📋 目录

• 🎬 开场：两个对不上的数字
• 🔍 一、先拆开"合格数据"这个词
• 📊 二、缺口到底有多大：把三个数放在一起
• 🧪 三、为什么视频单独不够：一个物理学的理由
• 🔁 四、行业的解法：一个四层金字塔
• 🏗️ 五、领码 SPARK：缺口这件事，最后落在数据治理上
• ✅ 六、可以带走的判断标准
• 💬 你怎么看

---

🎬 开场：两个对不上的数字

2026 年 7 月 17 日，WAIC 2026 主论坛。它石智航创始人陈亦伦给出了一组量级判断：

“工业级自动驾驶系统训练需要约 100 万小时视频数据，而具身操作需要刻画更复杂的接触式物理规律，至少需要 1000 万小时合格数据。”

这个说法被反复引用，几乎成了行业共识。而更早的报道里还有一句更狠的：

“截至 2026 年初，全球高质量真实物理交互数据总量仅约 50 万小时，缺口超 99%。”

这 50 万小时来自《中国具身智能产业发展报告(2026)》，而且口径被说得很严格：只包括经过多模态时序对齐、完成有效任务标注的真实场景交互数据，排除了互联网上无标注视频，也排除了仿真生成的合成数据。

但就在同一个月，另一家公司公布了一个完全不同的数字。

Maxinsights 宣布完成 3000 万美元种子轮融资，官方新闻稿里写着：已采集超过 200 万小时第一人称视频，其中 150 万小时已完成标注加工、可直接用于模型训练，覆盖 30 多家客户。

50 万 vs 200 万。 一份行业报告说全球"硬通货"总量只有 50 万小时，另一家公司说自己一家就有 200 万小时。

差 4 倍。这不是小数点后的差异。

本文要回答的是：这两个数字量的到底是不是同一样东西？

---

🔍 一、先拆开"合格数据"这个词

答案藏在陈亦伦给出的三个条件里。他在同一个演讲里明确了什么样的数据才算数：

条件	具体要求	为什么必要
① 模态齐全	除视觉外必须包含力、触觉等物理交互信号	“视频能呈现位置与加速度，但无法呈现质量与力”
② 高交互性	不能是第三方视角的旁观视频，必须是智能体通过动作改变世界状态产生的交互数据	旁观数据学不到动作与结果的关系
③ 真实场景与真实任务	不是摆拍的、不是模拟场景	真实环境才有真实边缘情况

这三个条件，把"200 万小时"里的相当一部分排除掉了。

对照着看：

Maxinsights 的 200 万小时	是否满足三个条件
第一视角（裸手）视频，270 度视场角，采集手部与身体姿态	✅ 满足②（第一人称、有身体位姿）✅ 满足③（真实家庭/餐厅/酒店）
是否包含力/触觉模态	❌ 不满足①——触觉与力数据靠 MaxGlove 手套单独采集，且官方目标 2027 年才到 100 万小时
150 万小时 model-ready	经过标注与加工，但标注维度是环境、任务、子任务、指令四层标签 + 手部姿态 + 身体运动 + 物体交互，不含力觉信号

所以结论很直接：Maxinsights 的 200 万小时，和报告里的"50 万小时合格数据"，量的不是同一个东西。

后者是"含力触觉、多模态对齐、真实任务"的严格合格数据；前者是"含手部姿态与动作语义的高质量第一视角视频"。

这不是谁在吹牛，是两个口径差着一个模态。

三个数必须一起给

这条经验值得单独拎出来，因为它适用于所有数据采购场合：

只给的数字	会被怎么读	实际反映的
原始小时数（200 万）	“我们有海量数据”	采集产能
有效小时数（150 万）	“我们有 75% 合格率”	产线水平
模态清单（视频/力觉/触觉各多少）	“这些数据能教什么”	能力边界

