百万小时数据，咋喂不出聪明机器人？

具身智能圈最魔幻的一幕：钱在疯抢数据，但没人说得清100万小时到底值多少。

2026年以来，具身智能赛道融资持续升温——仅2025年至2026年初，据虎嗅、36氪等媒体公开报道，千寻智能完成近5亿元Pre-A+轮融资（京东领投、宁德时代等跟投），智元机器人、银河通用、星动纪元等公司的累计融资额均已达到或超过十亿元人民币量级，光轮智能、刻行时空等数据侧公司也相继完成亿元级融资。行业里不断冒出十万小时、百万小时乃至一亿小时的数据规模判断，仿佛只要喂够数据，机器人就会自然迎来自己的“GPT时刻”。但在虎嗅AI100第八期闭门会上，酷哇科技联合创始人彭湃、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，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聊完之后，得出的结论却泼了一盆冷水：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。

这篇文章，就把这场闭门会的几个硬核判断拆开讲讲。

💰 钱很热，“百万小时”却没人能证伪

规模叙事，正在变成一种融资话术。

先看现场。这场闭门会的氛围很微妙：台上的创业者一边为自己的数据路线辩护，一边又都默认一个事实——所谓“百万小时”，暂时无法验证，也无法证伪。很多规模判断，只是从语言模型的Token量简单换算来的。

这个换算有多粗糙？一位与会者私下吐槽：语言模型处理的是文本，信息密度高度同质；机器人面对的是物理世界，一段普通道路的行驶视频和一段菜市场里的操作视频，信息量天差地别。彭湃在会上那句被反复引用的话说得最狠——“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。”

翻译一下：一只塑料袋对机器人来说是典型的长尾物体——半透明、可形变、质量不定、抓取策略千奇百怪。而普通道路跑100公里，画面高度重复，模型看一万遍也学不到新东西。拿Token量去换算物理世界的数据价值，就像用字数去衡量两本书的含金量。

但为什么“百万小时”的叙事还是铺开了？产业逻辑不难理解：具身智能当前处于融资驱动的阶段，投资人需要一个可量化的护城河指标。参数量是大模型的叙事锚点，数据小时数就成了具身智能的叙事锚点。锚点是否科学是其次，能不能讲出让资本听懂的故事才是关键。

一个可佐证的信号是：2025年千寻智能Pre-A+轮的公开融资报道中，其“数据生成能力”被列为核心亮点之一；智元机器人则在2024年底公布了开源的百万真机数据集AgiBot World，规模口径正是以“小时数+条数”计。当头部公司开始用数据规模对外讲故事、甚至直接开源“百万级”数据集时，“冲量”就成了整个行业的隐性竞赛。

问题在于，当规模本身成为目标，数据质量就会被牺牲。而这恰恰是当下具身智能最致命的隐患——因为下一关，比堆量难得多。

📊 录下来不等于能训练：数据漏斗漏得比想象狠

一只塑料袋，戳破了百万小时数据的含金量。

闭门会上四位嘉宾一个罕见的共识是：从“录下来”到“真机干活”之间，存在一个被严重低估的漏斗。完整的链路是这样的：

A -. "遥操作失误 传感器丢帧 光照异常" .-> X1["直接被淘汰"]

B -. "重复画面 过滤无标准" .-> X2["信息增益趋零"]

C -. "缺乏失败解释与长尾覆盖" .-> X3["只学到平均情况"]

D -. "能力无法跨本体迁移" .-> X4["增益停留在实验室"]

E -. "现场边角案例无回流" .-> X5["模型原地折旧"]

这个链条上，每一环都在漏数据。录制阶段，遥操作员的失误动作、传感器丢帧、光照异常，都会让数据进不了训练池；训练阶段，数据如果没有解释失败、覆盖长尾的能力，模型学到的只是“平均情况”；部署阶段，真实环境里的边角案例，实验室里几乎永远采不到。

