285
0本期简介
百万小时，正在变成具身智能的新门槛。Dyna-2 用超过 100 万小时的人类第一视角视频做预训练之后，行业终于有了一个更大规模的样本。但数据越堆越多，机器人为什么还没走进真实仓库、工厂和家庭，稳定地把活干完？
这期我们请来王嘉明，他正在进行一次具身数据采集的创业旅程，他是连续创业者，也带队拿过真实机器人挑战赛冠军；现在既做数据采集设备和数据管线，也训练模型、推进场景落地。
我们从遥操作真机、UMI 类便携设备，一路聊到更容易 scale up 的 ego-centric human data：什么样的数据才算高质量？为什么大家要一次性采更多模态？卖数据和自己做模型是否矛盾？百万小时的基座模型，究竟能把后训练压缩到什么程度？
最后给出的判断也很克制：被高估的是“数据采来就能直接用”，被低估的是落地本身。无论你在看数据、模型还是机器人的商业化，这期都提供了一套从“能演示”走向“能干活”的判断框架。
时间戳
- 冷开场：百万小时不是技术终局，落地的重要性可能被低估
- 嘉宾王嘉明：从连续创业、NUS 研究到机器人场景落地
- 数据公司能不能持续？先回答“什么数据、多少数据、谁来提供”
- 三条数据路线：遥操作真机、UMI 类设备与第一视角人类数据
- 什么是高质量数据？相机、触觉与多模态采集的取舍
- Ego-centric data 的核心优势：便宜、便携，也最容易 scale up
- 从 VLA 到世界动作模型：怎样利用未标注和有噪声的数据
- 一边卖数据、一边做模型，商业上真的矛盾吗？
- 数据如何交付：质检、独家合同、场景分布与采集难度
- 百万小时为什么成为门槛？规模、精度与跨本体迁移
- 基座模型与场景落地同步推进：后训练还要多少数据？
- 快递分拣的真实难度：Demo 之外，还有海量 SKU 和极限节拍
- 行业最高估与最低估：数据不是采完就能用，落地不只是最后一步