只有第三个数字，才是决定这批数据能不能用于某个具体任务的东西。 前两个数字再好看，也回答不了"我的机器人能不能学会拧螺丝"这个问题。

⚠️ 需要标注清楚的边界："50 万小时"这个数字来自行业报告转述，我没有找到该报告原文的完整统计方法说明；而"200 万小时"和"150 万小时 model-ready"是 Maxinsights 官方新闻稿口径，未经第三方审计。两者不可直接相减。

---

📊 二、缺口到底有多大：把三个数放在一起

如果把能找到的所有量级放在一起，缺口的形状就清楚了。

口径	数量	来源与性质
全球高质量真实物理交互数据存量（严格口径）	约 50 万小时	行业报告转述，截至 2026 年初
工业级自动驾驶训练所需视频	约 100 万小时	陈亦伦，WAIC 2026
具身操作"合格数据"需求	至少 1000 万小时	陈亦伦，WAIC 2026
更长远的判断	亿小时级	姚卯青（智元），同场论坛
Maxinsights 单家累计采集	200 万小时（150 万可训练）	官方新闻稿，2026-10
光轮智能累计交付人类数据	超 150 万小时	官方口径，2026
头部机器人公司有效数据量预期	2025 年"万小时级"→ 2027 年"百万小时级"	行业预测转述

姚卯青给出的那个"亿小时级"判断，理由很值得展开，因为它是唯一解释"为什么差了 10 倍还不算多"的说法：

"现在主流大语言模型的预训练数据，国际领先的团队都用到了 100 万亿 Token，等效正常英语语速说话 100 亿小时。语言是信息密度高且噪声很低、所有话基本都有意义的系统，尚且要 100 亿小时的说话内容；对于物理世界且多模态、信息冗余很大，很多都是帧与帧之间的重复信息，或者是一帧之内背景的无效信息，必然也需要亿小时以上来自于真实世界的数据**。**

这个论证的结构很清晰：不是"具身比语言难十倍"，而是"物理数据的信噪比更低，所以等效小时数要乘一个更大的系数"。

用同样的逻辑还能推出另一个结论。智元在这次论坛上说，主流大语言模型预训练数据到了 100 万亿 Token（约 100 亿小时说话），而具身智能如果只是照抄这个数量级是不够的。

这个"信噪比"论证还有一个更实际的推论：它解释了为什么不能用互联网视频凑数。

姚卯青在同一场论坛里指出了视频路径的两个问题：

“第一，数据分布和机器人领域要掌握的对未来状态预测、对技能和动作的规划不一样。从互联网搜集的内容有些是娱乐性质的，有些甚至是创作性质的，反而是反物理规律的。”

第二个问题是模态覆盖：

“必须要使接触很丰富，其次要具备各种各样的原子动作，推、拉、拧、拽，还要有很多和不同形态物体交互的过程，柔性的、带摩擦力的、流体的。这些数据互联网上比较少，而且通过现有物理引擎很难模拟出来。”

注意最后半句——“通过现有物理引擎很难模拟出来”。这跟"仿真可以无限生成"的乐观说法直接冲突，也解释了为什么这一轮仿真的门槛抬到了"必须自研物理求解器"的程度。

---

🧪 三、为什么视频单独不够：一个物理学的理由

陈亦伦给了一句很有分量的话：

“仅通过视频无法发现牛顿第二定律，视频能呈现位置与加速度，但无法呈现质量与力。”

这句话可以直接推出"合格数据"为什么必须多模态。

物理量	视频能不能看到	后果
位置、速度、加速度	✅ 能	描述"物体在哪、怎么动"
质量	❌ 不能	同样动作，1 公斤和 10 公斤完全不同
力（接触力、摩擦力）	❌ 不能	决定抓取会不会滑、会不会捏坏
柔性、形变、纹理	部分（形变可见，摩擦系数不可见）	布料、软体操作的核心难点

