摘要

训练 VLA（Vision-Language-Action，视觉-语言-动作）模型的团队大多有同样的体感：参数可以堆、GPU 可以买，唯独数据产能加不动。把遥操作数据采集当成一条"产线"来核算——算设备、算人力、算良率——瓶颈立刻清楚。

本文把这本账完整摊开算：遥操作产线的三张核算单、网络视频这条"第二产线"能补上哪块产能、两条产线怎么分工协作。文中数字均用公开口径，产品数据以官方页面为准，以 Bright Data 的 面向 VLA 流水线的视频信息流 即"第二产线"的参考实现。

关键问题	一句话答案
VLA 数据的瓶颈在哪？	不在算力，在数据产能：遥操作三道天花板——设备年成本约 7 万美元以上、每人每小时仅 5–50 条片段、几乎只产"成功轨迹"
网络视频能补什么？	“场景分布产能”：真实物理、约 1/1,000 成本、195 国覆盖
它补不了什么？	“动作标签产能”：默认没有关节角、夹爪状态与控制信号，需遥操作或标注补齐
最优策略是什么？	互补而非替代：预训练用网络视频打底，精调用遥操作对齐——让每条产线干最擅长的事

一、数据才是具身智能真正的瓶颈，不是算力

算力排第二，数据排第一——算力可以采购，数据产线扩不动。这一节先把这本账的背景算清楚。

1.1 硬件产线与数据产线的产能落差

国际机器人联合会（IFR）《World Robotics 2025》显示，截至 2024 年底全球在役工业机器人约 466.4 万台；而目前规模领先的开放数据集 AgiBot World，公开的真实机器人轨迹超过 100 万条、覆盖 217 项任务。

两个数字统计口径不同、不可直接换算——前者衡量部署量，后者衡量训练样本——但摆在一起足以说明问题：机器人可以一条产线一条产线地造出来，高质量的动作数据却产不过来。硬件产线的增长，没有自动转化为数据产线的增长。

1.2 VLA 的数据"工序"为什么复杂

一条合格的 VLA 训练数据，要视觉帧、语言指令、关节状态、末端位姿、夹爪状态和控制信号在时间轴上严格同步。这不是"多录几个视频"能凑出来的：视频只记录了"发生了什么"，而策略学习需要的是"机器人每个时刻该做什么"。

对比语言模型就一目了然：语言模型的语料——网页、书籍、代码——在网上现成就有，采集即用；VLA 的高精度动作学习通常需要与机器人 action 对齐的数据，这类数据只能靠真实或仿真环境一工序一工序生产出来。

1.3 为什么说瓶颈不在算力

算力的扩张是资金问题：加卡、排队、租集群，几个月内可以解决。数据的扩张是系统工程问题：要设备、要场地、要操作员、要质检、要标注管理，每一个环节都是人力密集的。资金可以一次到位，产能只能逐步爬坡——这就是为什么 2026 年的具身智能团队，卡在数据上的远多于卡在算力上的。

二、遥操作的三道天花板：三张产能核算单

遥操作产线质量最高，但产能有结构性上限——成本、人力吞吐、良率分布，三张核算单摆在那里。

2.1 设备采购单：成本天花板

一套 ALOHA 2 双臂遥操作系统约 1.5–2 万美元；再计入操作员人力、场地、设备维护、任务复位和数据质检，单套年成本约 7 万美元以上（活动 Brief 参考口径）。

更麻烦的是这条产线没有任何规模效应：产能 = 机器人 × 操作员 × 时间。要十倍数据，就得再买十套设备、雇十倍的操作员、租十倍的场地——成本随规模线性上涨，永远不会因为"做得多了"而变便宜。

2.2 人力吞吐单：速度天花板

每位操作员每小时产出 5–50 条有效片段（Brief 口径），任务越复杂、场景复位越慢，吞吐越低。

人也不是无限续航的数据 API。连续操作几个小时后，动作质量会明显下滑；一次双臂装配失败之后，物体要重新摆放、散落物要清理、相机要重新检查——这些环节只消耗工时，不产出数据。吞吐上限被人这一端锁死，加班解决不了。

2.3 良率报废单：分布天花板

采集协议通常要求操作员"正确完成任务"，于是这条产线几乎只出成功轨迹——失败、纠错、异常场景不会按采集计划准时出现。操作员也教不了自己没见过的东西：陌生物体、异常摆放、极端光照、突发遮挡。

