最近做具身智能数据项目，我越来越强烈地感受到一个变化：

数据还在疯狂增加，但真正“新的数据”，可能没有想象中增加得那么快。

原因来自两个方向。

一个发生在采集之前：

工厂、酒店、学校、仓库这些真实场景，

正在被不同平台、不同数据公司一遍又一遍地寻找、登记和采集。

另一个发生在采集之后：

同一批已经采完的数据，又可能经过不同供应链节点反复流转。

行业里有个很直接的说法：串货。

场地重复采，数据重复卖。

这两个现象叠在一起，我觉得具身智能行业正在悄悄出现第一轮：

“数据通胀”。

一、场地还没开始采，就已经被登记了很多遍

前段时间具身智能数据最火的时候，很多项目第一句话不是问：

你有多少标注员？

而是：

• 你手里有多少真实场景？

• 工厂有没有？

• 酒店有没有？

• 学校有没有？

• 图书馆有没有？

• 仓库、商超、办公室能不能进？

于是很多公司开始干一件事情：

• 疯狂收集场地资源、场地名称、所在城市、面积。

• 行业类型、生产工序。

• 能不能进机器人、能不能拍摄、每天能进多少人。

• 是否有保密要求、甚至现场负责人联系方式。

慢慢地，“场地库”开始变成具身数据公司的一种资源。

这没有什么问题。

问题是：行业里容易获得的真实场景其实就那么多。

一家工厂可能今天被A平台登记。

下个月B公司找到厂长，又登记一次。

再过一段时间，C数据公司拿着另外一个机器人项目重新进场。

甚至同一个场地，同时出现在好几个供应商的资源表里。

最后就会出现一个很有意思的现象：

大家都说自己有500个场景，但把名单真正合并以后，可能大量场景其实是重合的。

这就是第一层“数据通胀”。

不是数据已经重复。

而是：生产数据的资源，先重复了。

二、同一工厂不能只是换个甲方再采一遍

这里很容易产生一个误解：是不是一个工厂采过一次，以后就不能采了？

当然不是。

同一个工厂完全可以产生很多批高价值数据。

• 第一次采正常搬运。

• 第二次增加不同重量。

• 第三次增加遮挡。

• 第四次增加多人干扰。

• 第五次专门采失败。

• 第六次采失败后的恢复。

• 第七次加入长流程装配。

虽然场地没有换，数据分布一直在变。

这种重复采集当然有意义。

真正的问题是另外一种情况：

• 场地没变。

• 工位没变。

• 物体差不多。

• 任务差不多。

• 动作也差不多。

只是：换了一家公司、换了一个项目、换了一批采集员，又重新采了几百小时。

文件确实是新的。

但是对模型来说：到底新增了多少它以前没见过的信息？

这才是关键。

所以我理解的具身数据“通胀”，并不是数据数量变多。

而是：每新增一个小时数据，带来的信息增量正在下降。

三、数据采完以后，还可能继续串货

如果第一种通胀发生在上游，第二种就发生在供应链里。

具身数据现在有一个非常特殊的问题：很多数据并不是甲方直接组织生产。

中间可能存在：机器人公司，数据平台，一级供应商，区域服务商，采集公司，甚至个人资源方。

供应链一长，就会出现一个风险：同一批数据被反复流转。A项目采了一批。

经过中间环节以后，换个数据包名称，重新拆一下目录，改一下任务描述，又进入另外一个需求。

行业里大家说的“串货”，很多时候就是这个意思。

这里当然需要区分具体合同、数据权属和授权范围，并不是所有二次流转都有问题。

但从模型训练价值来看，有一个问题无法回避：客户以为自己买到了第二批数据，实际上可能只是第一次见过的数据换了一件衣服。

这比场景重复更麻烦。

因为场景重复至少：重新采了一次。

光照有变化、人员有变化、动作会有细微差异。

但数据直接重复流转，可能连这些变化都没有。

三、这会让1000小时数据越来越危险

现在很多具身数据项目还是按照：小时。或者：Episode / 条，结算。

这套计价方式很容易理解。

但是当数据通胀越来越明显以后，一个问题一定会出现：

A公司给我1000小时。

B公司又给我1000小时。

所以我现在有2000小时数据？

未必。

如果两批数据高度相似，模型真正获得的有效信息量可能远小于2000小时。

于是未来客户可能不会只问：这批数据多少小时？

而会继续问：

• 和我已有的数据重复多少？

• 场景覆盖增加了多少？

• 新增了什么动作？

• 有没有新的失败类型？

• 有没有新的长尾状态？

• 这1000小时里，真正值得进入训练集的有多少？

这时候，“有效小时”这个概念也会再次升级。

过去我们讲：采集小时 ≠ 可结算有效小时。

以后可能还要再加一层：可结算有效小时 ≠ 训练有效小时。

五、正是这时我看到一类新工具出现

最近看到一个机器人数据工具：Calibra。

它给自己的定位是：Robot Dataset Observability。

简单理解：不要急着拿机器人数据去训练，先给数据做一次体检。

它不是传统的画框工具。

它检查的是：时间戳有没有异常，有没有丢帧，摄像头有没有冻结，视频是不是模糊，机器人动作有没有突然抖动，Episode是不是不完整，不同轨迹之间是不是高度相似，整个数据集到底覆盖了多大的行为范围。

