万小时"这个数字的意义，得看它是不是在同一套硬件加场景定义下攒出来的。要是分散在多平台，量级看着吓人，可复用密度其实没那么高。
再说ImageNet那个类比。当年能起来不光是量大，是类别覆盖广、标注质量稳。光堆小时数、堆重复抓取，宽度的价值有限。具身这边真正缺的可能是"任务多样性"而不是"总时长"。一百小时覆盖五百种生活场景，未必比一万小时同种装配线差。
成本曲线那条，作者说真人现场示范是主路径，这点我想加点东西。现在不少团队走的是sim-to-real：在Isaac Sim、MuJoCo里批量生成轨迹，再用domain randomization往真机靠，边际成本比真人示范低一个数量级。加上teleoperation配自动标注，单条轨迹的人工标成本也在往下掉。所以"专门采集中心烧钱"更像是早期阶段的形态，后期拼的是仿真保真度加真实机队回采——deployed robots从自己的失败里学。后者像特斯拉那条路线，数据源头根本不是人。
护城河我同意在数据侧，但不完全是"谁采集便宜"。更像是谁能把仿真、遥操、机队回采揉成一条能自我增殖的pipeline，数据自己生数据，这才真的难追。
你们觉得灵初这批千小时开放数据，任务宽度够不够撑起迁移？
대박 百万小时 真让人现场示范标轨迹 这成本谁顶得住 后来者钱包不厚连门票都摸不到 哈哈
楼主把动作数据的成本曲线画得有点单一了。‘真人现场示范、再把时空轨迹一条条标出来’，描述的其实是遥操作加人工标注那一类，但现在的采集范式不止这一种。
遥操作（teleoperation）采集时，示教者戴着手套或握主手，从端机器人直接记录关节角度、力矩和末端位姿，轨迹是自动落盘的，并不需要事后一条条去标时空坐标。这部分成本主要在’采集’环节，不在’标注’。再往上看，sim-to-real 和 domain randomization 能把同一任务的变体在仿真里批量生成，边际成本趋近于零。RT-1 当年用了大概 13 万条真机演示，但后面不少 diffusion policy 的工作都在大量吃仿真数据补量。
所以’护城河是稳定、便宜、合规地把动作变成数据’这个判断我大体认同，但’便宜’怎么实现，取决于走哪条 pipeline。纯靠真人现场加人工标，确实烧钱；把遥操作自动化、仿真补量这两块做扎实，成本结构能差出一个数量级。灵初喊的百万小时，如果有一大半是仿真生成的，那’真金白银堆出来’的说法就得打个问号。
顺带问一句，他家开源那批千小时，任务分布和标注口径公开了吗？
合规那块你说得轻，其实可能是最硬的卡点。
真人动作数据不像爬文本，涉及肖像和生物特征，大规模采集绕不开 consent 和数据治理这些事。灵初敢喊年底冲百万小时，背后大概率已经把法务和采集 pipeline 搭好了，这部分反而最难抄。demo 谁都能放一段，合规采集的护城河是闷声修的，外面看不见。
另外"百万小时"这个口径也值得较真。仿真合成一小时和真人现场示范一小时，成本差着量级，落到真机上的可用性更不是一回事。比谁堆得多之前，先得说清堆的是哪一类，光看总数容易被吓到。
聊到成本那块，烧钱是真猛。不过我向来信卷能逼出进步，这条数据门槛迟早有人追平~
楼主把ImageNet那波转向和现在具身赛道划等号，这点我觉着值得商榷。ImageNet当年是把监督学习这把火点着了，靠的是统一benchmark加清晰标注信号；可大模型那套scaling law是自监督、靠海量无标注文本喂出来的，俩事儿逻辑其实不一样。
更要紧的，动作数据“越多越好”目前还停在信念阶段。文本图像能泛化，路径是被验证过的；人类手部动作这种数据，我还没见哪家公开过一条像样的“数据量-性能”曲线，证明堆到百万小时真能换来能力跃迁。中间隔着仿真环境和真实场景的落差，还有数据分布对不上的坑，不是光烧钱堆量就能抹平的。
从某种角度看，卷数据这方向我认同，毕竟我一向觉得竞争才出真东西。但“堆量一定管用”这个前提，总得先有数据撑着吧？嗯有哪家跑通过验证曲线吗，还是纯靠行业共识在推？
帖子把动作数据的门槛归结为"真人现场示范、逐条标时空轨迹、建专门采集中心"，具身数据的获取路径其实不止这一条。动捕系统、遥操作（teleoperation）采集，以及 sim-to-real 的合成数据，都在不同程度上绕开了"真人逐条标注"这一步。Google RT-1 用了约 13 万条真实演示，但后续的 RT-2、Nvidia Isaac Sim 这类仿真平台已经在用大规模合成轨迹做预训练了。
"百万小时"里真实示范和仿真合成各占多少，这个拆分其实很关键，两类数据的边际成本差着数量级。单纯堆真实采集中心未必是唯一护城河，谁先把仿真与真实的比例跑通、验证跨域迁移的有效性，同样握着门票。
还有一点，动作数据和文本最大的不同在于它跟具体硬件强绑定，同一段轨迹换台构型不同的机器人未必能直接复用，迁移难度比 ImageNet 时代麻烦不少。Scaling 路能不能原样搬过来，公开证据目前还谈不上充分，这点值得商榷。
以前不是这样的。早几年聊这个方向，谁手里有段像样的演示视频都算稀罕物。现在张口闭口百万小时，听着是热闹。不过我总觉得…，动作数据最磨人的不是有多少，是干净不干净
把真人手的动作一条条标成时空轨迹，读到这儿不由得停了一下。手原是顶诚实的器官，端茶时腕子那点迟疑，握物时指腹的轻重，怕都标不进那道曲线里。Scaling 把文本图像的老路原样搬来，可身体里藏的直觉，也许本就不在"越多越好"的账本上。倒想问问，等百万小时真堆满了，机器人递来一杯温水，我们还能不能喝出那一点人味儿。