下一代 AI 的互联网，可能不在互联网里
具身智能系列 · 第 03 篇

互联网早期有一种很朴素的想象：网页既然已经在那里，搜索应该不是太难。

后来才发现，网页越多，问题反而越复杂。真正值钱的并不是“世界上有很多网页”，而是谁能把它们抓下来、去重、索引、排序、过滤垃圾，再在用户真正需要的时候，从几十亿个页面里找到最有价值的十个。

物理世界的数据可能正走到类似的阶段。

摄像头很多，视频很多，机器人日志越来越多，汽车也每天产生巨量传感器记录。可这些东西躺在硬盘里，并不会自动变成 Intelligence。

从现实发生，到模型真正学会，中间还缺一条完整的工业链。

我越来越愿意把它叫作：

Physical Data Refinery——现实世界的数据炼油厂。

一、一万小时录像，首先不是一万小时知识

假设一个摄像头对着仓库拍一天，绝大多数时间可能什么值得注意的事情都没有发生。墙没有动，货架没有动，箱子也没有动。

真正有信息量的可能只有几十个瞬间：有人移动托盘，推车和人互相避让，一个箱子掉下来，有人第一次抓取失败以后重新调整，一条通道突然被堵住。

所以真正的数据加工，第一步甚至不是标注，而是：

决定哪一分钟现实值得被记住。

这就是 Event Mining。

传统监控希望最好什么事情都没有发生，AI 数据系统却需要从“几乎什么都没有发生”的漫长时间里，把真正的状态变化捞出来。

因此现实视频最重要的第一轮压缩，不一定是把 10GB 压成 5GB，而是把二十四小时现实压缩成几十分钟真正有训练价值的变化。

二、“只保存有用的东西”又是一句危险的话

因为谁知道什么有用？

今天的模型可能认为一个人抓杯子时小拇指滑了一下毫无价值，五年后的灵巧手系统却可能发现，这正是抓取失稳最重要的前兆之一。

如果今天为了省硬盘把原始录像彻底删除，未来再强的模型也无法穿越时间，把没有留下来的信息重新拍一遍。

所以物理数据最终一定会面对一个现实矛盾：全部保存太贵，只保留今天认为有用的东西又太短视。

真正合理的方式大概不是二选一，而是分层记忆。

大量普通原始数据只短期保存，稀有事件和高价值交互保留更久，真正昂贵的多模态同步数据尽可能完整留下，同时再长期保存轨迹、事件和各种成本更低的机器表示。

未来的数据系统真正不断回答的问题，不再是“删还是不删”，而是：

这一段现实，值得以什么精度保存多久？

三、原始记录是证据，标签只是某一代模型的解释

这一点尤其重要。

假设有一段 2020 年的工厂录像，2026 年的模型看它，也许只能说：“一个人拿起了箱子。”

到了 2030 年，更强的模型重新处理同一段录像，可能会发现第一次抓握位置不稳定，箱体发生轻微旋转，随后右手重新调整接触点。再过几年，也许还能恢复更细的三维状态和动作细节。

所以“标注完成”这件事，未来可能会变得越来越模糊。

原始视频没有改变。

改变的是我们解释它的能力。

因此未来最有价值的数据资产，未必是一批已经标完的数据，而是一批可以不断被更强模型重新理解的原始证据。

原始记录是证据，标签只是某一代模型对证据的解释。

传统数据集像一本已经写好的教科书，现实世界原始数据更像考古遗址，工具越好，同一块地里还能继续挖出新的东西。

四、标注也会从“人给模型打工”变成“模型给模型打工”

视频如果全部靠人工标注，很快就会崩掉。

一分钟视频有几千帧，不仅要知道里面有什么，还要知道这个人是不是上一帧那个人，这个杯子去了哪里，交互什么时候开始、什么时候结束，动作到底成功还是失败。

如果全部依赖人工逐帧解释，本质上又回到了：

雇人重新解释整个现实世界。

真正可扩展的方法一定是让模型先处理绝大多数简单情况。

自动检测、分割、跟踪、姿态估计、轨迹抽取、事件分类，再由更强的模型生成初步解释，不同模型之间互相校验。高置信度数据自动进入训练池，真正需要人看的，是那些模型分歧最大、最稀有、最有价值的部分。

人工标注会从“流水线工人”变成“质量控制”。

人真正值得花时间处理的，是：

模型不知道自己知不知道的地方。

五、最难标注的，从来不是“发生了什么”

一个人走到门口，停下来，转身，离开。

这些都很好标。

可他为什么离开？

可能外面下雨，可能忘了手机，可能有人叫他，也可能根本没准备出门。

视频通常留下行为，却没有留下原因。

这也是为什么未来最危险的自动标注错误，未必是模型说得不流畅，恰恰可能是它说得太流畅。一句“这个人发现外面下雨，所以转身回去”，如果镜头里没有任何证据支持，只是一个听起来很合理的故事。

真正好的数据系统，不只是负责生成更多标签。

它还要明确区分：

我看见了什么。

我推断了什么。

我不知道什么。

六、大量数据可以脏，必须有少量数据特别真

因此未来的数据体系不应该追求“把所有东西都精标”。

更现实的结构是一座金字塔。

底部是海量无标签现实数据，中间是模型自己生产的大量伪标签，再往上是少量多模态 Grounding 数据，最顶部则是极少量真正昂贵、真正精确的 Gold Data。

这批 Gold Data 可能同时拥有视频、深度、机器人动作、关节状态、触觉、力觉、环境信息和专家解释。

它不需要像互联网一样巨大。

它更像测量体系里的标准尺。

海量廉价数据负责规模。

少量高质量数据负责告诉整个体系：

到底偏了多少。

七、真正值钱的公司，未必拥有最多视频

未来最有价值的数据公司，甚至可能一台摄像头都不生产。

它真正掌握的是另一套能力：知道什么值得留，什么应该删；知道怎样匿名化，怎样从千万小时视频里挖出真正的事件；知道怎样对齐不同传感器，怎样判断伪标签靠不靠谱，什么时候模型已经不确定到必须让人介入。

它最终能把一千万小时没人看得完的现实记录，变成一亿条真正可以用于训练的物理经验。

这种公司看起来也许不性感，甚至有点像搜索引擎、数据库和炼油厂的混合物。

但技术革命经常如此。

上层 Demo 最容易吸引注意力，真正决定规模的，却往往是下面那些没人愿意拍发布会的基础设施。

思考与探讨
你认为下一代像 Scale AI 那样百亿估值的数据标注公司，会是一家软件公司，还是一家充满机械与传感器的物理重工业公司？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 3 篇 / 共 6 篇）。