它把流程概括成四步：Integrity → Quality → Coverage → Optimize

翻译过来就是：完整性 → 质量 → 覆盖度 → 优化。

这个顺序非常值得数据公司注意。

因为前两个问题大家一直在做。

数据坏没坏？

数据合不合格？

真正新的，是后两个：这批数据够不够丰富？

以及：这里面哪些数据其实可以不要？

六、过去QA找错数据，以后还找重复数据

传统数据标注公司的QA主要抓：漏标、错标、框偏、视频损坏、任务未完成。

这些属于：Bad Data。

但是如果具身数据进入今天这个阶段，QA可能还得面对另外两类问题：Duplicate Data。

重复数据。

以及：Low-value Data。

低增量数据。

最麻烦的是：后两种数据看起来完全“合格”。

比如一条机器人轨迹：视频完整、动作完整、没有丢帧、任务也成功完成。

甲方按照传统规则完全可以验收。

但如果客户数据库里已经有5000条高度相似轨迹，第5001条到底值多少钱？

这就是数据工具接下来必须回答的问题。

Calibra现在已经在尝试通过轨迹多样性、Coverage以及Coreset Selection，从大量Episode中筛选一个更有代表性的数据子集。

项目方还对30个公开LeRobot数据集进行了自动质量审计，结果显示这些公开数据集普遍存在至少一项值得关注的质量问题。

需要说明的是，它关于数据裁剪和训练效果的结果目前主要来自项目自己的实验，不能直接推导成“机器人数据可以统一删除75%”。

但它真正重要的地方根本不在这个数字。

而在于：已经有人开始把，“这条机器人数据到底值不值得留下”做成工具了。

七、为什么这种工具会在现在出现？

我觉得答案就在前面说的两个“通胀”里。

当数据非常缺的时候，没有人关心重复，先采回来再说。

当行业只有1000小时数据的时候，第1001小时通常都有价值。

但是当数据开始变成：10万小时、100万条Episode，不同公司又在相同场景反复生产，供应链里还有数据反复流转，问题就变了。

这时候模型训练真正稀缺的已经不只是：更多数据。

而是：新的数据。

所以去重、质量评分、轨迹聚类、Coverage分析、Coreset筛选这些工具开始有价值。

它们本质上都在解决同一个问题：别再告诉我有多少数据，先告诉我这里面到底有多少东西是我没见过的。

八、下一阶段，数据公司开始建数据指纹库

这是我觉得对现在数据公司最重要的一个变化。

很多公司正在积累：场地资源库。

以后可能还需要另一套东西：数据指纹库。

比如：

这个场地以前采过什么？

采过哪些任务？

有哪些物体？

哪些动作已经很多？

哪些动作很少？

数据和历史项目相似度多高？

有没有重复Episode？

哪些异常状态没有覆盖？

客户已有数据和准备采购的数据，到底有多少重合？

一旦这些信息能被记录下来，数据生产逻辑就会发生变化。

以前：客户要1000小时，我去找地方采1000小时。

以后：客户要提升模型能力，我先看已有数据缺什么，再决定下一批1000小时到底应该采什么。

前一种卖的是：产能。

后一种卖的是：数据设计能力。

九、具身数据第一轮淘汰赛不是价格战

而是：谁还在靠“数据量”做生意。

具身数据一定还会继续高速增长。

工厂也一定还会继续被采，数据交易也不会消失。

但是行业评价数据的方式可能正在变化：

第一阶段看：有没有。

第二阶段看：有多少。

第三阶段看：质量怎么样。

再往后一定会问：有没有增量。

到那个时候，一家数据公司真正值钱的能力，可能不再是：我手里有500家工厂。

而是：我知道这500家工厂里，哪50家还能生产客户真正缺的数据

也不再是：我这里还有10万条机器人数据。

而是：我能证明这10万条数据和你已有的数据到底重复多少，新增覆盖了什么。

这才是“数据通胀”真正会改变行业的地方。

场地被一遍又一遍地采。

数据被一层又一层地流转。

当大家手里的“小时数”越来越大以后，真正稀缺的反而会变成一件很简单的东西：

没见过的数据。

我是AI数据标注猿刘吉，

跟着我，用数据视角看AI世界。