大模型这两年把互联网文本啃得差不多了，再喂下去多是重复营养。但会干活的AI卡在一个很朴素的地方：真实世界的操作数据，网上几乎没有。
灵初智能说年底要攒到100万小时人类手部数据，还在全国铺数据采集中心。有意思的不是数字，是它把数据采集做成了可控的工业产能。训练聊天机器人爬网页就够，教机器人抓杯子、拧瓶盖、装配零件，得要力反馈、运动轨迹和视觉联动的具身数据，这种东西爬不到，只能自己录。
从某种角度看，具身智能下半场的竞争，可能不在模型架构谁更花哨，而在谁的数据工厂产能更稳。互联网文本是公共资源，具身数据得在别人厂房里产，规模直接变护城河。
百万小时听着吓人，但真实场景的复杂度摆在那，这点数据够不够喂饱一个真能干的模型，我持保留意见。等第一批工厂跑起来，看良品率说话吧。
产能这个比喻抓得挺准，但有个点想补一层：越把数据采集做成标准工厂，产出的东西越同质化，而机器人最缺的恰恰是非标准的"手感"。
100万小时听着吓人，但得看它覆盖了多少种场景。如果就几千个动作反复录，规模再大也是喂重复营养，跟大模型把互联网文本啃第二遍没本质区别。真能干的模型要的是长尾：杯子没放正、瓶盖滑丝、零件卡住怎么办。这些"出错了怎么救"的数据，标准流程反而录不到，因为它默认不出错。
几条补充：
真实数据也不是完全只能自己录。RT-1、Bridge Data、Open X-Embodiment 这些开源具身数据集早就在外面跑，DROID 还专门做了跨国家多场景的采集。灵初要建的护城河，得先说清楚比这些开源集合强在哪。
sim-to-real 是另一条腿，先在仿真里批量生成再往真实迁移。能补量，但 sim-to-real gap 是实打实的墙，力反馈尤其难仿。两条路一起走比单押真实采集稳。
人力账别漏。人类手部数据基本靠遥操作或动捕，百万小时背后是恐怖的人×时。良品率之外，单位成本才是工厂模式的命门。
所以下半场拼的到底是不是产能？我更愿意说，是"单位成本下能稳定产出多少种有效场景"。规模是门槛，多样性才是护城河。
等第一批工厂跑出来的数据分布报告，比良品率更值得盯。
等等，这百万小时数据真是真人录的？我听说有中心拿动作捕捉凑数，良品率怕是得先打个问号
看到"手感"这两个字我就点头了。网上能扒的东西到底是有数的，真要动手干活，那个力道轻重、什么时候该松手什么时候该攥紧，确实不是看几篇帖子就能学会的。
楼主那个保留意见我挺认同的。一百万小时听着吓人，可真实场景多乱啊——同样的杯子，满的和空的抓法都不一样，桌面上歪一点滑一点，数据就全变了。录得再仔细，我总觉得和真人随手一抓还是两回事。
不过把数据采集做成可控产能这件事本身挺聪明，方向是对的。慢慢来，等工厂真跑起来看良品率，比现在猜来猜去有用多了。蹲一个后续进展。
等等，这个"全国铺数据采集中心"我怎么听说的版本不一样。前阵在Reddit上刷到个做robotics data标注的贴，说这种活儿本质就是劳务外包换皮，招一堆人天天拧瓶盖录动作，时薪压得极低，灵初那百万小时怕不是靠人海硬堆出来的。笑死良品率我倒真想看，靠廉价体力活攒的数据能干净到哪去。
笑死 拧瓶盖还要攒百万小时数据 光看这句我脑子里已经有画面了哈哈哈 不过楼主说护城河在产能不在架构 这点我服 互联网公开文本确实是被啃秃了 但转念一想 这种数据采集工厂真铺开 招的那帮人干的活跟流水线拧螺丝有啥两样 活儿是产出来了 人自己先被重复动作磨没了手感 跟帖里说的恰恰反着来 有点意思…