机器人数据的经济学：每演示小时的成本
遥操作、仿真与第一人称视频，各自的每演示小时成本都不同。本文解释为什么真正主导机器人数据策略的，是这个数字而非模型规模。
在一间机器人实验室里，一个人戴着 VR 头显坐在工位前，午饭前已经把同一条毛巾叠到了第两百次。每叠一次要花一两分钟。状态好的时候，这名操作员一整个班次也只攒下两三个小时干净的、带标注的操作数据，而其中相当一部分录制还会被丢弃，因为夹爪打滑、布料皱起，或是某个相机穿过了画面。这条毛巾，悄悄成了当代 AI 里最昂贵的材料之一。它的定价单位不是公斤，而是演示小时。
机器人基础模型从演示中学习，而这个领域从语言模型借来的扩展配方，默认数据既便宜又近乎无限。机器人数据两者都不是。文本可以爬取；富接触的操作却要在一台可能和汽车一样贵的硬件上，一次一次小心地做出来。因此，真正主导策略的数字不是参数量，也不是上下文长度，而是下一个可用演示小时的边际成本。几乎每一家认真的实验室，如今都在或明或暗地围绕着压低这个数字来组织自己。
本文将梳理这项成本从何而来、公开数据集揭示了仍然缺失的规模，以及为什么答案会重塑自建与外购的取舍、仿真预算，乃至一家公司选择在哪里注册。
为什么演示小时才是关键单位
一个演示小时，是一台机器人（或作为替身的人类）真正执行任务的一个小时，同时录下足以训练策略的同步信号：关节状态、末端执行器位姿、接触力，以及时间对齐的视觉。相比轨迹数或帧数，它是更好的核算单位，因为它衡量的是真正稀缺的东西，也就是熟练的人类注意力与物理布置时间。你可以靠降低快门速度来虚增帧数，却无法伪造一个专家解决富接触任务的小时。
与语言的不对称非常刺眼。前沿文本模型在几乎零边际成本采集的数万亿 token 上训练。迄今最大的开放机器人学习工程 Open X-Embodiment，汇集了来自 20 多家机构、跨 22 种机器人本体的一百多万条真实轨迹，而这个全球总量，放在任何现代 LLM 背后的文本语料旁边仍然渺小。当供给如此稀薄，每多一个小时的价格，就决定了整个领域的节奏。
公开数据集揭示的规模
开放数据集之所以有用，恰恰在于它们公布了自己的物流账。DROID 采集了约 76,000 条遥操作轨迹，交互时间大约 350 小时，覆盖 564 个场景、13 家机构，历时约 12 个月。RH20T 汇编了 110,000 多条富接触操作序列，配有视觉、力和音频。两者都是认真的、跨年的、多实验室的工程，而它们的交互时间仍以数百小时计，而非数百万小时。
这就是那条安静的教训。即便一个资金充足的联盟并行运行许多台设备，其吞吐上限也和网页爬取毫无相似之处。天花板由人类操作员、由在实时中运行的物理世界所设定。你没法把叠毛巾并行到超过你实际拥有的手和手臂的数量。
成本构成：资本、人力、吞吐、良率
每个可用演示小时的成本，是一条只有四项的短公式。资本，是机器人、传感器与工装按使用小时摊销的成本。人力，是操作员工资，加上其背后的标注与质检人员。吞吐，是一个工位每小时产出多少条好演示。良率，是通过复核后留存的比例；富接触任务经常失败，失败或损坏的录制会被丢弃。简单说，每可用小时成本，等于每小时资本加每小时人力，再除以良率。
良率这一项，是新入场者最容易低估的。如果三分之一的录制不可用，那么在任何人训练模型之前，你的实际成本就已上升了一半。仅遥操作人力，非常粗略地说，在一个中等成本地区大约在每操作小时数十美元的量级，而这还没算上资本摊销，也还没算上良率损耗。下表勾勒了常见数据来源之间的数量级取舍。这些是方向性的，不是供应商报价。
| 来源 | 每可用小时的相对成本 | 吞吐 | 本体匹配 | 主要约束 |
|---|---|---|---|---|
| 遥操作真实机器人 | 最高 | 低 | 精确 | 受人力所限、实时 |
| 多实验室汇集数据 | 已摊销，单机构更低 | 中 | 混杂 | 硬件异构 |
| 仿真 | 边际最低 | 很高 | 近似 | sim-to-real 差距 |
| 第一人称人类视频 | 低到中等 | 高 | 人类，需重定向 | 无原生动作标签 |
机器人学习的瓶颈已不再是模型，而是下一个诚实的、富接触演示小时的边际成本。
第一人称视频改写了这笔账
成本曲线上最有意思的一步，是在采集时不再为机器人买单。如果一个人只是戴着头戴相机与身体传感器把任务做一遍，你就把数据采集从昂贵硬件和缓慢的遥操作中解耦了。Ego-Exo4D 采集了约 1,286 小时成对的第一人称与第三人称的熟练活动视频，更早的 Ego4D 工程则发布了 3,670 小时量级的第一人称素材。录一个人做任务，每小时的成本远低于操纵一台机器人去做同样的事。
问题在于本体差距。人类视频没有关节力矩、没有夹爪状态，身体也和机器人不匹配，因此这些画面在被策略消费之前，需要重定向到机器人可用的动作空间。跨本体迁移，正是 Physical Intelligence 这类团队正在攻克的问题。第一人称采集并没有抹去一次好演示的成本；它把成本从实时遥操作，转移到了上游传感与下游重定向，而在那里，更多成本可以被工程化、被复用。
每小时成本如何主导策略
一旦你认真对待这个数字，策略选择就会从中自然推导出来。如果你的边际成本是每可用小时数十美元，而一个有能力的策略每个技能族需要数千小时，那么数据就是一条资本开支线，而不是可以忽略的零头，它应当和算力放在同一场对话里。像 Open X-Embodiment 那样的汇集，能压低单机构成本，却让渡了独占性与干净的本体匹配。仿真把运营成本换成了一份你以后要偿还的 sim-to-real 风险。第一人称采集拉低了每小时价格，却抬高了重定向的工程账单。
接着是落在政策簇里的那部分：数据归谁所有、谁给了同意、在哪个司法辖区采集。EU Data Act 重塑了对机器生成数据的访问与共享权利，而 EU AI Act 则给高风险系统背后的训练数据附加了文档与治理义务。两者都抬高了把数据采集做正确的固定成本，也都让干净的来源溯源成为一项持久资产，而非事后的合规补丁。一个同意清晰、辖区可辩护的演示小时，价值高于一个来源含糊的更便宜小时，因为只有前者，才能安全地装进一个合作伙伴将会部署的模型里。
这一切都不会出现在跑分图里，所以在账单落地之前，它很容易被忽略。未来几年真正重要的团队，不只是拥有最巧妙架构的那些，而是那些把演示小时变成自己能稳定生产、诚实记录、并逐季度压低成本的东西的团队。毛巾一次只能叠一条，而每一条，仍然得有人为它买单。