而分布单一是泛化的天敌：模型没见过出错的世界，就学不会从错误中恢复；没见过各种光照与布局，进到真实环境就容易失手。

2.4 三张核算单合起来说明了什么

单独看，每张核算单都有办法局部缓解：成本可以砍预算、速度可以加人、分布可以精心设计场景。合起来看，结论才成立：遥操作是一条高质量、低产能、难以规模化的产线。它适合生产"精确动作监督"这种高价值数据，但不适合承担"覆盖整个真实世界"的规模任务——这件事，得靠第二条产线。

三、网络视频的破局潜力：第二条产线

网络视频可以作为 VLA 数据管道中的大规模视觉示范来源，扩大模型见过的场景、动作和环境分布；但它通常不能直接替代带精确动作标签的机器人轨迹——补的是场景分布产能，不是动作标签产能。

3.1 四个遥操作覆盖不了的维度

遥操作采不动的，恰是网络视频最富余的，具体是四个维度：

1. 天气：雨、雾、雪、夜间、低光照——这些条件要么无法在采集场地复现，要么复现成本极高，而网络视频里自然存在；
2. 地域：不同国家的道路结构、厨房布局、仓储形态各不相同，195 个国家的视频来源天然带地理多样性；
3. 视角：第三方俯拍、腕部视角、车载视角、手持跟拍——摄像头位置的自由度远超任何单一采集装置；
4. 异常事件：施工区、应急车辆、物体滑落、突发遮挡——这些低频长尾场景无法按计划采集，但在海量视频中持续自然发生。

3.2 真实物理与零仿真偏差

网络视频来自真实物理世界，不存在 Sim-to-Real Gap（仿真到现实的性能差距）——不需要先在仿真里近似物理，再担心迁移时性能衰减。视频里的光照、材质、接触、形变，都是真实世界本身的样子，这对学习物理先验尤其有价值。

3.3 成本与扩展性

单段成本约为遥操作的 1/1,000，且不依赖操作员数量：不存在"多一万条数据要多雇一百个人"的约束，理论上可随检索范围扩展。Bright Data 官方 VLA 页面目前显示，每日向 AI 团队提供 2PB+ 视频数据，并覆盖 195 个国家；90PB 网络存档、400M+ 月度 IP 地址的全球网络，用于大规模解封与数据采集、99.99% Uptime SLA，全球 75% 的顶尖 AI 实验室在使用。

3.4 诚实边界：它不是机器人轨迹

第二条产线也有明确的边界，写清楚比藏着好：

• 网络视频可能包含遥操作数据中较少见的失败和边缘案例，有潜力扩大分布覆盖，但这些样本仍需筛选和标注，不能假设天然就是可训练数据；
• 它默认没有动作标签——视频里看不到机器人的关节角、夹爪状态和控制信号，这些仍要靠遥操作或后续标注补齐；
• 它更适合预训练与表征学习阶段，而不是最终的任务精调。

3.5 三种数据来源横向对比

维度	遥操作	仿真（Isaac Sim / MuJoCo）	Bright Data 网络视频
每条数据成本	高	极低	极低（约遥操作的 1/1000）
可扩展性	受限于操作员数量	理论无限（但存在域偏差）	实际无限
物理真实性	✅ 最高	⚠ 存在仿真偏差	✅ 真实物理
动作标签	✅ 有	✅ 有	⚠ 需额外标注
场景多样性	❌ 受限于演示者	⚠ 受限于场景设计	✅ 195 国全覆盖
边缘案例覆盖	❌ 难以规模化	❌ 需人工设计	✅ 自然存在
合规性	✅	✅	✅ SOC 2 / GDPR

表中"边缘案例覆盖"指案例在数据源中自然存在，进入训练管线前仍需筛选与标注。

四、Bright Data VLA 视频搜索管道详解

Bright Data 把"网络视频变成训练数据"拆成三步：Define 定义场景条件、Search 筛选候选片段、Extract 交付预裁剪视频和结构化元数据——把目标场景变成可检索、可裁剪、可追踪的样本。关键不是"找到视频"，而是让每一段交付物都能直接对上你的训练需求。

4.1 三步工作流：Define → Search → Extract

• Define（定义）——下需求单：指定任务族、环境类型、光照条件、摄像头视角（如"仓储拣货 + 低光照 + 腕部视角"），系统将其映射到 90PB 网络存档的过滤条件；
• Search（搜索）——质检筛选：按场景、光照、地理位置、摄像角度、时长、上传日期等条件过滤，下载前预览验证样本质量，避免"先批量下载再人工翻找"的返工模式；Filter API 还支持在抓取前按语言、时长、上传日期、格式等参数先构建定向清单；
• Extract（提取）——交付入库：自动处理限速与反爬——官方页面说明其 Web Unlocker 依托 400M+ 月活 IP 池自动重试 HTTP 429、以 AI 浏览器指纹规避检测——最终输出预裁剪 MP4 和结构化元数据，直传 S3 / GCS / Azure Blob / Webhook。

