解读"世界模型"之三：世界模型的护城河，真的是数据吗？

先看一组不对称的数字。GPT-5 的训练语料约合 100 亿小时当量的文本与多模态数据——来自互联网，采集成本近乎为零。而据业内测算，全行业积累的高质量具身交互数据只有约 50 万小时。差了将近一万倍。

今年 7 月的世界人工智能大会（WAIC）上，昆仑万维董事长兼 CEO 方汉把这笔账算得更细：真机及相关操作数据的采集成本约每小时 500 至 2000 元——照此计算，1000 万小时数据需要 50 亿到 200 亿元，"这个谁都扛不住，没有一家公司能负担得起"。而用手机、胸挂摄像头采集的异构数据，成本已降到 50 元左右一小时，他的预测是 2026 到 2027 年降到 10 元一小时——同样 1000 万小时，成本约 1 亿元。

从 50 亿到 1 亿，差了 50 倍。但真正的问题不是"能不能省"，而是：便宜 50 倍的数据，真能训练出同样强的世界模型吗？这一篇我们就来算这笔账——数据为什么贵、便宜的数据能不能用、以及护城河到底挖在哪里。

关于本文

由先进开源智能体检索整理，并完成筛选、核实与写作。信息均基于公开论文、权威媒体报道及网络公开讨论进行客观分析，不构成对任何技术路线或产品的立场判断，亦不代表对行业最终格局的预判。

如需转载、摘编或合作，请联系：电话：13522412591；邮箱：contact@xianjinai.cn。

一、为什么世界模型如此渴望数据

语言模型可以从海量文本里学知识和推理，因为互联网早已把文本备好。世界模型要学的东西不同：如果希望 AI 操控机器人，它不能只知道杯子是什么，还要知道杯子怎样被抓取、受到不同力度会发生什么、动作失败后环境如何变化。一条真正有价值的机器人数据，要同时记录它看到了什么、处于什么状态、执行了什么动作、环境发生了什么变化、结果是否符合预期——这是从观察到行动、再到结果的完整经验。

问题在于物理世界的复杂性：同样是抓杯子，材质、重量、摩擦力、抓取角度和夹爪状态都可能改变结果。如果数据只覆盖少数熟悉场景，模型在这些场景里表现不错，环境稍有变化就失灵。中科院信通院的研究判断把这层差异点得很透：传统 AI 数据只是"看见"的信号，具身数据是"做到"的行为证据。中国工程院外籍院士张建伟的估算是，具身智能对高质量数据的需求，是自动驾驶的上千倍、大语言模型的上百万倍。而且行业共识是，单个复杂技能（比如拧瓶盖）需要 2000 到 5000 小时数据，换一种材质或光照，可能就要重采。

所以，世界模型需要的不是大量样本的简单堆积，而是足够丰富的场景、动作、结果，以及失败案例。真正有价值的数据，是能帮模型学到新规律、修复关键预测、解决原本无法解决的问题的那部分。这也注定了这场数据竞争，比数视频条数复杂得多。

二、成本账：真机数据贵在哪里，价格又为什么正在崩

真机数据的成本，远不止设备钱。搭一批机械臂让机器人反复抓取，看起来就是让机器不断练习，实际是四层开销叠加：硬件投入与折旧（机械臂、夹爪、传感器、动作采集装置）；人的成本（设计任务、布置环境、遥操作、监督执行）；数据处理（不同设备坐标系不同、传感器有时间偏差、动作会失败、画面会遮挡，数据要清洗、对齐、筛选、质检）；以及最容易被忽略的一层——任务多样性。一台机器人反复抓同一种杯子，能积累大量操作记录，但未必让模型学会处理不同形状、材质和重量的物体。行业把这概括为一个"不可能三角"：精度、规模、成本，三者无法同时满足。