这一栏直接解释了为什么 MaxGlove 这个"看起来平平无奇的手套"值得单独做：摄像头能记录手怎么动，记录不了握得多紧。

也解释了为什么 Maxinsights 把设备从 6 个摄像头减到 4 个之后，下一步不是加摄像头，而是加传感器——手心、手掌和手背都有弯曲传感器，用来收集力和触觉数据。

官方口径的计划是：2027 年实现 100 万小时力觉数据采集。

⚠️ 注意这里有一个耐人寻味的对照：如果"合格数据"必须含力触觉，那么 2027 年 MaxGlove 的 100 万小时，才是第一个能被严格口径计入的数。而全球存量是 50 万小时。即使这一家公司按计划做到，它一家也只能补上缺口的一小部分。

---

🔁 四、行业的解法：一个四层金字塔

面对 50 万对 1000 万的缺口，能装填的池子只有四个。这四层的分工在 WAIC 2026 的现场被反复提及：

层级	数据来源	成本	能力上限	代表玩家
第 1 层	互联网人类视频"淘金"	最低	只能做预训练，理解"世界大概什么样"，教不会精确力控	各模型公司自有爬取
第 2 层	仿真合成数据"量产"	低	物理是否可信取决于求解器	英伟达 Cosmos、Google DeepMind MuJoCo/Genie 3、无问智科"无垠"、光轮智能
第 3 层	无本体采集"铺量"	中（每小时 50~100 元量级）	受限于人力与质量管控	Maxinsights、简智机器人、京东采集队伍
第 4 层	真机遥操作	最高（每小时 500~1000 元）	最接近真机，但受复位时间物理上限约束	各地数采中心

这张表能把前面几篇文章的数字全部对上：成本从下往上递增，能教的东西从上往下变少。

无问智科给了一个具体数字：在篮子收纳任务中，仅需额外补充 200 万帧 UMI 数据，就能让成功率提升 15%。这是仿真 + 定向补充的组合打法。

光轮智能的路径是另一条，它的思路是先用仿真解决 99% 的问题，剩下最后 1% 再到真实场景里解决。杨海波给的理由很实际：

“在场景效用没有确定的时候，不可能让一台机器人在真实场景里先学习半年，没有这个条件。这时候仿真的优势就体现出来了。”

这句话点出了仿真真正的价值定位：不是替代真实数据，是让真实数据的采集不必从零开始。

还有一组数字值得放进来对比——复售率。

光轮智能已经实现部分数据集被超过 10 家客户复用，业内称为"复售率超 10 倍"。杨海波看重这个指标胜过订单绝对值，理由是：

“此举不仅优化了企业的毛利率结构，也会进一步代表行业认可的事实标准。如今多家企业共同采购同一份数据，代表着行业对于物理AI基础设施的刚性需求在逐渐显现。”

这就把"数据"和"数据资产"区分开了：一份能被 10 家客户同时验证的数据，它的价值不在这 10 次售卖，而在它已经成为了行业的事实标准。 这是复利，不是重复劳动。

---

🏗️ 五、领码 SPARK：缺口这件事，最后落在数据治理上

看到 50 万对 1000 万这个缺口，可能会有一个直觉反应：先拼命采。

但把上面四层看完会发现，决定成败的不是采到多少，是采到的能不能被用上。

原因在成本结构里：一次简单的抓取示教，从操作、录制、清洗、标注到仿真验证，综合成本能到几十元。而清洗、标注、对齐这些后处理环节，是真正决定"原始小时数"能变成多少"有效小时数"的地方。

换句话说，缺口的一半是"没采到"，另一半是"采到了但被浪费了"。

这个判断有一个可以验证的推论：如果"没采到"是主要矛盾，那么数据采集的边际成本应该随规模上升（要雇更多人）；如果"被浪费"是主要矛盾，那么规模越大，单位成本应该越低。

