拆透具身智能100万小时：真能喂出一个“聪明”机器人吗？｜AI 100闭门会

“普通道路跑100公里，对模型的信息增益，可能不如菜市场的一只塑料袋。”

具身智能最热的数字，是“百万小时”。

2026年以来，这个赛道融资持续升温，钱很热，但真正落地到了哪一步？

真机遥操作、第一人称视频、UMI、仿真、触觉数据轮番成为热点，行业不断出现十万小时、百万小时乃至一亿小时的规模判断，仿佛只要喂够数据，具身智能就会自然迎来自己的“GPT时刻”。

但当机器人真正进入城市、工厂和商服场景，问题没有这么简单：

数据被录下来，不等于能用于训练；进入训练，不等于能让模型获得新能力；模型在实验室变聪明，也不等于能在真实环境中稳定干活。

如果一批数据无法解释失败、覆盖长尾、迁移到不同本体，也不能在部署后持续回流，那么再庞大的规模，也可能只是一笔昂贵的成本。

在虎嗅AI100第八期闭门会中，我们邀请了：酷哇科技联合创始人、世界模型算法负责人彭湃，千寻智能预训练负责人郭俊良，光轮智能战略与生态副总裁廉和，刻行时空联合创始人、CTO郑宇靖，与虎嗅科技主笔陈伊凡，从真实机器人运营、具身基础模型、数据供应与数据基础设施四个视角，进行了一场深度对谈。

留下了5个硬核判断：

1.     所谓“百万小时”，暂时无法验证，也无法证伪——很多判断，只是从语言模型Token量换算来的。

2.     路线之争短期未必成立：数据量够大，VLA和World-Action Model未必有本质差距。

3.     “堆数据”要拆开看：视频预训练堆规模，真机后训练拼难例。

4.     人形未必先落地：轮式底盘加升降机构，可能就足以覆盖当前95%以上任务。

5.     上一代自动化是改造环境，让环境适应机器；这一代具身智能，要让机器适应人类社会。

我们把全场最有价值的共识、分歧与预判，整理成这篇真话实录。

一、普通道路跑100公里，可能不如菜市场的一只塑料袋

具身智能究竟需要多少数据，才能迎来自己的“GPT时刻”？

彭湃举了一个非常反常识的例子：

“在一条中午几乎没有行人的普通道路上连续运行100公里，对模型的信息增益可能接近零；早高峰菜市场路口的一只塑料袋，却可能暴露激光雷达与视觉路线对柔性障碍的不同判断。”

十万小时、百万小时、一亿小时，行业里存在各种判断。

彭湃认为，目前没有一个可以被验证的统一数字——很多判断来自过往经验，或者把机器人数据与语言模型的Token量进行换算，由于行业尚未到达那个阶段，这些数字也很难被证伪。

与其只谈小时，不如先看数据的有效信息密度，他拆成三个指标：

1. 可解释性（一次失败能否归因到角度、力度还是策略）

2. hard case密度（暴雨、人车混行等长尾情境占比）

3. 跨本体跨场景复用性（决定数据是长期资产还是一次性成本）

郭俊良认为，讨论数据量之前，必须先定义具身模型的评价标准：

语言模型输出“看起来合理”的答案就能拿到不错分数，机器人动作偏差几毫米，最终轨迹就可能完全失控。

千寻更关注两组指标——zero-shot（进入新场景、新本体，不采新数据能否完成大部分任务）和few-shot（能否用更少的数据和训练计算快速掌握新技能）。

如果预训练规模不断增加，机器人每进一家新工厂仍要重新采集大量数据，这种Scaling Law的商业价值就非常有限。

廉和则提醒，不同客户的数据需求可能相差两到三个数量级：

做通用基模的客户与解决具体场景的客户完全不同，“把一件事干成”与“一个模型什么都能干”是两个门槛。

一个通用基模叠加少量现场数据和仿真数据，可能足以解决部分任务；

但要把成功率从60%推到99.9%，仍需要大量难例和反馈数据。

郑宇靖给出了一个相对谨慎的估计：限定在manipulation和VLA，行业可能至少需要十万到百万小时级别的数据。

他同时提醒，不能把“人类学一台新机器只要几小时”直接套到机器人身上——人学得快，是因为在二三十年的生活里早已完成了视觉、语言、触觉和动作的长期预训练。数字差异巨大，根本原因是大家定义的任务范围不同。