这个市场正在爆发，也正在变味。据《财经》今年 10 月报道，全国数据采集中心与训练场 2026 年年中已超过 60 家，但价格开始崩塌：单目第一视角数据从 200 多元一小时跌到 100 多元，市场上甚至出现"每小时几块钱"的数据——经多层转包，说不清来源，也不知道被卖过几次；更有公司互相采购、用硬件订单和数据订单对倒出营收流水。对照方汉"降到 10 元"的愿景，现实已经提前到位——只是以另一种方式。这个市场自己就在证明：数据的价格可以崩，但好数据的价格不会。

三、异构数据：便宜 50 倍的经验，到底能不能用

异构数据，简单说就是来自不同设备、不同场景、不同采集方式的数据——用手机拍自己打开抽屉，用胸挂摄像头记录叠衣服，或者不同机器人以各自格式记录动作经验。它便宜，但为什么会对世界模型有用？因为人类日常活动本身就包含丰富的物理经验：怎么拿起物体、怎么避开障碍、物体受作用后发生什么，都留在画面里。

难点在于，普通视频只有二维画面：看到一只手抓起杯子，却拿不到手指的三维姿态、空间距离和受力信息。昆仑万维的做法提供了一个工程答案——用辅助模型恢复视频的深度信息，再通过高斯泼溅重建手部三维模型和运动轨迹，把低成本的二维视频"升维"成接近专业设备的数据。换句话说，数据壁垒不在于买到多少视频，而在于能不能把脏数据转化成高质量训练信号。

初步验证已经有了。昆仑万维 7 月发布的具身智能世界模型 Riemann 1.0，在加入大量异构数据后，连叠衣服这类原本被认为"只靠真机数据就够"的任务，表现也明显提升，在 RoboCasa 365 复杂任务基准上比此前方法高出 8 个百分点，真机家务任务平均成功率达 85%。学术侧的旁证更早：Georgia Tech 与斯坦福的 EgoMimic 实验发现，人类第一视角数据能让任务表现提升 34% 到 228%，而且"2 小时机器人数据＋1 小时人类手部数据"，优于"3 小时纯机器人数据"；上海人工智能实验室的 InternW0 用约 7200 小时异构机器人数据，就在 LIBERO 基准上做到 98.6% 的操作成功率——数据的有效密度，可以远高于原始堆料。

但反方的意见同样要听。同在 WAIC 的圆桌上，松应科技创始人聂凯旋指出：异构数据以视觉采集为主，无法覆盖物体形变、作用力、温度、电磁场等工业场景要素；上海交通大学副教授马道林对异构数据能否在一两年内填平千万小时缺口持保守态度；中科院自动化所研究员乔红则点出更工程化的痛点——不同厂商的采集标准不统一，数据碎片化问题突出，即便采集成本降下来，跨厂商、跨场景的数据对齐仍是大量难题。所以异构数据的正确定位不是替代真机，而是分工：它负责扩大场景覆盖、提供通用先验；真机数据负责学习特定设备的动作规律、校准关键预测、验证真实环境表现。

四、1000 万小时：是技术门槛，还是行业下注？

方汉的账算完，还有一层需要说清楚：1000 万小时目前不是一个已验证的科学结论，而是一次基于经验的下注。它的依据，是昆仑万维用约 20 亿个 15 秒视频片段训练视频生成模型时观察到的 Scaling 拐点——以此推算，具身世界模型至少需要 1000 万小时数据才可能进入类似收敛阶段。但不同任务的世界模型，数据需求可能完全不同；即使时长相同，内容、质量、动作覆盖和训练方法也会显著影响结果。

学术证据也提醒我们别把"数据越多越好"当成定律。清华大学团队关于模仿学习数据 Scaling Law 的研究发现：环境与物体的多样性，比单一环境里的演示数量更重要——超过某个阈值后，再堆同质化演示，收益趋近于零。EgoMimic 的配比结论（少量人类数据胜过更多机器人数据）指向同一个方向。斯坦福《2026 AI 指数报告》则从结果端敲了警钟：机器人任务在仿真里成功率 89.4%，进真实家庭骤降到 12.4%——77 个百分点的鸿沟提醒所有人，数据的"种类"和"真实度"，可能比"小时数"更接近问题的本质。WorldArena 评测的结论也一致：以当前水平，用世界模型合成训练数据，质量仍显著落后于真实数据。

