灵初智能前阵说年底要攒到100万小时数据，而4月份才刚开源1000小时。三个月量级翻了快一千倍，这胃口说明具身智能对数据的渴求跟大模型根本不在一个维度上。

我更在意的是"小时"这个单位本身。早年搞AI，数据都按"张""条"数，ImageNet多少万张、语料多少亿token。现在直接拿时间轴说话，底层其实是数据形态变了——从一张图配个标签，变成连续的交互时序。一段抓、放、反馈的视频流你没法拆成"条"去数，只能按时长量。采集、存储、清洗那套门槛完全不一样，带宽和标注成本是指数往上走的。

再看它全国铺数据采集中心，信号挺清楚：下半场拼的不再只是算力和模型结构，谁先把真实世界的交互数据规模化采下来，谁就捏住具身智能的入口。接下来比的是带时间轴的活数据，不是躺在那儿的静态样本。

三个月从一千小时蹦到一百万，这跨度我第一反应是先打个问号。不是唱反调，是早些年见过太多"年底攒够XX"的豪言，真到点能交出来的，往往打个对折都不止。具身这块门槛比大模型还高，单位换成时间轴，脏数据和存储成本都是指数往上爬的。楼主说谁先规模化谁捏入口，方向我认，只是这入口怕是不好进。

读着像临河看水。从前数张数条，是把光阴剁碎了数；如今按小时攒，倒承认有些东西只能由它淌，容不得一刀切开。

笑死，灵初这进度表看着跟吹气球似的，三个月从一千翻到一百万，离谱得我都想替它问一句：这百万小时到底是真采下来的，还是账面上算出来的 (￣▽￣)

不过楼主说"小时"这个单位本身有意思，这点我服。早年数"张"数"条"，那是把世界切成一块块标本摆着看；现在按时长量，等于承认很多事你没法切片，只能顺着时间轴看它怎么流。这个转变说得挺透的。
也是醉了
但我这人疑心重，忍不住嘀咕一句：把数据从"条"换成"小时"，有时候也挺像称重改按斤卖——数字一下子好看多了。我去一百万小时听着吓人，可具身那点活儿真要铺开，怕是连零头都够不着。单位换了不代表门槛没了，只是把难受的地方从甲地挪到乙地，清洗标注那笔账迟早得还。好家伙

说真的，比起它年底能不能攒够，我更想看那套采集中心的账本长啥样。全国铺点、带宽电费都是真金白银，这戏才有得看。

有个细节我觉得值得掰扯一下，就是"小时"当计量单位这件事，可能比楼主说的要早。视频理解那边早就在按时长算了，Kinetics、Something-Something、Epic-Kitchen 这些数据集都是多少小时起跳，跟 ImageNet 按"张"数其实是并行存在的两条线，不是替代关系。具身智能把这条线推到台前是真，但说数据形态"从一张图配标签变成连续时序"，好像把整个视频时代都给抹掉了。

另外那个"三个月翻一千倍"我也存点疑。四月开源一千小时，不等于四月份总共就只有一千小时。开源出去的往往是挑过的、脱敏过的、能示人的部分，真实采集量本就可能大一个量级。年底喊一百万小时，更像是把"建了多少采集点、铺了多少机器人"折算成产能目标，跟已经落袋的数据量是两码事。拿开源数和目标数直接相除得出一千倍，这个算法恐是站不住。

楼主说"下半场拼的是带时间轴的活数据"这个判断我倒是认同的。只是活数据规模化之后，清洗和标注那道坎到底怎么过，现在各家都还在摸，没见谁真把成本曲线压下来。

想起前两年自动驾驶那边也是先喊攒了多少公里路测，后来圈里才回过味来，关键不在里程堆多高，而是里头corner case占多少。把"张"“条"换成"小时”，气势是足了，可落到具身这块，一段抓取翻车的视频和一段顺溜到位的，含金量差出去不知多少倍。数字翻一千倍容易讲给投资人听，真要论那"入口"捏在谁手里，还得看采来的东西经不经得起用。
我觉得吧怎么说呢
灵初全国铺采集中心这步棋，我倒觉得比年底那百万小时的目标更值得盯。我觉得吧数据能稳定、持续地从真实场景里淌出来，比憋个大数字难太多了。早年好些团队数据全靠实验室里摆拍，模型一上真实货架就抓瞎。
嗯…
楼主那句"带时间轴的活数据"，我是真觉得说到点子上了。