一个可量化的参照来自海外：斯坦福大学等机构2024年发布的开源真机数据集DROID，汇集了全球多家实验室、历经约764小时、共86个任务的采集与后处理，其论文披露的数据清洗与校验成本相当可观——郑宇靖在会上引用类似案例指出，真机数据从“录”到“可用”的有效转化率，行业里普遍远低于一半。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。

注意这句话里的三个动词：解释失败、覆盖长尾、持续回流。这比“多少小时”重要得多。一个模型在真实环境里翻车，工程师最需要的不是更多的成功示范，而是那条失败数据——它记录了模型在什么光照、什么物体姿态、什么干扰下出了错。失败数据才是具身智能的“难例金矿”。

眼下行业主流的五条数据采集路线，各有所长，也各有短板：

这五条路线轮番成为热点，本质上是行业在不断试探：哪条路能用最低成本买到最高信息增益。下面的演进节奏，综合了2024年至2026年初虎嗅、机器之心、36氪等媒体的公开报道与本次闭门会的讨论梳理：

产业逻辑很清晰：数据的价值不在总时长，而在单位时长的信息增益。菜市场一小时的难例，可能顶普通道路一百公里。谁能建立“高信息密度数据”的稳定供给，谁才真正握住了这个行业的原料命脉。

🔧 路线之争，短期可能是个伪命题

VLA还是世界模型？数据不够大的时候，吵这个为时尚早。

大模型圈有GPT和World Model之争，具身智能圈现在也在吵一个类似的问题：VLA（视觉-语言-动作模型）和World-Action Model（世界-动作模型），到底哪条路线是对的？

闭门会上郭俊良给出了一个务实的判断：路线之争短期未必成立——数据量够大的时候，VLA和World-Action Model未必有本质差距。

这话值得细品。路线之争的前提，是各条路线在不同数据分布下表现出结构性差异。但当前具身智能的数据规模，距离“够大”还差着量级——可以对比的是：大语言模型GPT-3的训练数据约3000亿Token，而即便是开源的AgiBot World，真机轨迹条数也只在百万条量级，两者可用的有效数据密度完全不在一个数量级。在数据都不够喂的阶段，两条路线的差距被数据瓶颈掩盖了——就像两个厨师争谁的手艺好，但厨房里连食材都不齐。

更要紧的是第二个判断：“堆数据”要拆开看——视频预训练堆规模，真机后训练拼难例。这是两个完全不同的工程问题。

视频预训练阶段，比拼的是规模和覆盖广度：海量第一人称视频、跨本体的操作视频，让模型建立对物理世界的基本常识——物体会下落、门要推开、液体不能倒满。这个阶段，UMI、互联网视频这类低成本数据是主力，堆量是合理的。

真机后训练阶段，逻辑完全反转：比拼的是难例的浓度。模型已经“会走”了，现在要解决的是它在真实场景里“会摔”的那一小部分失败场景——反光的金属表面、被遮挡的抓取点、意料之外的人为干扰。这个阶段，遥操作采集的失败案例和边界案例，价值远超十万小时的平庸数据。

把这两件事混在“数据规模”一个词里讨论，是当前行业最大的认知混乱。一家公司宣称“我们有百万小时数据”，你需要追问的是：其中多少用于预训练？多少是真机难例？难例的采集和回流机制是什么？这三个问题，比小时数本身诚实得多。

🦾 别急着上人形：轮式加升降，先干了大多数活

人形是终局叙事，但落地是从最简单的本体开始偷跑的。

闭门会第四个硬核判断，可能会让不少人形机器人厂商不太舒服：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绝大多数可落地任务。

这个判断来自彭湃所在的真实机器人运营一线，而且有数字支撑：酷哇科技自2015年成立以来，已在环卫、城服等场景累计投放数千台轮式作业机器人，其公开披露的信息显示，公司曾于2019年完成C轮融资、并持续获得地方产业资本加持。彭湃在会上给出的口径是：基于酷哇自有运营工单的内部统计，轮式底盘加升降机构可覆盖当前其客户场景中约95%的实际任务——需要强调的是，这是基于其自身环卫与城服业务的经验数据，不同行业、不同任务分布下，这个比例会有明显差异，它说明的是“简单本体优先落地”的运营事实，而非全行业定理。