4.2 场景级过滤能力

场景级过滤可以直接精确到：“厨房擦拭类操作”、“低光照仓储拣货”、“雨天高速合流”。这个粒度的意义在于：训练什么任务，就检索什么场景，把无关内容的噪声挡在管线之外，而不是下载之后再花人力筛。

4.3 元数据结构与交付格式

每段片段附带这样的结构化元数据：

{
  "scenario_type": "kitchen_manipulation",
  "env_context": "residential_kitchen_low_light",
  "camera_pov": "third_person_overhead",
  "actions": ["reach", "grasp", "wipe", "place"],
  "start_ms": 12400,
  "end_ms": 28700,
  "fps": 30,
  "geo_region": "US"
}

逐字段看一遍，就能理解这套 schema 为什么"开箱即用"：

字段	含义	在管线里的作用
scenario_type	场景类型（厨房操作）	按任务族检索与去重
env_context	环境上下文（住宅厨房·低光照）	控制环境分布
camera_pov	机位视角（第三方俯拍）	视角条件过滤
actions[]	动作语义序列（伸手→抓取→擦拭→放置）	动作分段与检索
start_ms / end_ms	片段起止毫秒时间戳	精确裁剪，只取所需
fps	帧率	时间对齐
geo_region	地理区域（美国）	地域分布控制

特别注意 actions[] 是视频中的动作语义，不是机器人的关节角、末端位姿或控制指令；精确的动作监督仍需遥操作或标注补齐。官方页面还说明，这套标准化元数据可直接用于时间对齐、坐标归一化与动作分段——意味着拿到手就能接进训练框架，不用先做一遍格式清洗。

📌 工程师快速通道：想测试指定场景（如"低光照仓储拣货"）的提取效果？注册开发者账号，调用 Filter API 获取样本片段（官方确认所有数据类型均可免费获取样本文件）：VLA 行动模型视频数据

4.4 合规与安全

合规方面：SOC 2 Type II 与 ISO 27001 认证、符合 GDPR 和 CCPA；2024 年赢得对 Meta 和 X 的美国联邦法院诉讼，为合规网页数据采集确立法律先例。数据直传用户私有云、不经第三方存储；账户侧有 KYC（了解你的客户）用例审核；官方还为大学与非营利研究机构提供学术许可。对数据团队来说，相当于第二产线的"环评"已经办妥。

五、典型使用场景拆解

越依赖真实世界多样性、而非某台机器人的精确控制信号，网络视频优势越明显。三类典型 Physical AI 场景的"产能需求单"如下。

5.1 人形机器人

厨房操作（擦拭、摆放、倒液）、仓储作业（拣货、分拣、码垛）、装配任务（插入、紧固、对齐）——这些任务的操作变体多到遥操作永远采不完：换一个物体材质、换一个摆放角度，就是一条新分布。网络视频先让模型学会"人如何接近物体、操作之后环境怎么变化"，建立起视觉与动作语义的底子；真机数据再对齐末端位姿与力控，完成最后一步。

5.2 自动驾驶

城市路口、高速并线、雨雾雪夜间——测试车队跑不完 195 国的道路结构与天气组合，也不可能主动复现每一个低频场景。网络视频天然带地理与气候分布，还包含施工区、无标线道路、应急车辆这类难以主动制造的边缘案例，适合视觉预训练与世界模型学习。

5.3 世界模型

物体动力学（下落、滑动、弹跳）、流体与软体交互、多物体遮挡——世界模型关心的本来就是"执行一个动作之后，世界会怎么变化"，真实视频记录的正是这些状态转移本身，因此真实视频本身就是监督信号，对动作标签的依赖也最低。

六、与遥操作的协同：产能规划，不是替代

最优策略是两条产线分工：预训练用网络视频打底，仿真扩充可控变体，精调用遥操作在目标硬件上对齐动作。

6.1 按训练阶段分工

训练阶段	推荐数据来源	目标
大规模预训练	Bright Data 网络视频	建立视觉感知与物理世界理解的泛化基础
任务泛化训练	仿真（Isaac Sim / MuJoCo）	低成本扩充任务变体与失败状态
目标硬件精调	遥操作数据	对齐动作空间，达成高精度执行

