数据的综述：和谢晨聊新时代的石油、历史、版图、数据金字塔、定价与 Recipe

概览

本期围绕 AI 的“数据”展开，主持人把它放在算力、算法、数据三驾马车之一的位置上讨论：大语言模型面临互联网数据被吃完后的“撞墙”，而 Robotics/具身智能则仍处在数据荒漠中。

谢晨的核心判断是：数据不是简单的标注文件，而越来越像“教育系统”。早期数据像 ImageNet 这样的静态教材，后来变成 Scale AI 式的工业化数据工厂，再到大模型后训练与评测阶段，数据更像高阶老师的出题、反馈与因材施教。

在具身智能里，他认为真实机器人数据重要但不可规模化，仿真、人类第一视角数据和真实本体数据会形成“数据金字塔”。其中仿真不仅是加速器，更是规模化训练、评测和未来自我学习环境的必要条件。

讨论后半段扩展到产业版图：大模型公司、机器人大脑公司、本体硬件公司、数据公司、场景公司会形成生态协作，而不是简单由某一家垄断。当前最关键的瓶颈，在谢晨看来，是具身智能的规模化评测能力。

分段落总结

[00:02] 开场：数据成为 AI 的核心问题

[事实] 主持人说明本期想做一次“数据的产业综述”，讨论大模型、机器人、仿真数据、数据金字塔和数据定价等问题。 [事实] 节目提出大模型数据遇到“撞墙”，机器人数据处在“荒漠”，两者都把数据问题推到产业核心位置。 [推测] 这期节目的目标不是单点技术科普，而是试图把数据放进 AI 产业结构和商业分工里重新理解。

[01:47] 谢晨的经历与仿真路线

[事实] 谢晨介绍自己是光轮智能创始人兼 CEO，本科读北大物理，后来在哥伦比亚读量化金融博士。 [事实] 他曾做过电商动态定价算法、产品经理，后来在 Cruise、英伟达、蔚来负责自动驾驶仿真。 [事实] 他在 Cruise 第一次验证仿真和合成数据不是玩具，而是可以支持算法训练的有效工具。 [事实] 2023 年，他和联合创始人严海波成立光轮智能，希望用仿真和合成数据加速机器人产业。

[05:27] 从个人试错到寻找“前提条件”

[事实] 谢晨说自己一直在寻找能对产业产生最大贡献的方向，不想只做锦上添花的事情。 [事实] 他回顾物理、金融、产品和创业经历，认为自己擅长的是基于颠覆性技术打造产品，并支撑一个产业。 [事实] 他在本科和博士阶段都做过创业尝试，包括本科交流项目和北美狗友社交应用。 [推测] 这些经历被他用来解释为什么后来会把“仿真”视为自己找到的长期方向。

[17:08] 仿真从时间机器到机器人基础设施

[事实] 谢晨最早把自动驾驶仿真称为“时间机器”，因为它能用来补充 corner case 和做可重复评测。 [事实] 他认为在自动驾驶里，仿真更多是加速器；但在机器人和具身智能里，仿真更像先决条件。 [事实] 英伟达对机器人仿真和物理 AI 的重视，强化了他对“仿真是机器人数据基建”的判断。 [推测] 这一段奠定了全期主线：仿真不是可选工具，而是具身智能能否规模化学习的基础设施。

[21:19] 数据约等于教育

[事实] 谢晨认为数据对 AI 是本质问题，类似教育对人的学习和智能提升的作用。 [事实] 他把数据定义为“能够帮助学习的信号和经验传授”，而不只是静态样本。 [事实] 他描述数据从 ImageNet 静态数据集，到 Scale AI 工厂式数据生产，再到大模型后训练和评测数据的演变。 [推测] 他的框架把数据产业从“外包标注”提升为“模型教育系统”，这也是后文谈数据公司价值的基础。

[28:03] 从数据标注到专家反馈

[事实] 传统自动驾驶数据标注包括清洗、切片、画框、时序标注、自动化预标注和人在环质检。 [事实] 谢晨估计整个市场可能有十万人甚至几十万人在做人工标注。 [事实] 下一代数据更多由高阶专家提供反馈、出题和答案，服务大模型后训练与评测。 [事实] 他提到这类专家型数据生产者的时薪可能在 100 美元以上。

