灵初智能最近放出的消息挺有意思，说要在全国合作建大规模数据采集中心，年底要把数据积累冲到一百万小时。往前翻，四月份他们才刚开源了首批一千小时的人类手部操作数据，转眼就要从开源凑数跳到建厂量产，这个跨度本身就值得琢磨。

以前大家聊具身智能，老爱说开源数据是为了建生态、拉伙伴，逻辑更像先把蛋糕画出来。现在直接盖数据采集中心，感觉味道变了，数据采集正在变成像算力中心一样的基础设施。谁手里握着稳定的采集产能，谁的模型迭代节奏就快半拍，这个逻辑其实和训练大模型抢显卡是一个道理。

不过话说回来，百万小时不等于百万价值。具身数据最要命的从来不是时长，是质量、场景覆盖和标注的干净程度。现在各家都在囤，真要警惕那种数据军备竞赛式的虚胖，堆了一堆用不上的样本，最后模型该不会还是不会。

水帖一下，大家觉得数据工厂会不会变成下一个必争之地？

哈哈这囤数据的架势跟我囤书一个德性，堆一墙落灰，真用的时候还是抓瞎。堆时长容易，攒质量难。

楼主这个“从开源凑数跳到建厂量产”的跨度感，我琢磨着可能有点错位。四月份开源那一千小时，大概率是灵初手里总数据的一个切片，不是全部家底。要按“开源量=总积累”来算跨度，那确实是一千到一百万的夸张跳跃；但建数据采集中心冲的从来是内部训练用的总池子，开源那部分更像样品。

所以“跳变”本身也许没那么戏剧性，人家底子可能早就不止一千小时了，只是现在愿意把产能摊开来讲。

更该追问的反而是：这百万小时打算怎么构成？真机遥操、仿真合成、还是人机回放，三者的标注成本和喂给模型的增益差得远。具体是什么数据，比“有多少”更关键。你们觉得呢？

看到那个"和抢显卡一个道理"的说法我稍微愣了一下，不过顺着想又觉得两码事。显卡是没就没的硬门槛，数据可讲究多了，囤一堆不干净的样本，模型反而学歪。楼主担心的虚胖我挺认同的，现在都在冲那个百万数字，可真到机器人上手干活，差的从来不是时长而是场景里的真东西。数据工厂会不会变必争之地不好说，但只盖厂堆量肯定填不满这个坑。

补充一个细节，帖子里那句"年底冲到一百万小时"，口径其实挺模糊的。手部操作数据要是按原始录制时长算，和带干净标注的有效样本，差的可不止一个数量级。四月份开源那批千小时，本身就是冲着能直接喂模型去的，才有讨论价值。现在"建厂"喊百万，这个"小时"到底指采集侧的录制时长，还是入库的有效数据，楼主有没有看到更具体的说法？从某种角度看，真要比的恐怕不是谁产线跑得欢，而是同样一小时里能榨出多少可用的帧。连计量单位都没对齐就赛跑，堆出来的数多半是虚的。

楼主把数据采集中心和算力中心类比成同一种基础设施，这个我倒觉得值得商榷。显卡基本是通用的，A家的算力B家拿来就能跑，抢卡本质是抢一种可互换的资源。但具身数据不是这么回事，同样的百万小时，采的是机械臂还是人形、传感器什么配置、场景分布跟你要训的任务对不对得上，差别大了去了。数据没法像算力那样先囤着总没错。

所以"谁握着产能谁迭代快半拍"这个推论，隐含前提是数据能在不同本体、不同模型之间流通。现在各家机器人长得都不一样，标注协议也没个统一标准，这前提到底成不成立，有具体数据支撑吗？我更认同楼主后半句，时长只是门槛，质量、覆盖和标注干净程度才是真门槛，军备竞赛式囤数据搞不好就是虚胖(￣▽￣)

有个细节想跟楼主较个真。四月份开源一千小时、年底要冲一百万小时，中间差了整整三个数量级。但"数据积累"和"能喂进模型的有效数据"是不是同一个东西，得先掰扯清楚。如果那一百万小时里大头是未标注的原始多视角视频，有效样本密度可能远低于字面数字。具身数据的瓶颈不在采集产能，而在清洗和标注的人工成本——这部分是线性的，没法像盖厂房那样靠规模摊薄。

所以"数据工厂"类比算力中心，我觉得值得商榷。算力中心拼的是同质化的卡，数据工厂拼的恰恰是异质化的场景覆盖。把两者画等号，容易低估后者的软性成本。

想起前几年一窝蜂上口罩和测温仪产线那会儿，镇上小厂老板把半辈子积蓄砸进去，结果风口一过，仓库里全是卖不出去的货。那场面跟帖子里说的"数据军备竞赛式虚胖"，莫名有点像。

我倒不反对卷。竞争才有进步，这话我是认的。但囤数据比囤口罩还 tricky 些——口罩起码是标品，好坏一眼能看；具身数据到底行不行，得等模型真跑出来才晓得。等发现堆的那一百万小时里大半用不上，沉没成本早交了。

楼主担心的"该不会还是不会"，我看不是杞人忧天。产能这东西，盖起来容易，养出好东西难。现在抢着画饼盖厂，过两年怕是要有一批变成数据界的烂尾楼。

补充几个角度。

先说"百万小时"这个单位的坑。灵初四月开源那批是一千小时标注过的手部遥操作数据，年底冲一百万小时，量级差三个数量级。这里得问清楚：这百万小时里有多少是人工遥操作、多少是仿真合成、多少只是裸视频没标注。三者成本差出两个数量级，对模型的价值更是天壤之别。机器人数据和大模型语料不一样，文本抓过来洗洗就能用，操作数据绑死在机械臂构型上，换个夹爪都得重采。囤产能这条护城河其实比看起来的要脆，硬件每迭代一代，旧数据就贬值一波。

简单说再说"谁有产能谁迭代快"这条。逻辑对，但瓶颈不在采集速度。imitation learning 真正卡的是长尾场景覆盖和误差累积——你堆十万小时搬运箱子，模型还是不会插拔电源线，因为那属于没被覆盖的失败模式。数据工厂解决的是"量"，解决不了"分布"。除非他们采集中心是按场景闭环设计的，而不是流水线式摊大饼。

一个我比较在意的信号：从开源凑数跳到建厂，本质是把数据本身当商品卖，不是卖模型。这路子更像 Scale AI 而不是 OpenAI。具身智能如果真跑出数据即服务，那必争之地可能不是"谁模型强"，而是"谁手握不可替代的真实操作数据"。其实

你们觉得遥操作数据以后会不会被 world model 合成数据替换掉一部分？我是觉得低垂的搬运类肯定会被替，精细操作短期还得靠人。

数据也卷成基建了 笑死 下一步该炒数据期货了吧

等等，你们知道吗，我听圈里一个朋友说灵初这次拉来建采集中心的合作方里，有家做工业自动化的老牌厂子，压根不是纯AI出身。所以你那句"味道变了"我特别买账——他们哪是在画生态蛋糕啊，分明是有人手里攥着产线和真实场景，借着具身这阵风把自家数据生意合法化。

不过百万小时这个数我真存疑。就算三班倒堆真人录，那人力成本是个吓死人的数，我赌里面掺了大把仿真数据和老库清洗。好家伙反倒觉得各家抢着囤是好事，卷起来才知道哪类数据真顶用，躺平才永远摸不清坑在哪。(^_^)hh

盖厂子容易，养出一双会干活的手却难。田野里撒再多种子，涝了旱了的，到底能不能收，还得看天意。