看到灵初智能要冲百万小时数据、还在全国建采集中心那条新闻，我第一反应不是"厉害"，而是"这活儿其实挺费人"。

很多人以为机器人数据是自动生成的，其实大部分靠真人遥操作，一遍遍地示范、纠正。所谓大规模数据采集中心，说白了就是一个分布式的人力密集产业——教机器人干活这件事，短期内还得人来教。这说明具身智能的瓶颈已经从算法转向了"组织人力的能力"，谁能高效铺采集网络，谁就先跑。

不过我有个疑虑：堆时长是有天花板的。同质化遥操作数据的边际价值递减很快，真正值钱的是多样性——长尾场景、失败案例、不同环境下的泛化能力。单纯拼"百万小时"这个数，有点像当年拼参数量，听着唬人，实际含金量存疑。有没有公开过这些数据的场景分布和标注质量？没有的话，总量参考价值有限。

另外这个模式很像云计算早期建IDC：基础设施一旦铺开，后来者想追就得重走一遍烧钱的苦路。谁先形成规模，谁就捏住了具身智能的燃料定价权。这条赛道接下来拼的可能不是模型，而是采集网络的铺设速度和数据清洗的工程能力。

数据军备竞赛开始了，只是不知道最后烧出来的是通用能力，还是一堆重复劳动的录像。

我印象里还没哪家真公开过场景分布，这点你疑得对。不过从某种角度看，先把采集网络铺开本身就是壁垒。

想起以前带人干活的时候，人手铺得越开，同一道工序做出来的差异就越大。楼主把采集中心说成“分布式人力密集产业”挺贴切，但“组织人的能力”这条，难的恐怕不在铺网速度，而是让几百号人在不同站点产出可对齐、可复现的示范数据。质量方差会随站点数往上走，而清洗和对齐这些异构数据的工程成本，常常被“百万小时”这种总量叙事盖过去了。

顺带对IDC那个类比存个疑：云计算早期建IDC，算力是高度可互换的标准品，先发者的规模优势能沉淀成真实的定价权。但机器人遥操作数据高度依赖具体本体的构型和运动学，换一代硬件，旧数据能直接迁移的比例存疑。也就是说这“燃料”的标准化程度远不如算力，所谓定价权可能没那么牢。

至于拼时长有没有天花板——从某种角度看，LLM领域那套scaling law在具身这边是否成立，目前公开证据还很有限。同质遥操作数据的边际收益递减是常识，真正拉开差距的更可能是长尾和失败样本的密度。楼主追问场景分布和标注质量有没有公开，这个很关键：没有这些元信息，总量数字基本只有PR层面的参考价值。

最后好奇，这些采集中心的人力是怎么定岗计件的，有没有人算过单条有效轨迹背后的人力成本？

补充一点：sim2real加视频模仿学习也在分流数据，"大部分靠遥操作"这判断可能偏绝对了

"百万小时"读着就沉。从前巷口有个修鞋的老头，一辈子钉同一种鞋掌，手腕熟到不必过脑。旁人夸他稳，他倒说，怕的不是做错，是做顺了，顺了就看不见手里的东西了。其实

你写"失败案例才值钱"那处，是整篇里最戳中我的一句。一万次标准的抓取，大约不如一次失手来得有分量。若采集只收该有的样子，网络铺得再广，离真实的世界也始终隔着一层薄玻璃。

数据军备这词到底用得狠。最后烧出什么还不知道，可那些蹲在镜头前、一遍遍教机器怎么端稳一只杯子的手，已经先把自个儿的一段光阴，安静地交了出去。

笑死 数据军备竞赛哈哈 不过拼时长这事儿迟早触顶吧 长尾场景才是真难啃的骨头

笑死 重复劳动录像哈哈哈 神总结 我以前007那阵子也差不多 纯重复劳动 人家好歹教出个机器人 我那会儿啥也没攒下

看你说教机器人还是得人来手把手示范…，莫名觉得挺touching，机器再聪明第一步也是人在教。你说的同质化数据边际递减我也很认同，堆时长不如多收点失败案例和长尾场景值钱，真希望他们能公开下场景分布，不然这百万小时听着还是有点虚~

瓶颈不是从算法"转移"到了人力，是两者串在一起。算法这头还远没吃饱，数据只是卡在供给端，别当成二选一。

顺着你那个IDC的比方往下想，我反而觉得"燃料定价权"这个说法可能得打个折扣。嗯嗯石油是不可再生的硬稀缺，挖一桶少一桶，谁捏住油井谁真能卡脖子。但数据是能反复再生产的，而且旧数据的折旧速度，可能比这条赛道里的人愿意承认的更快。等哪天出来一个更吃"少而精"的数据效率方法，现在堆出来的那几百万小时同质录像，价值会不会一夜缩水？靠规模筑墙的逻辑，在训练数据这儿没那么稳。

再说多样性那块，我有个补充。长尾场景、失败案例这些真正值钱的，恰恰是最难scale的部分。百万小时采集工厂天然会去优化"便宜、能大量复制"的那一段——也就是重复性的遥操作示范，而这正好是你说的边际价值掉得最快的那一段。这里有个挺拧巴的结构错配：能廉价铺量的，偏偏不太值钱；真正值钱的，又偏偏铺不起量。所以光看总数确实像拼参数量，唬人但水分不小。

还有一层你点到但没展开——人类示范本身有个天花板。嗯嗯机器人照着人学，上限大概就是"人能干的事"，想让它操作上超过人，光靠模仿不够，最后多半还得靠仿真里的self-play或者从失败里学的RL。可人天生不擅长示范失败，这部分反而最贵、最缺。

是呢所以烧出来的是通用能力还是重复劳动录像，关键可能不在"烧了多少小时"，而在那些小时里有多少是不可替代的多样性。加油呀话说回来，你觉得他们到哪个量级会撞上遥操作的天花板，然后被迫转RL那条路？

楼主担心同质化数据边际递减，这点我倒是有点切身体会。

年轻时候我沉迷游戏，差点把学业搭进去。后来回头看，最废时间的就是机械刷同一个副本——等级上去了，真遇上没见过的boss照样被秒。嗯…真正长本事的，反而是那些乱七八糟的野路子遭遇战。

所以百万小时这个数，听着响，里头要是九成都是重复示范，含金量确实要打问号。撑起泛化能力的从来不是时长，是那些奇奇怪怪的corner case。不过话说回来，先有量才能谈筛选，连采集网络都没铺开的时候，纠结多样性也有点早，烧钱这路横竖得有人先走。

btw我也好奇他们公开不公开场景分布，不透明的话，吹水量就太大了。