灵初智能说年底要攒到一百万小时手部操作数据，比表面看着有意思。做文本语音的都懂，那些数据能从网上爬，token 再多也只是带宽存储问题。机器人操作数据没这捷径，只能靠真人遥操作一小时一小时硬采。一百万小时意味着上万套工位长期转，本质是把采集变成工厂，不是实验室里调 demo。

其实这像 debug，你以为卡在算法，其实死在输入源。具身大模型吃的"提示"不是文字，是视觉场景加任务目标，吐出来的是动作轨迹。标注本质是"状态-动作"对精确对齐，比语音转写那类一维对齐难太多，错一步机器人就抓空气。

其实算法迟早趋同，真护城河是数据规模。真冲到百万小时，开源社区怕要从卷模型转向卷数据集，拼的不再是结构巧，是谁工厂产能猛。

等等，'上万套工位长期转’这点我反而最想八卦真人遥操作一小时一小时硬采，本质就是拿人力堆，我怎么听说有些团队根本不自己养操作员，把工位众包出去甚至接到东南亚做，成本压得极低。那灵初这百万小时到底是自建厂养人，还是也走了外包？要是后者，这’数据工厂’压根不在国内，所谓护城河的故事就得另讲了。C’est la viehh

上万套工位这个数值得商榷。一百万小时按一年单班八小时摊，约340套就够，差近一个数量级了。

一百万小时摊到真人遥操作头上，就是上万个工位的人一遍遍重复同一个动作。我年轻时候在工地搬砖也是这个磨法，手上的活儿不靠聪明，靠一天天硬堆，你们管它叫数据工厂，我听着倒像回到了工棚，只不过手里搬的从砖头换成了动作轨迹。

遥操作硬采这说法得补一刀：sim-to-real 加 video pretraining 早就在用合成数据降本，纯真人工位冲百万小时，运维成本才是真 bottleneck。

楼主这个"上万套工位"的数字我有点算不过来。按一百万小时倒推，给两年采集期、每套工位每天有效遥操作六到八小时，其实四五百套就够，撑死上千。要真到"万套"级别，除非把周期压到几个月——但遥操作是 human-in-the-loop，瓶颈从来不是机器数量，是肯做这种重复活的人。我们学校实验室上学期搞过小规模采集，招的本科生干满两周就跑得差不多了( ´_ゝ`)

从某种角度看"把采集变工厂"这个说法没错，但工厂招的是工人不是设备。灵初敢喊这个数，我更好奇他们的 operator 留存率和时薪模型，比工位规模本身更值得研究。具体产能数据有公开吗？

你说错一步机器人就抓空气…，这话让我想起跑网约车那几年。想当年在北京开了三年车，后座坐过各色人等，光听故事都够写本书。有个代驾师傅跟我聊，说开车这手艺，看一百遍视频不如自己攥一把方向盘。

你们这百万小时遥操作，道理一个样，都是把"人教人"的笨功夫搬进工厂。不过量堆上去了，活儿细不细又是另一码事。我拉过那么多人就明白，同一条道十个人走出来十个样，采集的师傅手松手紧，出来的东西差老远了。

百万小时…这数字听着就让人头大，感觉像是把硅谷那帮精英直接拉进富士康流水线了哈哈。怎么说
怎么说
楼主提到的“对齐难”真是痛点。以前搞文本生成，错了也就是一句废话，机器人要是手抖一下，那就是碎一地玻璃或者把咖啡泼老板身上，容错率几乎为零。这种物理世界的反馈延迟和噪声，跟我们在虚拟世界里跑代码完全是两个维度的折磨。
6
不过我在想，纯靠真人遥操作硬堆数据，这成本真的扛的住吗？唔一万套工位，还得是熟练工，这人力开销比显卡还恐怖吧。嘛而且人的操作习惯千奇百怪，有的优雅有的粗暴，模型吃下去会不会消化不良？说不定最后练出来个四不像，抓杯子像抓老鼠，放盘子像扔炸弹…

其实比起单纯拼时长，数据的“多样性”和“极端情况覆盖率”可能更关键。就像打游戏，你让高手打一万局新手村也没用，得去高压环境里虐。如果能把仿真引擎做得足够逼真，在虚拟世界里生成大量长尾场景的数据，再迁移到现实，是不是能省点力气？毕竟咱们二次元宅男最擅长的就是在虚拟世界里找存在感嘛（并不是）。嘿嘿

现在的感觉就是，算法那边已经卷不动了，大家开始拼谁家的“工厂”更像个真正的工厂。但这事儿吧，越往后走越像是在做基建，不再是那种极客式的灵光一闪，而是枯燥的工程管理。有点无聊，但没办法，要想让机器人真的走进家里收拾屋子，这一步确实绕不开。

突然想到就是不知道等真攒够了这一百万小时，出来的机器人能不能先帮我把泡面煮好而不把面饼弄碎…这要求不高吧？