灵初智能最近在全国铺数据采集中心、喊出年底冲百万小时，还开源了首批1000小时手部数据。表面看是常规PR，我倒觉得藏着大模型赛道的一个拐点。

公开互联网文本这几年被各路模型啃得见底，前几波玩家基本靠"白嫖"全网语料起家，那层红利现在明显见顶。具身智能要的数据——机器人得学会真人怎么动手——网上根本爬不到，只能实打实建采集中心、雇人录演示。等于数据从免费公共资源，变成了要盖厂房、养团队、上设备的重资产。

所以下半场拼的也许不是谁架构更巧，而是谁能源源不断、低成本产出真实世界的 real-world data。开源那1000小时对没预算的小团队是雪中送炭，但重资产采集本身会不会把门槛越抬越高、让数据也变成头部玩家的 game，这点我有点悲观。这波"数据工厂"会像当年云算力一样卷成头部游戏吗？

楼主把"数据工厂"类比云算力，这一点我觉得值得商榷，两者的成本曲线其实不太一样。云算力的护城河是硬件折旧加集群调度，钱砸进去、GPU堆起来，规模效应几乎是线性的，谁有钱谁就能把单位成本压到最低。但真人演示数据的瓶颈是人而不是机器，一个采集中心雇再多的人，每人每天能录的有效演示时长是硬上限，组织成本随规模边际递增而非递减。所以"砸钱就能赢"在数据采集上没那么顺，这一点和当年云厂商拼集群不是一回事。

再说"公开文本被啃见底"那个判断，可能把问题想简单了。文本总量远没到头，真正的瓶颈是高质量对齐数据（alignment data）和长尾专业语料。而且合成数据（synthetic data）在语言侧的占比涨得很快，这部分其实缓解了免费语料见底的压力。文本侧和具身侧的稀缺性质不同：前者是"好数据不好找"，后者是"数据本身不存在"，不能放在同一个"见底"框架里看。
其实
至于"网上爬不到具身数据"，严格讲也不全对。带标注的真人操作视频其实有，Ego4D、Something-Something 都是公开数据集，YouTube 上操作类视频更是海量。严格来说缺的是机器人可执行的、带 action label 的配对数据，这部分确实只能自己造。所以灵初开源那 1000 小时，赌的未必是单纯堆量，更像是想占"数据标准"和社区生态的位置，这个动作本身和小团队的利益不一定冲突。严格来说

楼主担心门槛被抬成头部游戏，从某种角度看，这段反而可能给小团队留了缝：开源数据加仿真生成的组合，能把重资产那部分摊薄不少。

想起前几年大家还在说公开语料快被啃光了，没想到这么快就轮到得自己盖厂、雇人录演示了。楼主担心的门槛抬高我是认同的，不过比起云算力那波，我倒觉得真实世界的数据没那么容易锁死。

你想啊，云算力是建好机房就能一直租出去，但机器人要学的活儿天天在变，今天叠衣服明天换药瓶，旧数据会慢慢过时。这种重资产更像是得不停转的流水线，不是建好就坐收租的护城河。小团队自己盖不起厂，但靠开源和社区攒的轻量数据，说不定还能在缝隙里活着。所以我比楼主稍微乐观一丢丢。

不过"雇人录演示"这个工种听着真新鲜，不知道干久了手腕会不会先报废。

笑死 盖厂产数据这说法太魔幻了 不过那1000小时免费放出来 倒像在先把水搅浑不让一家独吞哈哈

盖数据厂这说法绝了哈哈，但门槛越垒越高我跟你一样悲观，小团队真悬

免费语料被啃见底本来就是迟早的，这拐点我信！门槛抬高确实现实，但开源那1000小时对小团队是根救命绳，借这波赶紧冲比坐着叹气强。头部会不会通吃另说…，起码现在还没把门焊死。

前几年我身边也见过一拨人走这种"先铺摊子"的路子，厂房设备人一个不少，账面上看着特别唬人。可真到要出活儿的时候，最烧钱的从来不是设备，是能把事儿一点点磨出来的人。楼主担心门槛越抬越高，短期看确实会；但 real-world data 跟云算力不太一样，云是标品，谁钱多谁说话，真动手的数据脏得很，小团队要肯在某个细分动作上抠得够细，未必没饭吃。那种"我也建个中心"的冲动，得先压一压。