百万小时数据，够喂饱人形机器人吗？

8月31日，上海浦东叠桥路，觅蜂的第20000套MEgo无本体数据采集设备下线，交付京东科技。同一天，姚卯青宣布累计无本体数据突破100万小时，并签下腾讯Robotics X实验室。

台下有人私下嘀咕：一家今年2月才成立的公司，凭什么半年跑出百万小时？

答案不体面也不浪漫——具身智能打到现在，真正的瓶颈已经不是模型，而是数据。模型侧，李飞飞和吴佳俊在打通世界模型与机器人动作的「巴别塔」；学术侧，TUM的黎子玥在IJCAI 2026上直言「学术数据和真实数据完全是两回事」。而产业侧的人，正在用几亿元的设备、几百PB的存储，一根电线杆一根电线杆地搭「数据电网」。

这篇文章，我们把数据这条线捋清楚。

📊 四种数据，四种命运

数据这件事，从来不是越多越好，而是分层的。

先看一个绕不开的行业背景：北京石景山的人形机器人数采中心关停了，一时间「真机数采是伪需求」的说法满天飞。姚卯青在活动上的回应很直接——这是个例。运营得好的数采工厂仍在满负荷运转，觅蜂自己的真机采集工厂以两班倒的节奏在生产数据。

更有说服力的是需求端：最近发布的蚂蚁灵波、小米、智元的Foundation Model，用的都是数十万小时级别的真机数据——全国数采厂加起来刚好产这么多，其中还有不少达不到标准。

也就是说，不是真机数据没人要，而是合格的真机数据太少了。

在姚卯青的框架里，四类数据源各有各的位置：

最反直觉的是仿真数据的定位。在很多人的想象里，仿真便宜又安全，应该是数据的主力。但姚卯青给的原因很朴素：仿真要买数字资产、要建模、要调GPU渲染，而随着无本体设备规模化运营，单小时真实数据的成本已经低于仿真。当真实世界比虚拟世界便宜，产业逻辑就翻转了。

互联网视频呢？「拐杖」这个词用得很准——在第一人称视角数据不够的时候，只能用它获取知识和表征，等无本体数据到了千万小时以上规模，就可以逐渐扔掉。

一句话总结这个分层：无本体管「见世面」，真机管「干真活」。

🏭 数采工厂，拼的是产线不是算法

这家公司半年下线两万套设备，卖的不是数据，是产能。

把觅蜂的时间线摊开看，你会发现这不是一家「AI公司」，更像一家精密制造的工厂：

6月量产，三个月跑出百万小时——这个速度背后，是硬件工程能力、运营调度能力和数据质控体系的三重叠加。据接近行业的人士透露，已经有单一客户上来就要一万套设备，「国内能做到这个量产规模的，一只手数得过来」。

而真正决定这门生意生死的，是验收口径。

姚卯青在现场把标准说得毫不留情：100万小时是去重后可以上货架售卖的有效数据。片段里的操作信息要有效，不能人在摸鱼；标称60帧的设备，平均帧率至少要到59.98；空间提取的Handpose，做得差的是几厘米误差，头部客户要求7毫米，有的要5毫米——而且要能通过机械臂和灵巧手的编码器读出真值来校验。

这组数字最能说明问题：几厘米和5毫米之间，隔着一整个产业的门槛。头部客户不是在买视频，是在买可以进入训练管线的传感器数据。

还有一道隐蔽的门槛是场景分布。「很多公司手里的数据一翻，全是家居和叠衣服，每个任务只有一两个」——数据长尾问题在数据侧就已经埋下了。这直接决定了后续模型能落地的场景宽度。

说白了，具身智能的数据生意，本质是一家带AI质检的制造业。

🗼 巴别塔的另一端：世界模型与动作的「同声传译」

数据喂进去了，模型还听不懂「动作」这门语言。

数据只是原材料。另一条战线上，学界在解决一个更根本的问题：世界模型和机器人动作之间，隔着一座巴别塔。

李飞飞与吴佳俊再度联手的工作，思路是让视觉轨迹充当「同声传译」——让世界模型和机器人动作真正「同频对话」。这件事为什么重要？因为世界模型擅长「想象未来会发生什么」，而机器人策略需要「输出具体怎么动」，两者长期是两套表征体系，各自训练、各自演进，互相对不上暗号。

这背后有一个残酷的现实：VLA和世界模型再热闹，如果预训练学到的表征无法对齐到动作空间，机器人在真机上就是「脑子明白了，手不会动」。

而这个「对不上」，恰恰要靠上一节说的数据来解决。视觉轨迹的「同声传译」，翻译的语料从哪来？正是从大规模第一人称操作数据中来。无本体数据百万小时级别，翻译的词典才刚够用；要到千万小时，才能把互联网视频这根「拐杖」扔掉。

产业逻辑很清晰：世界模型是大脑，数据电网是神经系统，两者必须同时施工。 李飞飞们在论文里搭桥，姚卯青们在工厂里铺路——这不是两条线，是同一条价值链的两端。

⚠️ 学术数据与真实数据，是两回事

模型再大再强，上不了路就是零。

IJCAI 2026上，TUM的黎子玥抛出了一个人人都在心里嘀咕、很少有人当面说破的问题：模型这么大这么强，为什么还是「上不了路」？

她的判断更狠：学术数据和真实数据完全是两回事；而可解释性，正在成为落地的「生死线」。

这句话怎么理解？回到数据侧看就明白了。姚卯青在交流中举了一个自动驾驶的例子：把ISP算法稍微改一下，从CMOS的Raw Data转成RGB图像，人眼看不出区别，但模型训出来可能完全变样。神经网络对数据信号仍然敏感——这意味着一家模型公司同时混用几家供应商的第一视角数据，训练效果很难保证。

数据标准不统一的问题怎么解？姚卯青的回答是「没有解法」，唯一解法是集中采买。据多位接近行业的人士观察，这已经是现状：随着几家头部开始起量，客户放弃了「每家采一点试试」的做法，转向集中给一两家独家供。

这个判断指向一个不太舒服的结论。被追问行业会不会走向寡头分布，姚卯青的回答是：肯定会。

理由不是玄学，是投入结构：

几亿元的设备、几亿到十亿元的数据中心、几百PB到上千PB的存储——这个生意同时吃工程能力、运营能力和资金实力，天然就是资本密集型。年初「拿手机、运动相机采一采也能卖」的窗口期，到下半年就关上了：60FPS、1080P、双目、深度，这些指标已经由头部客户定义成了行业共识。

需求的收敛，注定供给的收敛。

🔚 小结：第一根电线杆立起来了，电网还早

把三条线索拼起来看：产业侧，觅蜂们用两万套设备、百万小时数据，把「物理AI的数据电网」的第一根电线杆立了起来；模型侧，李飞飞、吴佳俊用视觉轨迹打通世界模型与动作的对话；学术侧，黎子玥们提醒所有人，可解释性和真实数据是绕不过去的生死线。

具身智能的竞争重心，已经从「谁的模型更强」悄悄滑向「谁的数据产线更硬、标准更严、落地更实」。无本体数据要到千万小时才能扔掉互联网视频这根拐杖——距离那一天，还有十倍的路要走。

电线杆立了，电网还早。但方向已经没人怀疑了。