现实是两者同时存在。所以你会看到两种相反的抱怨同时出现：一边说"数据根本不够"，一边说"采来的数据根本不能用"。这两句话不是矛盾，是同一个问题的两种表现。

而在真实场景里，第二个问题的规模往往被低估了。有一个数字可以作为参照：北京人形数据基地初期，数据合格率只有 50%，经过三个月流程优化才稳定到 95%。

三个月，把合格率从 50% 提到 95%——意味着同样的采集投入，产出翻了一倍。这三个月的工作，比多招一倍采集员便宜得多。

再考虑到真实数据的属性：来源分散在多个国家、多级供应商、多种模态，质量分级明确但血缘不清——这道题的本质就是数据治理。

领码 SPARK 融合平台在这道题上的设计选择：

行业问题	SPARK 的设计选择	具体作用
数据来源多层（自采/采购/客户自备），血缘断在转手环节	治理中心前置	来源、授权范围、加工历史在入库时落库，不等出事再补
原始小时数与有效小时数两个口径混用	元数据与质量规则前置	每批数据带合格率与口径说明，"200 万"和"50 万"不再混着说
多模态（视频/力觉/触觉）分头采集、难对齐	iPaaS 接数据 + 统一元数据模型	多模态统一接入，时间对齐与坐标对齐有据可查
仿真数据与真实数据混合训练，来源标记不清	全域守卫划权限 + 数据血缘	每一批数据能追到是仿真还是真机、用了什么求解器、过了哪套质检
数据加工与 Agent 编排混在一起	与 Dify 分工	数据治理与加工归 SPARK，Agent 编排归 Dify

核心那条还是那句：平台能让"这批数据到底是什么"变成可执行、可追溯的判定，但"多少小时才够"“哪种模态对哪个任务有用”，仍然是专家的事。

有一个可以立刻用的判断标准：任何一份数据清单，必须同时给出三个数——原始小时数、经过质检的有效小时数、以及含哪些模态。 只给第一个数的，是拿工作量充成绩；只给第二个数的，是拿合格率掩盖了模态缺失；三个都给的，才是对自己、对客户、对投资人都负责的说法。

---

✅ 六、可以带走的判断标准

你看到的说法	你应该追问的	依据
“全球只有 50 万小时，缺口 99%”	这个"合格"包含力触觉吗？统计方法说明在哪？	严格口径排除互联网视频与仿真数据
“某公司已有 200 万小时数据”	含力/触觉模态吗？多少小时真能训练？	200 万中 150 万 model-ready，触觉靠 MaxGlove 单独采
“我们需要 1000 万小时”	100 万（自动驾驶）和 1000 万（具身）的差在哪？	接触式物理规律的刻画成本
“再多的数据也不够”	那为什么大模型 100 亿小时就够用了？	物理数据信噪比更低，需亿小时级（智元观点）
“视频就够了”	力、触觉、柔性怎么学？	“仅通过视频无法发现牛顿第二定律”
“仿真可以替代真实数据”	求解器是谁自研的？物理可信吗？	自研物理求解器 vs “看起来像”
“我们月产能 45 万小时”	是最高值还是稳定均值？	访谈原话"最高的产能"
“这一批数据值多少钱”	原始小时、有效小时、模态清单？	三个数缺一个，报价就无法验证

这套清单最后一条最重要。 在一个"缺 99%"的行业里，最容易出现的误判就是——把"我有很多小时"当成"我有很多可用小时"。 前者是产能，后者才是资产。

把缺口这件事翻译成一句能被用的话：

你要问的	对应的行动
这批数据能不能对齐？	查时序对齐与坐标对齐记录
这批数据教什么？	查标注维度，不只是"有没有标"
同样的场景有几种？	查多样性覆盖，尤其是边缘情况
换成别人的机器人能用吗？	查跨本体验证记录

只有第 4 条能回答的供应商，才真正具备"数据资产"而不是"数据工作量"。

---

💬 你怎么看

如果你是采购方，你会要求数据供应商在合同里写明哪三个数字，才能让你相信这批数据真的值这个价？评论区贴出来，我逐条帮你补齐。

评论区贴出来，我逐条帮你补齐判断标准。