那么，到底什么时候算“堆够了”？

彭湃给出了干脆的答案：看经济学拐点——当新增数据带来的业务价值，低于数据的采集和处理成本，这个场景就暂时堆够了。

这个拐点因场景、因公司而异，但它比任何小时数都更接近商业真相。

二、数据金字塔变了：人类视频进入底层，真机难例站上塔尖

训练一个具身智能“大脑”，真机、人类视频和仿真数据应该怎么配？行业没有统一答案。

彭湃将当前结构概括为一座动态金字塔：

• 底层是规模最大、跨本体能力更强的视频数据；

• 中间是仿真和合成数据，用于扩展失败样本、重建极端情境；

• 顶层是真机部署中产生的高价值难例。

“真正重要的不是把比例写死，而是让三层形成循环。”

他同时纠正了一个流行叙事：

第一人称视频并不是2025年才冒出来的新概念——早在视频理解时代，Something-Something等数据集和CLIP带来的图文对齐路线就已打下基础；

真正的变化是，近两年它快速进入了世界模型与具身基础模型的研发主航道。

回看行业演变：2018至2019年前后基本以真机为主；疫情后3D渲染、仿真和场景重建逐步成熟，难例可以在小时级被重建和扩展；再到今天，人类视频成为新的底层。

郭俊良也使用“数据金字塔”的概念，但千寻的分层有所不同：

• 底层是互联网大规模人类数据;

• 中间是UMI类设备采集的人类示范;

• 最上层是真机数据与部署回流后用于强化学习和后训练的数据。

纯人类视频存在天然缺口——没有机器人末端与物理世界直接交互的动作和接触信息，观察分布也与机器人不同；UMI类设备用手持夹爪采集示范，与机器人末端相对同构，本体差异更小。

廉和从供应端看到了更直接的变化：2025年客户采购更多的是仿真和遥操作数据，2026年人类第一人称视频需求明显放大，金字塔底层开始变厚。

但仿真依然有它的市场价值——“egocentric data、仿真数据和UMI数据都有各自的缺口，未来长期会是一个mix。”

郑宇靖补充，不同发展阶段的公司需要的数据也不同：

刚起步的团队更需要基础、同构、能快速跑起Demo的数据；进入预训练和规模化阶段后，才会同时考虑获取难度、价格、覆盖度和模型路线。

具身数据不会有一套适用于所有公司的固定配方，需求始终取决于一件事：模型当前缺少什么能力。

三、录了8小时，真正有用的是多少？

采集时长，究竟等不等于有效数据？

廉和给出了一组数字：一名熟练采集员一天工作8到10小时，最终有效视频通常只有约三分之一到二分之一——准备时间、设备故障、错误动作和任务前后的无效片段都要被去掉。

这种折损不只发生在人类视频上，UMI、真机和仿真数据同样存在。

他认为必须区分“数据”和“信息”：模型真正需要的是additional information，重复或质量较差的数据即使体量很大，信息增量也可能接近零，甚至污染训练集。

如此庞大的数据不可能依赖人工逐条筛选。

彭湃提出，规模化数据需要强自动标注——让更大的VLM承担判别任务，过滤无关片段、识别动作类别与异常；纯机器筛选同样会有误差，因此仍需要human in the loop，人的精力应集中在模型最困惑、信息增益最高的样本上。

