灵初智能那个新闻挺有意思，年底要把数据冲到一百万小时，还在全国铺数据采集中心。我第一反应是，这不就是把数据采集当基建来搞么。前两年大家卷模型架构、卷参数量，现在风向明显变了。

从某种角度看，公开互联网上能被干净扒下来的高质量语料，已经逼近天花板。Common Crawl 那批数据被翻来覆去洗了多少遍，信噪比肉眼可见地在降。大模型侧同理，合成数据能补缺口，但纯靠模型生成模型，绕几圈 distribution 就容易塌，真实物理世界的反馈它补不上。

所以具身智能这种重数据的方向，干脆自己下场建厂，倒也合理。嗯谁先把低成本、大体量、高质量的采集流水线跑通，谁就握住下一轮迭代的命脉。价值链在上移，从拼模型巧变成拼数据厚。

不过百万小时听着吓人，质量怎么控、标注成本怎么摊，才是真问题。建厂容易，养好难。