拆透具身智能100万小时：真能喂出一个“聪明”机器人吗？｜AI100闭门会

具身智能下一阶段，究竟还应不应该继续”堆数据”？ “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。 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： 可解释性（一次失败能否归因到角度、力度还是策略） hard case密度（暴雨、人车混行等长尾情境占比） 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。 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。 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