郭俊良将这个问题概括为：“我们追求的不只是证明Scaling Law存在，而是提高它的斜率。”

同一个动作采到一定规模后，后续数据几乎没有新增价值；标注结构还必须与模型架构匹配——如果视频预训练阶段学了丰富的场景、纹理和时序信息，后续却只配一句极简单的动作标签，模型就无法充分调用已经学到的知识。

数据效率的本质，是让每一批新增数据补上一块能力缺口。

四、触觉与仿真：真实世界里，有些数据根本采不到

机器人进入真实物理世界后，仅仅“看见”还不够：摩擦力、压力、滑落趋势和材料软硬，很多信息无法通过视频判断。

郑宇靖认为，触觉与力控数据最直接的挑战是采集设备——机器人要感知极细微的接触变化，遥操作设备也要给操作者相应反馈，但行业尚未形成成熟、标准化、可大规模复制的方案。

廉和将触觉数据从采集到被模型使用拆成三道关：

• 传感器是否足够准确、长期使用会不会漂移；

• 采集结果能否retarget到不同本体——人戴上传感手套的触觉与裸手不同，握住带传感器夹爪的感受也与机器人末端不同；

• 模型能否大规模消费这些数据。

郭俊良认为，当前更大的瓶颈在设备，而不是模型能否加入触觉模态。

他提到FTP-1：约3000小时、跨多种传感器和本体的触觉操控数据，把触觉作为与视觉、语言并列的输入，设置独立的tactile expert与action expert协同——模型已经开始学习消费触觉数据，前提仍是设备可靠、信号稳定。

彭湃给出了真实部署中的工程折中：

环卫机器人必须让扫刷贴近路缘，才能清理缝隙中的落叶和烟头，但接触过度又会损坏扫盘。

酷哇用视觉观察扫刷受挤压的程度，用轻量模型估计接触状态，再通过后训练调整策略——不是终极解法，却是当前商业部署中可行的选择。

仿真解决的是另一个问题：

有些数据不是太贵，而是现实世界无法反复采集。

廉和举了极端案例：核电站不可能为了测试机器人停掉真实产线，只能先在高保真仿真中验证；机械臂内部应力分布等信息，现实传感器也很难低成本、全覆盖地采集。

他还提供了一个理解仿真价值的视角：语言是人类长期压缩形成的高密度表征，像素没有经过同等程度的精炼，而仿真中的物理量、公式与约束，反而是一种更高层的信息，能提供普通视频里没有的监督信号。

按廉和的总结：仿真不是唯一的数据来源，但会是支柱之一；而在部分极端场景里，它可能是唯一能够规模化获得的数据。

五、VLA还是世界模型？短期不是二选一

有公司押注VLA，例如Physical Intelligence的π系列；也有团队转向世界模型或world-action model。

未来会收敛为一个模型，还是长期多模型协作？

郭俊良认为这首先取决于行业阶段：任务简单、模型规模不大时，一个模型可能足够；数据和参数继续scale、同时还要兼顾端侧部署和推理时延时，多模型协作更现实。

他更看好slow-fast或agentic系统：低层模型负责抓取、旋转等明确技能，上层meta-agent负责任务拆解和调度。

更具冲击力的是千寻的实验观察：当数据量达到一定规模后，VLA与world-action model的效果未必存在本质差距——world-action model通常更依赖数据整理和增强，否则泛化同样受影响。今天就宣布某条路线成为终局，仍然太早。

廉和从数据视角给出“大脑可能收敛，小脑仍会分化”的判断。

他援引Rich Sutton《The Bitter Lesson》的规律：长期胜出的往往是能最高效利用计算和数据的通用方法；但低层模型要面对控制频率、时延、功耗和具体本体，必须与硬件深度绑定，不会只由Scaling Law决定。

“很多商业场景根本不需要one model rules them all。”廉和说。

郑宇靖举了一个行业实例：Google的Gemini Robotics就是分层系统——高层模型负责理解意图和规划，on-device VLA负责低时延执行，SLAM等现有能力被调用，而不是全部塞进同一个模型。