逻辑拆开看：当下具身智能真正能落地的任务——工厂搬运、商服配送、巡检、货架取放——绝大多数不要求双足行走，也不要求五指灵巧手。轮式底盘解决移动，升降机构解决高度，末端执行器按场景定制，这套“减配方案”的可靠性、成本和续航，全面碾压人形。

更隐蔽的一层逻辑在数据侧：本体越简单，数据采集和模型迁移的成本越低。一个轮式机器人在仓库里跑一年积累的运营数据，可以持续回流训练；而人形机器人的自由度多出一个量级，同样一小时的操作数据，学习难度完全不同。落地和数据飞轮，在简单本体上更容易转起来。

这并不意味着人形叙事错了。双足+灵巧手的通用性，依然是行业的远期共识——人类环境为人形设计，这个前提没有变。一个可参考的公开事实是：2025年特斯拉公开信息显示Optimus人形机器人仍处于工厂内试产与训练阶段，而同期Figure、宇树等公司的商业化订单也主要集中在演示与试点场景。远期共识和近期落地之间，隔着一个残酷的商业化筛选：客户不为通用性付钱，只为“在我这个场景里稳定干活”付钱。

据多位业内人士观察，2026年以来真正在客户现场跑出工单量的，大多是轮式和半形态方案——这也与上述酷哇的运营口径相互印证。人形机器人还在过可靠性、安全性和成本这三关。对创业公司来说，一个现实的策略是：用人形拿融资叙事，用轮式拿营收现金流——虽然没人愿意公开这么说。

🔄 真正的分水岭：数据能不能转起来

百万小时是存量故事，数据飞轮才是增量故事。

把闭门会的几个判断串起来，会看到一条清晰的主线：具身智能的竞争，正在从“数据规模”转向“数据质量与闭环”。

这不是文字游戏，而是产业阶段的切换。融资驱动期，规模是硬通货；落地驱动期，闭环是生死线。一个部署在工厂的机器人，如果每次失败都能被记录、被解释、被回流进训练，三个月后它就比竞品聪明一截——这种部署即采集、采集即增强的飞轮，才是数据真正的复利。

反过来，一批没有回流机制的数据，录完那一刻就在贬值。环境在变、品类在换、客户场景千差万别，静态数据集追赶不上动态的真实世界。这也是为什么数据基础设施开始独立成赛道——刻行时空这类公司瞄准的，正是“数据从录制到回流”中间那些没人愿意干的脏活；光轮智能这类仿真合成公司，则是在用可控的长尾场景给这条飞轮补上现实里采不到的那一段。

给从业者三条可操作的建议：第一，评估任何“百万小时”叙事时，先问数据来源构成和信息密度，别被Token换算唬住；第二，把预算从采集成功示范，挪一部分到失败案例的采集和标注上，难例才是后训练的硬通货；第三，本体选型先看任务覆盖率，别为了通用性为用不到的自由度买单。

具身智能的“GPT时刻”一定会来，但它的触发条件不是多少万小时的数据，而是第一条真正转起来的数据飞轮。当失败案例的回流速度超过新场景的产生速度，机器人才算真正开始自己变聪明——那一天之前，所有的规模数字，都只是预付款。

百万小时能买到入场券，但买不到终点线。真正决定谁走到终点的，不是谁的数字喊得响，而是谁先在客户现场，把第一条失败数据完整地捡回来、用起来、转起来。

编辑注：文中融资信息（千寻智能Pre-A+轮、AgiBot World开源数据集、DROID数据集、酷哇科技C轮融资等）均来自公开报道，可独立核实；“95%任务覆盖率”为酷哇科技彭湃基于自身环卫与城服运营工单的内部统计口径，样本限于其自有业务场景，读者引用时应注明数据边界；数据路线演进时间线为编辑根据公开报道与闭门会讨论综合梳理，非精确行业统计。