这个分工的实质，是把最贵的真机时间留给它最擅长的事：网络视频让模型"看得够广"，仿真让模型"练得够多"，遥操作让模型在目标机器人上"做得够准"。

6.2 为什么是互补，不是替代

网络视频不是遥操作的替代品——它把遥操作从"覆盖整个世界"的产能焦虑中解放出来，专注最后一公里的动作对齐。反过来说，遥操作的动作标签质量，也是网络视频后续标注的对齐基准。两条产线各干最擅长的事，总产能才上得去。

七、何时选择网络视频，何时选择遥操作？

一句话：要"广"选网络视频，要"准"选遥操作。

7.1 决策清单

选遥操作： ① 需要精确动作标签（关节角、力反馈、夹爪状态）；② 任务高度特定、网络视频中极少出现；③ 数据量需求不大、预算充足。

选网络视频： ① 需要大规模预训练数据与场景多样性；② 需要地理、天气、视角、异常事件的广覆盖；③ 成本敏感、等不起遥操作的采集速度。

7.2 用一个小规模 PoC 验证

已有明确的 VLA 场景？先跑一个小规模 PoC（Proof of Concept，概念验证）：选目标任务 → 定义环境、视角和动作条件 → 提取一批预裁剪视频和元数据 → 验证能否直接进入数据管线 → 通过后再扩展到更多场景：量数据 VLA 视频信息流

交付模式上（官方口径）：一次性快照成本最低，适合 PoC 与小规模实验；周期性与持续供给按交付次数计费，适合生产级训练管线。

八、FAQ：关于网络视频训练 VLA 的常见问题

Q1：网络视频用于 VLA 训练合法吗？ **A：**Bright Data 仅采集公开可用的数据，持 SOC 2 Type II 与 ISO 27001 认证、符合 GDPR 和 CCPA；2024 年对 Meta 和 X 的联邦法院胜诉确立了合规采集的法律先例。具体训练项目仍应结合来源授权与数据用途完成内部合规审查。

Q2：没有动作标签的视频能用来训练 VLA 模型吗？ **A：**能。视频包含动作前后的状态变化与动作语义，可用于预训练、表征学习与世界模型；精确的动作监督需遥操作数据或后续标注补齐。

Q3：遥操作会被网络视频取代吗？ **A：**不会。两者是互补分工：网络视频让模型"世界见得更广"，遥操作让机器人"动作学得更准"。

Q4：它和 yt-dlp 这类开源下载工具有什么区别？ **A：**yt-dlp 适合下载单个视频；Bright Data 的媒体抓取 API 面向 PB 级训练管道——内置限速重试、反爬处理、标准化元数据与合规框架，以持续交付而非单次下载的方式工作。

Q5：Bright Data 的视频数据适合 VLA 的哪个训练阶段？

**A：**主要适合大规模预训练、视觉表征学习和世界模型训练，也可以作为任务泛化数据。目标机器人最终的动作对齐仍建议使用遥操作或其他带精确 action labels 的数据。

Q6：Bright Data 视频数据可以直接用于机器人 policy training 吗？

**A：**不能默认直接使用。视频需要经过筛选、质量控制和必要的动作/状态标注；它天然提供的是视觉和动作语义信息，而不是完整的机器人控制轨迹。

九、总结

回头看产能账本：遥操作产线质量最高，但成本、人力吞吐、分布三张核算单决定了它扩不成"世界级产能"；网络视频这条第二产线，以约 1/1,000 的成本、195 国的真实分布补上了场景覆盖——但它默认没有动作标签，补的是"看得广"，不是"做得准"。

所以 2026 年更现实的问题不是"选哪条产线"，而是怎么排产：预训练交给网络视频，变体扩充交给仿真，动作对齐交给遥操作。数据团队的功夫，下在把三条来源接进同一条管线——场景定义、片段提取、元数据核验、动作补标，一环一环打通。

验证的起点也不复杂：挑一个具体场景，跑通 Define → Search → Extract，看交付的 MP4 和元数据能不能直接进你的训练流程。这本账算清楚了，产线怎么排，你心里就有数了。

别让遥操作的产能天花板锁住模型迭代。通过 Bright Data API 接入 90PB 网络视频存档，获取预裁剪 MP4 与结构化元数据——场景覆盖交给网络数据，真机时间留给动作对齐。

获取 Bright Data VLA 视频数据集与 API 接入文档 → Bright Data VLA 视频数据集