--- title: "机器人 | 录像攒了一屋子，那只手怎么还是不会拧？" date: 2026-11-07 category: 智能机器人 site: 脑机网 canonical: https://www.logic.wang/a/njw-robot-data-hours-16-1107 language: zh-CN --- # 机器人 | 录像攒了一屋子，那只手怎么还是不会拧？ > 十一月四日，浙江乌镇，世界互联网大会乌镇峰会的机器人与具身智能论坛上，有一场主旨演讲把话题落在了训练机器人用的数据上。录像攒得再多，也不等于一只手学会了干活。 十一月四日，浙江乌镇，世界互联网大会乌镇峰会的机器人与具身智能论坛上，有一场主旨演讲把话题落在了训练机器人用的数据上。录像攒得再多，也不等于一只手学会了干活。 说这话的是墨奇万象联合创始人、首席技术官黄青虬。光明网在当天发出的报道里，记下了他这场主旨演讲里关于数据的几句话；这几句话，句句都是他本人的判断。 ## 论坛上聊的是数据 据光明网报道，这场论坛在十一月四日举行，是二〇二六年世界互联网大会乌镇峰会的一场分论坛，黄青虬在会上发表主旨演讲。报道把他的身份写得清楚：墨奇万象联合创始人、首席技术官。 同一件事，中国经济网的报道里把公司写成了上海墨奇万象智能技术有限公司，把他的职务写成创始人兼技术总监，还提到公司也叫墨奇智能。几处措辞不同，指的是同一场演讲、同一个人。 把这些名字先摆稳，是因为后面要说的话都有个出处。凡涉及数据该怎么采、多少小时够用，都是黄青虬在演讲里给出的判断，不是哪份行业统计，也不是论坛替谁下的结论。 所以下面凡带引号的话，都请先连着黄青虬说一起读；没有引号的地方，也仍是转述他的意思。这场演讲谈的东西不少，这里只取和数据质量、采集方式有关的那一截。 ## 录像不等于数据集 先从最不像问题的问题说起：把人干活的画面录下来，凑成一大堆，是不是就算有了训练数据？黄青虬认为不算，数据不是录一个视频、形成一个数据集就可以的事。 黄青虬说，他给数据安的位置更重：那是驱动模型持续迭代的基础设施。换句话说，录像只是原料，能让模型一遍遍改好的那套东西，才配叫基础设施，两者不能画等号。 这个区分听着绕，放进日常就明白了。拍下一个人叠衣服的许多段画面，不等于教会机器在衣服皱成一团、光线也变了的时候，把同一件衣服叠好。画面记的是那一次，模型要学的是下一次。 把录像和数据集分开，后面那句关于时长的话才立得住。要是攒画面本身就够了，比的自然是谁录得多；可黄青虬认为，先得问这些画面里有没有能用的东西。 光明网那篇报道不长，关于数据只留了几句，没有展开设施具体怎么搭。要弄明白这套说法怎么落到采集上，还得看同一场论坛的其他报道和演讲全文。 ## 真实的人干真实的活 那什么样的数据才算数？黄青虬说，他推崇“真实的作业人员，在真实场景里面干真实的活”，这句话带着三个真实：谁在干、在哪儿干、干的是什么，都被光明网原样记了下来。 拆开看，就是别让专人穿上工装，在搭好的布景里慢慢表演一遍。采集要交给本来就在干活的人，在他们每天待的地方，按平常的速度，把平常那件活做出来。 中国经济网的报道把这套做法写得更具体：采集设备被交给酒店、公寓的一线保洁人员，记录人怎么在真实环境里完成工作，再拿去给具身智能机器人学习训练。 为什么偏挑酒店和公寓？报道里黄青虬的意思是，这些地方活儿高频、环境复杂，数据还能回流，适合先把机器人的能力磨足，再谈往别处走。这是他的路径判断，不是行业定论。 三个真实合起来，卡的其实是一件事：录下来的，得是干活本身，不是干活的样子的演示。表演式的动作再整齐，也和模型日后要面对的现场差着一层。 ## 十万小时那笔账 说到这儿，那句最容易被摘出来当标题的话才登场。黄青虬说，“十万小时高精度数据，远远优于一千万小时低质量数据”，光明网把这句原话收进了报道。 两个时长摆在一起，差着一大截，可他认为赢的不是多的那边。高质量的一边能把模型带出来，低质量的一边堆得再久，也只是把同样的模糊重复了更多遍。 这句话不能读成一条通用公式。它是黄青虬在自家采集做法之后给出的取舍，前面还挂着三个真实那套前提；把前提拿掉，只留下两个小时数，就容易变成一句谁都能喊的口号。 演讲全文里，他还把质量拆成过几件细活：多台设备拍同一场景要对齐时间，人动作快的时候轨迹得跟得上，重复的样本要筛掉。这些是他讲的自家做法，不是别人量出来的指标。 中国青年网在报道同一场论坛时，也把这句记成他的判断：数据质量远远重于数据数量。两处措辞略有出入，落点却一样，都落在质量两个字上；这也让这句原话多了一个能交叉对上的出处。 ## 碰过才知道怎么动 为什么非得真干活、真碰东西？黄青虬说，机器人面对的是实时变化的物理世界，动作会和周围环境互相影响，得碰一碰、摸一摸，才知道该怎么调，他把这叫作肌肉记忆。 这恰好解释了数据为什么不能只是录像。屏幕上看着顺溜的动作，少了力度、触感这些反馈，模型就学不会在杯子快滑手时多使一点劲；而这些反馈，只有真去干活的现场才有。 把这几段串起来，他说的其实是同一件事：数据不是越多越好，是越贴近真实干活越好。录下许多段整齐的表演，未必抵得上一小段真人在现场、按平常节奏做完的活。 所以那句关于时长的话，落点从来不在十万或者一千万这两个数上，而在高精度和低质量这组对照。黄青虬讲的是采集的分寸，不是给全行业报的一个统计。 录下一段段视频，手还是没学会，差的往往不是再多录几段，而是这些画面里有没有真人在真实场景里真干过的那点东西。这层意思始终挂在黄青虬说后面，不是别人替他下的结论。 **免责声明：本文基于公开信息撰写，仅供读者参考，不构成任何投资建议。** --- 来源：脑机网（https://www.logic.wang/）｜原文：https://www.logic.wang/a/njw-robot-data-hours-16-1107 本内容仅供参考，不构成投资建议。