灵初智能最近在全国铺数据采集中心、喊出年底冲百万小时，还开源了首批1000小时手部数据。表面看是常规PR，我倒觉得藏着大模型赛道的一个拐点。
公开互联网文本这几年被各路模型啃得见底，前几波玩家基本靠"白嫖"全网语料起家，那层红利现在明显见顶。具身智能要的数据——机器人得学会真人怎么动手——网上根本爬不到，只能实打实建采集中心、雇人录演示。等于数据从免费公共资源，变成了要盖厂房、养团队、上设备的重资产。
所以下半场拼的也许不是谁架构更巧，而是谁能源源不断、低成本产出真实世界的 real-world data。开源那1000小时对没预算的小团队是雪中送炭，但重资产采集本身会不会把门槛越抬越高、让数据也变成头部玩家的 game，这点我有点悲观。这波"数据工厂"会像当年云算力一样卷成头部游戏吗？
楼主把"数据工厂"类比云算力，这一点我觉得值得商榷，两者的成本曲线其实不太一样。云算力的护城河是硬件折旧加集群调度，钱砸进去、GPU堆起来，规模效应几乎是线性的，谁有钱谁就能把单位成本压到最低。但真人演示数据的瓶颈是人而不是机器，一个采集中心雇再多的人，每人每天能录的有效演示时长是硬上限，组织成本随规模边际递增而非递减。所以"砸钱就能赢"在数据采集上没那么顺，这一点和当年云厂商拼集群不是一回事。
再说"公开文本被啃见底"那个判断，可能把问题想简单了。文本总量远没到头，真正的瓶颈是高质量对齐数据（alignment data）和长尾专业语料。而且合成数据（synthetic data）在语言侧的占比涨得很快，这部分其实缓解了免费语料见底的压力。文本侧和具身侧的稀缺性质不同：前者是"好数据不好找"，后者是"数据本身不存在"，不能放在同一个"见底"框架里看。
其实
至于"网上爬不到具身数据"，严格讲也不全对。带标注的真人操作视频其实有，Ego4D、Something-Something 都是公开数据集，YouTube 上操作类视频更是海量。严格来说缺的是机器人可执行的、带 action label 的配对数据，这部分确实只能自己造。所以灵初开源那 1000 小时，赌的未必是单纯堆量，更像是想占"数据标准"和社区生态的位置，这个动作本身和小团队的利益不一定冲突。严格来说
楼主担心门槛被抬成头部游戏，从某种角度看，这段反而可能给小团队留了缝：开源数据加仿真生成的组合，能把重资产那部分摊薄不少。
想起前几年大家还在说公开语料快被啃光了，没想到这么快就轮到得自己盖厂、雇人录演示了。楼主担心的门槛抬高我是认同的，不过比起云算力那波，我倒觉得真实世界的数据没那么容易锁死。
你想啊，云算力是建好机房就能一直租出去，但机器人要学的活儿天天在变，今天叠衣服明天换药瓶，旧数据会慢慢过时。这种重资产更像是得不停转的流水线，不是建好就坐收租的护城河。小团队自己盖不起厂，但靠开源和社区攒的轻量数据，说不定还能在缝隙里活着。所以我比楼主稍微乐观一丢丢。
不过"雇人录演示"这个工种听着真新鲜，不知道干久了手腕会不会先报废。
笑死 盖厂产数据这说法太魔幻了 不过那1000小时免费放出来 倒像在先把水搅浑不让一家独吞哈哈
盖数据厂这说法绝了哈哈，但门槛越垒越高我跟你一样悲观，小团队真悬
免费语料被啃见底本来就是迟早的，这拐点我信！门槛抬高确实现实，但开源那1000小时对小团队是根救命绳，借这波赶紧冲比坐着叹气强。头部会不会通吃另说…，起码现在还没把门焊死。
前几年我身边也见过一拨人走这种"先铺摊子"的路子，厂房设备人一个不少，账面上看着特别唬人。可真到要出活儿的时候，最烧钱的从来不是设备，是能把事儿一点点磨出来的人。楼主担心门槛越抬越高，短期看确实会；但 real-world data 跟云算力不太一样，云是标品，谁钱多谁说话，真动手的数据脏得很，小团队要肯在某个细分动作上抠得够细，未必没饭吃。那种"我也建个中心"的冲动，得先压一压。
开源那1000小时我倒不觉得是雪中送炭，更像是先把采集标准和标注格式铺出去。等小团队都习惯用他们的体系了，后面那百万小时的高质量数据才是真正卡脖子的东西。
我年轻的时候互联网刚铺开那几年，也老听人念叨"信息门槛"会把小玩家挤死，后来每过一阵就换拨人从缝里钻出来。数据这事儿你说它变重资产，我觉得"重"多半是暂时的——等采集被标准化、工具化，门槛没准又塌回去了。比起谁有资本盖厂，我更好奇厂里data干不干净：摆一百个标准抓握容易，录一个真人在厨房手忙脚乱打翻酱油瓶的瞬间才贵。你担心的那个头部game，我倒没那么悲观，慢慢看吧。
笑死 盖厂房录数据这画面也太赛博了。楼主说门槛越抬越高我是真认同，免费语料啃光之后拼的就是谁家厂房多，这game普通人玩不起啊
把"数据工厂"类比成云算力，我有点存疑。云算力当年卷成头部游戏，关键是硬件折旧快、规模效应强，小厂单位成本拼不过巨头。但具身数据有个反方向的力量，开源那1000小时，小团队直接就能fine-tune，这种扩散效应其实在稀释头部优势，而不是加固它。
所以"门槛越抬越高"这个结论，得看灵初开源的是raw footage还是带动作标注的成品。前者普通人用不上，后者才是真雪中送炭。帖子没区分这点，我想他们放出来的应该是后者，否则前面"雪中送炭"那句就站不住了。有公开的data sheet吗？
楼主担心的“数据变成头部游戏”，我倒觉得未必会像云算力那样收得那么死。
早几年看网上各种资源，也经历过差不多的担心。慢慢来一开始都觉得某样东西会被几家巨头吃干净，跑着跑着才发现长尾那块一直有人活。具身智能的数据跟网页文本不一样，它没法标准化。慢慢来你灶台多高、椅子怎么摆、老人小孩动作节奏全都不一样。一个厂子录一百万小时，落到具体场景，未必比隔壁小团队对着自己那台机器攒的两千小时好用。
开源那1000小时，表面雪中送炭，底下也是在定格式、占生态。小团队顺着用久了，慢慢就被带进人家的路子。这倒不一定坏，但说门槛越抬越高，可能只看到一半。
我年轻的时候也总替小玩家发愁，后来发现能活下来的，靠的从来不是跟大头拼资源，是拼大头看不上的那些边角。这事不急，慢慢看就知道了。
我年轻那会儿，街上有的是互相借着磁带听歌的人，谁也不觉得听歌能变成一门要按月交钱的生意。后来母带、生产线、版权一码齐，事情就全变了。
看这帖子想起那个劲头。你说开源一千小时是雪中送炭，我倒觉得更像酒坊先请你尝一碗——酿那一缸的粮食、那口窖池，到底还是人家的。重资产这东西最要命的不是贵，是它先把"怎么生产数据"这道关攥住了。小团队拿到的永远是成品，造数据的手艺永远在别人锅里。
不过当年也没人料到盗版碟能把价格打下来。这局棋才刚摆开，急什么呢。