所以对"1000 万小时"，更有价值的问法不是"谁先达到这个数字"，而是：达到这个规模要花多少钱？这些数据够不够多样？增加数据后，任务表现是否持续改善？方汉自己给了可检验的时间表：目前主要厂商还在 10 万至 20 万小时量级，2026 年底可能有人到百万小时，2027 年底或有厂商到千万小时，1 亿小时至少还要三到五年。这三个节点，本身就是这个判断的验证路标——到点看结果，就知道这条路走不走得通。

五、真正的数据飞轮：知道下一批该采什么

如果竞争优势只来自现有数据规模，对手砸钱就能追上。更难复制的，是另一种能力：知道模型在哪些场景容易失败、缺什么数据，然后以最低成本定向补上。这套闭环可以拆成四步：让模型在任务中暴露问题；定位失败来自哪个环节——识别、摩擦、接触还是动作后果的预测；按需补充数据——能靠普通视频解决的不用仿真，能靠仿真解决的不上真机；重新训练并用独立测试验证改进是否真实。循环一旦转起来，优势会累积：模型越了解自己的薄弱环节，采的数据越有针对性，训练浪费越少，下一轮选择就越有依据。

而这场闭环竞赛的地理分布，可能比想象中更集中。方汉的判断很直接：数据采集设备的生产集中在中国——它是全球采集硬件的产地，有最全的工业门类，还有家政、快递等服务业带来的天然采集场景，"最大的数据产能在中国"。产业侧的棋谱已经铺开：智元在上海建了 4000 平方米数据工厂，100 多台机器人日产数万条轨迹，其开源的 AgiBotWorld 数据集已成行业基准——英伟达 GR00T N1 的真机数据约 80% 来源于此；优必选在柳州、自贡落地工业采集中心，500 多台机器人单台年产有效数据超 400 小时；京东自研 220 克可穿戴采集终端，联动 60 万采集员，目标两年积累 1000 万小时；智元旗下觅蜂科技把目标写到 2030 年——百亿小时级数据产能。全国这类数据采集中心与训练场，2026 年年中已超过 60 家。

但闭环的前提是数据能流动，而流动的堵点恰恰在上一章说过的碎片化。这也是为什么标准的进度值得盯：工信部已批准发布首批具身智能行业标准，从完整性、一致性等维度立质量规矩。规模是入场券，标准是通行证，闭环才是护城河——三者缺一，数据就只是昂贵的收藏品。

结语：护城河不是仓库，是转化率

把这笔账合起来，世界模型的数据竞争，很难被一个"多少小时"的数字决定。真正的优势来自四种能力的组合：低成本获取数据的能力（不让采集成本随规模失控）、整合异构数据的能力（不同设备与视角能否统一利用，缺的状态信息能否合理补足而非硬凑）、把数据转化为模型能力的效率（增加数据后任务表现是否真改善）、以及用现实反馈持续修正模型的能力（识别失败、定向补数、独立验证）。四种能力相互关联，却不能互相替代：数据便宜但质量差，优势有限；数据丰富但用不进去，难以成墙；实验室表现好、真实环境不稳，则没有商业价值。

数据的护城河，不在"有多少小时"，而在三个转化率：每小时数据里榨出多少因果（质量）、跨过多少本体与场景（异构性）、数据能否在部署中回流增值（闭环）。

囤数据是入场券，让数据越用越聪明才是护城河。这场竞争最终拼的不是谁的仓库最大，而是谁更清楚自己还不知道什么，以及怎样用最有效的方式学会它。

而当这种数据闭环真正进入现实应用，一个更具体的问题就出现了：世界模型最有可能先在哪个行业证明自己的价值？答案几乎写在了上一篇的结尾里——需求最硬、验证最严、而且已经有人付钱。

下一篇（04）

为什么自动驾驶可能成为世界模型最早、也最严苛的商业试验场？