说真的，看灵初智能那篇专访挺有感触。大家聊大模型总默认瓶颈在架构、在参数量，到了具身智能这儿事儿反过来了——模型反而不是最难的，难的是让机器人真刀真枪攒够百万小时操作数据。
无语大模型靠全网文本语料喂大，那都是现成的；机器人真实抓取、装配这些数据没法凭空生成，得一间间采集中心、一个个动作去录。以前凑几百小时零散演示就算先进，现在直接上产线式批量采集，画风已经变成军备竞赛了。
王启斌说年底冲百万小时，我最服的是他们四月开源那1000小时——立标杆、拉生态罢了，真护城河是没公开的私域数据。等数据成了新壁垒，谁低成本又合规地规模化采集，谁才握得住入场券。绝了，连机器人都开始闹语料荒。
百万小时这个数，难点不在"录够"而在"用上"。光堆时长没意义，得有筛脏数据、自动标注、再训练的闭环，不然攒再多也是噪声。
语料荒这词用岔了。机器人缺的不是文本语料，是真实交互数据，性质两码事。文本能爬能合成，抓取装配得在物理世界一点点攒。
私域数据才是护城河这点我赞同，开源1000小时就是拉生态的阳谋。
哈哈你这"语料荒"的说法真绝…，合着机器人也卷到没米下锅了 不过说真的，把数据采集搞成军备竞赛，最后门槛还不是卡在钱和合规上，小团队怕是连牌桌都摸不着。
哎我看那篇专访也是这感觉，大家老盯着参数和架构吵，真到落地才发现最缺的压根不是脑子。你说那个"语料荒"的比喻我挺喜欢，连机器人都开始抢数据了，画风确实有点魔幻。嗯嗯
不过我稍微有点好奇，这百万小时到底怎么算的，产线式批量录出来的话，动作种类能有多丰富？同一类抓取录几万遍，凑时长是快了，对模型泛化的帮助也许得打个问号。私域数据当护城河这事儿我挺认同的，公开那1000小时更像把大家请进场一起玩，真正值钱的是没拿出来的那部分。
嗯嗯
你后面还会接着盯他们年底能不能冲到这个数吗？
画风变成军备竞赛这形容绝了。但机器人数据真没法像文本那样扒全网，一间间采集中心摆着烧钱，小厂怕是连入场券都摸不着。
笑死，“语料荒"这词真是绝了，人类好歹攒了几十万年才学会不把饭扣地上，机器人想一两年补完这笔账，离谱但也合理。不过说真的，我瞅着"年底冲百万小时"这话，吹KPI的味道比工程味儿重，真实抓取数据哪是挖矿，动作长尾没边没沿，录到啥时候是个头。也是醉了反倒是四月开源那一千小时我真心服气，立标杆比闷头堆参数体面多了。私域数据当护城河嘛，听着像"我家有独家秘方”，可数据又不像石油越用越少，这城墙能立多久，我看悬。
楼主最后那句"机器人也闹语料荒"挺妙的，不过前面那个"百万小时"我有点想追问口径。
具体按什么计数？单台机械臂累计，还是整个采集中心所有设备并行跑出来的总时长？若是后者，数字好看但意义要打折。按一台机械臂每天有效采集8小时算，要堆到一百万小时真实操作，约需340台设备满负荷跑一整年——这还没算动作标注和异常剔除的人工成本。
所以"年底冲百万小时"作为目标能理解，但真拿它当护城河之前，得先说清计量的是什么、清洗后可用比例又是多少。有更细的拆解数据吗？
那篇专访我也翻了，王启斌提的"百万小时"目标，把具身这条赛道的数据焦虑写得很直白。不过顺着"机器人数据没法凭空生成"这句，我觉得值得掰扯一下。
严格说，“没法凭空生成"在当下不算特别准确。Sim2Real 这条路由来已久，用物理引擎批量生成抓取、装配轨迹再迁到真机，本质上就是"凭空"造数据的一种方式。其实Google 的 RT 系列、Open X-Embodiment 那种把二十多种机器人本体数据聚合到一起的做法，都说明真实采集之外，合成与跨本体合并也是量级的重要来源。当然仿真和真机之间始终存在 sim-to-real gap，缺口得靠真采补，但把它说成"只能一间间录”，恐怕把问题描得比实际更封闭了。
另一个我存疑的是"小时"这个计量单位。不同本体、不同任务间的可迁移性差别极大，A 产线攒的一百万小时装配数据，未必能喂出 B 场景里灵巧手的开瓶能力。从某种角度看，比起总时长，任务覆盖度和环境多样性才是更难堆的护城河，光靠堆时长换不来这部分。
所以楼主说"谁低成本合规地规模化采集谁握入场券"，我大体认同，只是这个"规模"得把数据类型和泛化收益一起算进去，单看小时数容易变成另一种军备竞赛的噱头。你们觉得这百万小时里…，任务多样性大概能铺到什么程度？
楼主说机器人操作数据“没法凭空生成”，这句我觉得稍微绝对了。其实具身智能圈现在很大一块投入就砸在仿真合成数据上——英伟达 Isaac Sim 这类平台，本质是用算力批量生产抓取、装配的轨迹，再靠 sim-to-real 迁移去补真实环境的误差。这条路目前的 gap 确实还硬，但说完全生成不了，和近一两年进展对不上。
真要论瓶颈，我更看重数据的异质性和标注质量，而非纯时长。Open X-Embodiment 把二十几种本体的操作数据拼到一起，恰恰说明跨形态泛化才是难啃的骨头。从某种角度看，年底冲百万小时本身不算稀奇，稀奇的是里面有多少跨场景跨任务的真多样性——单一产线刷时长，边际收益衰减得很快。卷数据我倒认同，竞争才能把采集成本打下来。
倒是好奇，他们四月开源那 1000 小时，社区里有没有人真跑起来用。
四月那1000小时开源太神了 立标杆拉生态一套带走 后面私域才是真护城河哈哈
顺着"年底冲百万小时"这个数我有点犯嘀咕，口径到底是实采真机操作还是把仿真合成也算进去了？从四月开源那1000小时跳到年底破百万，这斜率如果全靠物理采集中心硬堆，sounds more like a marketing target than engineering reality。私域数据确实是壁垒，但先把单位定义清楚再来谈军备竞赛比较 fair。