模型架构会直接决定数据供应商要记录什么：统一大模型时代，数据格式相对集中；分层agentic时代，数据格式必须跟着调用链一起变。

具身智能不是给传统机器外挂一个模型，而是让数据、模型、本体和控制系统共同闭环。

六、商业化落地：上一波改造环境，这一波适应社会

彭湃用城市环卫机器人的真实场景回答了“两波自动化有什么本质差别”：

上一代清洁机器人主要在商场、餐厅、园区等封闭环境运行，遇到障碍减速、绕行或停下即可；

现在进入辅道、人行道等开放空间后，机器人要面对外卖车、隔离杆、菜摊和各种临时障碍，在人流密集处清扫，还要判断是否会扬尘、扰民，必要时先喷水降尘、等行人通过再贴边清扫。

“上一波自动化更多是在改造环境，让环境适应机器；这一波具身智能，则要让机器通过数据和AI适应开放环境。”

落地先落在哪里？

廉和提醒，当前家庭数据需求很大，但家庭场景远没有形成商业闭环——家里有老人、孩子和宠物，短期落地难度远高于工业和商服场景，具身智能只能从corner case较少的小场景逐步走向复杂环境。

郭俊良建议先排除两个极端：一端是高度定制、传统自动化程度已经很高的工业场景，利润空间有限；另一端是高度自由的家庭场景，现阶段根本达不到商业要求。

更现实的是中间地带——有一定定制需求、仍需要泛化、人机交互相对稀疏的部分工业和商服场景。

人形是不是最佳形态？

郑宇靖观察到，2026年市场对whole-body control、复杂关节运动和灵巧手数据的需求明显增加，研究正在从平面移动走向三维物理交互；但轮式或特种构型在特定场景中效率更高，只有目标是general-purpose机器人时，人类构型才展现优势。

郭俊良更直接：

“在当前落地场景里，我们尚未看到双足的必要性。轮式底盘加升降机构，可能就能覆盖95%以上任务。”

这与市场对人形机器人的高热形成鲜明反差：资本市场关注机器人是否“像人”，客户关注的却是任务能否稳定完成、设备是否容易维护、ROI是否成立。

郭俊良指出，To B商业化绕不开三个9、四个9级别的成功率，很难靠单一模型完成，更现实的是“模型＋人工接管＋数据回流＋自动迭代”的系统——可以像自动驾驶一样用“一拖N”衡量：一名远程监督员能同时看护的机器人越多，ROI越可能成立。

客户最终购买的不是某种本体，也不是一个模型，而是一套能够稳定把事情做完的系统。

七、中美有代差吗？数据公司怎么活下来？

郭俊良的判断是，当前中美没有明显代差：

行业仍在早期，数据、评测和架构都在快速变化，大家都有机会；中国的突出优势是机器人供应链、工业积累和硬件人才，团队可以更快搭出本体并迭代。

但他紧接着给出了一个对数据公司并不轻松的判断：具身智能如果最终出现胜出者，大概率是一家全栈公司，或者至少必须非常深刻地理解本体。

模型从设计之初就要以终为始——部署在哪类本体、数据由什么设备采、传感器分布和控制周期如何变化，都会反过来影响训练。

郑宇靖提供了一个参照：Google可以直接利用Gemini已有的视觉、语言和推理能力延伸到具身任务，多数中国创业公司没有同等规模的基础模型资源，因此国内更现实的路径是分层组合，而不是一步到位做统一大模型。

那么，路线尚未收敛、全栈大厂环伺，数据公司该不该扩产、怎么下注？

廉和的回答是：“我们的指南针始终是数据是否包含additional information，能否提升下游模型。模型架构变化后，格式可能需要重新处理，但真正有价值的信息不会因此消失。”

