下一代 AI 的互联网，可能不在互联网里
具身智能系列 · 第 02 篇

如果你在一座现代城市里走上一天，会遇到一个很奇怪的矛盾。

一边是具身智能公司不断说机器人数据太少，另一边却是摄像头多得让人觉得，我们的人生大概已经被拍得差不多了。道路、停车场、工厂、商场、仓库、电梯里都有摄像头，汽车自己又装了一圈传感器，普通人还有手机、运动相机、无人机和越来越多的智能眼镜。

世界显然不缺画面。

所以真正的问题不应该是“现实数据在哪里”，而应该反过来问：既然现实已经被拍了这么多年，为什么这些东西没有自然变成机器人的互联网？

因为“世界曾经被记录过”和“世界已经变成训练语料”，从来不是同一件事。

一、短视频和监控，记录的是两种不同的现实

互联网视频有一个很明显的偏差：它拍的是人觉得值得拍的东西。

一顿饭吃两个小时，最后剪成三十秒；旅行八个小时都在坐车，视频里留下的是日落；一只杯子在桌上静静放三个小时，几乎不会有人觉得这是值得上传的内容。互联网视频因此并不是现实的均匀采样，而是一份经过人类注意力筛选以后留下来的世界。

监控恰好相反。

它最大的特点，是无聊。

墙在那里，昨天在那里，今天还在那里；一个箱子半天没有动，一个人从走廊一边走到另一边，一辆汽车每天重复经过同一个路口。对于短视频平台，这些内容几乎没有价值，可对于 World Model 来说，它们反而记录了一个很重要的事实：世界的大部分时候，并没有发生戏剧性的事情。

物体不会凭空消失，被遮挡以后通常仍然存在，一个人从门里走进去以后不会下一帧突然出现在屋顶。所谓物理常识，大量建立在这种“世界保持连续”的无聊之中。

所以可以这样说：

短视频记录的是人觉得值得看的世界，监控记录的是世界本来怎样连续运行。

两者都是视频，却可能教会模型完全不同的东西。

二、可是监控终究只是一个旁观者

问题也恰恰出在这里。

一个固定摄像头可以看见一万人如何绕开障碍，却从来没有自己绕过一次障碍；可以看见工人打开抽屉，却不知道手指到底用了多少力；可以看见一个杯子被拿起来，却未必知道那只手是不是在最后一刻差点打滑。

所以监控数据最擅长教给机器的，是空间、对象、轨迹、人群和事件，是世界怎样连续变化，而不是真正的身体控制。

这就是为什么“城市有海量 CCTV”和“机器人仍然缺数据”并不矛盾。

机器人真正稀缺的往往不是别人看起来是怎么做的，而是：

我自己做了什么以后，世界会发生什么。

三、车载数据为什么特别不一样

汽车比普通监控多走了一步，因为它不仅看世界，自己也在行动。

如果一段车载数据同时记录摄像头画面、速度、方向盘、刹车和车辆状态，那么模型得到的就不再是“前方出现行人，后来车慢了下来”，而是“在这样的环境里，车辆采取了这样的控制，然后发生了这样的结果”。

Observation 和 Action 第一次天然地绑在一起。

也正因为如此，自动驾驶很容易形成所谓的数据飞轮。车辆本来就是产品，用户本来就要开车，车里也本来就有电源、计算设备和传感器，数据生产不需要另外雇一个人“表演驾驶”。

但这里特别容易产生一种商业上的偷换：Tesla 能形成数据闭环，并不意味着所有现实产品都天然有数据闭环。

汽车只是条件特别好的一个特例。

四、数据飞轮没有 PPT 里那么圆

“产品带来用户，用户产生数据，数据改善模型，模型改善产品”，是一张非常好画的图。画完以后，几乎什么行业看起来都有飞轮。

现实没有这么配合。

产品如果一年只用两次，没有规模；采到的数据如果和最终模型要学的东西关系很弱，没有价值；数据如果不能合法二次利用，没有飞轮；模型变强以后如果产品体验没有明显改善，同样不会带来更多用户。

所以“副产品数据”真正成立，需要产品使用频率、数据相关性、合规条件和反馈价值同时成立。

商场老板安装监控是为了安防，他没有义务为了机器人行业给摄像头增加传感器，再替 AI 公司保存五年录像。

数据顺便产生，确实很便宜；为了数据重新改造整个产品，成本就又回来了。

五、现实世界每天都在被拍，也每天都在被遗忘

视频还有一个比文本残酷得多的问题：太大。

一页网页可以在硬盘里躺很多年，连续高清视频却很快占满空间，所以现实中的监控不会永久积累，而是根据成本、用途和法规不断覆盖。

于是每天都有一件很荒诞的事情发生：

摄像头不断记录世界，硬盘不断删除昨天。

世界被拍下来，又被硬盘自动遗忘。

十年前一篇无人问津的博客，今天也许还能在搜索引擎里找到；十年前某个工厂里，一个人第一次抓取失败以后怎样调整，那段录像可能早已彻底消失。

所以：

世界产生过数据，不等于世界积累了数据资产。

六、拍到别人，也不等于拥有别人

然后还有一个比硬盘更难的问题：隐私。

安防摄像头为了安全而安装，并不等于画面里所有人都自动同意把自己的脸、行为轨迹和日常生活拿去训练商业基础模型。

所以 Physical Common Crawl 从一开始就不可能简单复制网页爬虫。互联网主要问“能不能抓到”，物理世界还必须问：“为什么你有权使用？”

这会逼迫未来的数据系统尽可能在源头就进行处理。模型真正需要的，也许只是“一个移动 Agent 在狭窄走廊里如何避让另一个 Agent”，并不需要知道这个人是谁、几点下班、住在哪里。

真正成熟的物理数据系统，应该尽可能：

留下有用的世界结构，而不是留下不必要的人的生活。

七、我们其实只是把“可见光世界”拍了很多遍

还有一个更深的问题。

摄像头很多，不意味着现实已经被数字化。我们只是把某一种模态记录得特别多而已。

视觉。

可是机器人真正进入现实以后，很快会发现，这个世界不只是“看起来怎样”，还包括有多滑、多软、多重、温度如何、表面怎样振动、空气里有什么、接触以后材料如何变化。

这些数据在人类历史里少得可怜，因为过去没有人会把自己握杯子时的指尖压力上传到互联网。

所以互联网一方面给 AI 留下了巨大的视觉遗产，另一方面也留下了巨大的 Sensor Debt。

我们拥有很多眼睛，却几乎没有留下世界被触摸时发生的事情。

八、我们缺的不是摄像头，而是炼油厂

所以现实已经被拍了几十年，机器人仍然缺数据，不是因为这些录像没有价值，而是因为它们距离真正可训练的具身经验还隔着很多层东西。

需要筛选。

需要压缩。

需要隐私处理。

需要把第三视角和第一视角对齐。

需要补 Action。

需要补视觉从来没有记录过的模态。

从这个角度看，摄像头只是油井，视频只是原油。

真正缺少的是：

现实世界的数据炼油厂。

思考与探讨
如果在家里装满摄像头，你觉得这些海量的居家日常录像，真能直接拿来训练出一台会做家务的机器人吗？欢迎在评论区分享你的观点。

本文收录于《具身智能：物理世界的下一代互联网》系列专栏（第 2 篇 / 共 6 篇）。