关于"小时"这个单位，我想补一句。它真不算新——语音这块几十年都拿小时算，LibriSpeech 一千小时在2015年就是标配了，后来的大规模语音语料动辄上万小时。所以"从张/条到时间轴"这条叙事线没那么干净，时间轴数据一直都在，只是以前集中在音频。

真正新的是把这套逻辑搬到了视觉加动作的连续流上，还要拉到百万小时量级。这里有个现实坎：语音的小时数好堆，采集便宜；具身数据是视觉、力觉、关节角同步的多模态，单位时长里的信息密度和存储标注成本完全不是一个量级。拿小时当标尺没问题，但百万小时的多模态时序才是真门槛，至于灵初年底能不能真采下来，我持观望。

这"小时"一当计量单位，我第一反应是，那一百万小时里得有多少是凑时长的。以前数"张"数"条"，是把世界剁碎了摆盘，挑能看的留；现在按时长量，等于认了，有些东西拆不开。想当年一个动作从起手到收尾…，中间那点迟疑、纠错、回环，掰成一条条就丢了魂。连续的东西就是费料，这道理朴素。

不过三个月从一千蹦到一百万，这胃口我先信一半。早些年在外面栽过一回，学了个乖：谁把盘子画得越大，越得先按兵不动看两眼。铺采集中心、抢入口，这类话耳朵都听出茧。真把真实世界的交互时序规模化抓下来，坎儿不在嗓门大，在能不能蹲到没人去的角落。数据扎堆的地方卷死，冷清处才捏着命门。

你盯着那条时间轴慢慢看就成，别叫"百万小时"晃了神。

年底一百万小时 四月才刚一千 这胃口绝了 但三个月真能翻一千倍？采集中心铺再多也得有人实打实堆时间 我搬砖那会儿最懂这种量靠人扛哈哈

补充个对照：用"小时"量视频数据不是这轮才有的。Epic Kitchens 2018 年就用约 100 小时打底，Ego4D 2022 年已约 3670 小时、覆盖 9 国，Kinetics 也按时长标注。"按时长量"是时序数据的天然方式，算不上新信号。

变的不是单位，是量级从千小时跳到百万小时，数据从被动观测转向带反馈的主动交互。这两层拆开，比"小时成新计时单位"更准。

另，"三个月翻一千倍"我有点对不上：4 月才开源 1000 小时，到年底是八个来月。

三个月从一千干到一百万 这增量笑死 不过按小时采数据门槛是真高 带宽标注成本一涨普通人根本玩不起

你最后那句"带时间轴的活数据"我认同，但"小时当新计时单位"这事我得拆一下。视频数据一向按时长量，不是凭空冒出来的新词，真正变的是数据内部的密度。

一张图配标签，信息摊在一个静态帧上。机器人一段抓取视频，每一帧都挂着动作指令、关节角度、力反馈甚至声音。按时长算，1小时看着和1小时监控录像一样大，里头有效信息密度差出去几个数量级。所以"小时"这个单位反而把难度稀释了。100万小时听着吓人，如果大部分是低质量自由摆弄，含金量可能不如10万小时带密集遥操作标注的数据。现在很多人拿时长当军备竞赛的尺子，대박。

再说规模。文本图像能靠众包，ImageNet当年就是亚马逊外包标出来的。机器人数据绕不开真机加人远程操作，这里有物理地板。GPU小时随时加，机器人小时加一台是一台还得有人盯着。顺带提一句，4月开源1000小时到年底100万，跨度是八个月不是三个月，原文"三个月翻一千倍"的口径松了点，但方向没错：这是把全国采集中心的规划产能一次性算进目标。我倾向把它当目标值而非已采数据。
其实
补充一个被忽略的点：具身数据的瓶颈不在采集量，在场景和任务多样性。1万小时重复抓同一种杯子，和覆盖五百种物体的1万小时，泛化能力天差地别。谁先把五花八门的真实交互规模化，而不只是堆小时数，才真正捏住入口。

你提的带宽和标注成本指数涨我信，但涨最猛的是标注里的人工部分。连续动作序列的自动标注至今没便宜解法。