光轮的方法，是尽可能生产scalable、与特定本体解耦的数据；同时数据公司不能只交文件，而要对模型训练乃至最终部署的结果负责——越靠近一线模型团队，越能理解下一阶段真正需要什么数据。

八、数据公司的护城河，不是采得多，而是让失败回得来

郑宇靖认为，数据公司最基础的两个指标是成本和数据质量，两者结合就是“能否用合适的成本获得更多有效信息”。

核心能力不只是组织更多采集员、交付更多文件，而是把采集、运营、交付和模型使用端串成工程闭环，持续获得反馈、迭代流程。

数据“完整性”也有两个尺度：

微观上，一条数据是否包含任务所需的观察、动作、语义、本体状态和上下文；

宏观上，数据集是否覆盖需求方定义的任务范围。

随着模型走向分层调用与agentic系统，数据还要记录为什么执行、调用了什么工具、在哪一步失败、如何恢复——数据需要从trajectory（轨迹）升级为experience（交互经验）：

记录机器人“做了什么”只能训练模仿，记录它”为什么这样做、在哪里失败、如何恢复”，才可能训练出处理长程任务的系统。

机器人更换本体后，历史数据是不是全部作废？

郭俊良认为这是典型的cross-embodiment问题：更换夹爪、调整传感器分布后，旧数据需要重新对齐，但不等于完全失效——通过跨本体训练、表示对齐和少量新数据适配，历史数据仍可复用。

这也决定了数据公司的长期价值：采集与特定本体解耦、可迁移的数据，而不是为每一款新机器人从零开始。

四位嘉宾最后不约而同谈到同一个词：infra。

彭湃最遗憾的是没有更早把数据基础设施提到足够高的优先级：

早期先把样板跑通、解决接管和急停等运营问题，后来才更清楚地意识到，具身难例是真金白银，不能依靠故意制造事故来获得——数据infra和数据闭环，必须跑在业务扩张之前。

郭俊良同样认为，现在谈“押错技术路线的遗憾”还太早，行业尚未出现像GPT-3那样横扫一切的范式，更确定的缺失仍是data infra和training infra。

廉和强调，从仿真资产、异地采集到模型训练和工厂部署，很难由一家公司包办，产业最终需要专业分工。

郑宇靖的反思恰好相反：团队早期重视infra和工具，却较晚把注意力放到数据质量和模型反馈上——工程系统与高质量数据，缺任何一边都无法形成闭环。

数据本身不是飞轮。只有采集、筛选、训练、部署和失败回流真正转起来，数据才会成为飞轮。

结语：100万小时，仍然只是起点

两个多小时的讨论，四位嘉宾最终达成了一项共识：具身智能的数据竞争，正在从规模竞争转向效率竞争。

人类视频提供规模，真机难例提供价值，仿真覆盖无法采集、无法反复试错的场景，触觉补上视觉看不见的物理信息——没有任何一种能单独解决所有问题。

“百万小时”也不能直接回答模型是否足够聪明。

真正有效的指标，是机器人换一个场景后还要补多少数据，面对失败能否解释原因，更换本体后历史经验是否仍能复用——以及最朴素的一条：新增数据带来的业务价值，是否还盖得过采集它的成本。

下一阶段的分水岭，不是谁先攒够100万小时数据，而是谁先建立持续学习闭环，把真实世界里昂贵、偶发的失败，转化为让模型下一次不再重犯的经验。

嘉宾介绍：

彭湃：酷哇科技联合创始人、世界模型算法负责人

郭俊良：千寻智能预训练负责人。

廉和：光轮智能战略与生态副总裁。

郑宇靖：刻行时空联合创始人、CTO。

主持人：陈伊凡，虎嗅科技主笔。

本文基于虎嗅AI100第八期具身智能数据专场直播实录整理，观点来自嘉宾现场发言。

扫码加入虎嗅AI100闭门会社群

参与系列直播