[30:20] 好数据不一定是完美数据

[事实] 谢晨说，在大语言模型和具身智能阶段，数据不再只有严格正确的标准答案。 [事实] 他举例说，机器人做披萨时“先失败再成功”的纠错数据，可能比完美执行的数据更有效。 [事实] 他认为模型泛化能力提升后，可以从错误、修正和多样化解法中学习。 [推测] 这意味着数据 recipe 的重点从“无误样本”转向“可学习的经验分布”。

[34:45] “数据即模型”的边界

[事实] 主持人提到“数据即模型，模型即应用”的观点，谢晨认为这能解释当前阶段的问题，但不是长期本质。 [事实] 他认为具身智能的 zero-shot 泛化能力仍不足，因此现阶段需要补充具体任务数据。 [事实] 他强调模型架构和算法仍然重要，没有 zero-shot 泛化能力的架构不是真正通用智能。 [推测] 谢晨的观点是在数据规模论和模型架构论之间取中间立场：数据必要，但不能替代智能架构本身。

[38:34] 大模型团队与机器人团队的数据分化

[事实] 谢晨观察到，近半年大模型客户和机器人客户的数据需求出现明显分化。 [事实] 大模型团队更关注 zero-shot 泛化，倾向用标准化、简单本体来验证规模化智能能力。 [事实] 机器人公司更关注自己的本体、具体场景和落地任务，例如酒店、工厂、沙漠光伏等。 [事实] 他指出大模型团队也在做具身 VLA，不只是机器人或自动驾驶团队在做。

[42:23] LLM、世界模型与 VLA 的协作

[事实] 谢晨说，大模型团队里的 LLM、世界模型和 VLA 团队往往是不同团队，但协作紧密。 [事实] VLA 通常会使用基础大模型；拥有强大基础模型、世界模型和 VLA 团队的公司，数据需求更大。 [事实] 大模型团队在算力和强化学习基础设施上有优势，机器人公司几千张卡已很多，而大模型团队可能有大几万张卡。 [推测] 这使大模型公司天然具备进入机器人大脑的条件。

[45:36] 世界模型与 VLA 的关系

[事实] 谢晨认为世界模型可以作为 VLA 的基座，因为它具备对物理世界的理解和预测能力。 [事实] VLA 作为行动模型，可以给世界模型提供落地反馈。 [事实] 他认为世界模型更像云端大脑，VLA 更像端侧大脑，大语言模型则已在数字世界具备一定世界模型能力。 [推测] 如果评测体系逐渐一致，世界模型和 VLA 的边界可能会变得更紧密。

[49:36] 机器人数据闭环不同于特斯拉数据引擎

[事实] 谢晨回顾特斯拉 Data Engine：大量车端数据回流，训练云端大脑，再部署到端侧形成飞轮。 [事实] 他认为机器人领域不具备上百万台机器人在真实世界持续执行任务的数据基础。 [事实] 因此具身智能数据会更符合金字塔结构：少量真机数据、中间仿真数据、底层互联网和人类第一视角数据。 [事实] 他认为巨身智能生态会由大模型商、本体公司、数据商和场景公司协作完成。

[57:00] 大模型与具身智能的数据阶段差异

[事实] 谢晨认为大语言模型预训练数据相对充足，主要问题转向后训练和评测。 [事实] 具身智能同时缺少预训练级物理世界数据，也缺少规模化评价能力。 [事实] 自动驾驶和大语言模型都有某种“影子模式”提供廉价反馈，而机器人目前没有大规模真实世界影子模式。 [推测] 这也是他反复强调仿真评测必要性的原因。

[64:31] Agent 与机器人是相似的数据问题

[事实] 谢晨把大模型 agent 称为数字世界的 agent，把机器人称为物理世界的 agent。 [事实] 两者都需要环境、经验传授和评价信号。 [事实] 大模型 agent 需要 RLINF 这类服务强化学习的数字环境，例如虚拟网站、购物环境和编程环境。 [事实] 具身智能未来也会在仿真物理环境中基于成功指标试错和微调。

[68:06] 数据产业的前世今生

[事实] 谢晨把 ImageNet 视为 AI 数据产业的起点，它既是训练集也是评测集。 [事实] 他认为 Scale AI 开创了工业级数据产业，把数据变成可控质量、效率和交付时间的工厂化产线。 [事实] 大模型时代的数据产业转向评测驱动，通过发现模型问题来刺激新的数据需求。 [事实] 他认为具身智能需要的数据量远大于大语言模型，因此数据产业会从以人为中心转向以系统为中心。

[75:49] 仿真是机器人必备条件

[事实] 谢晨明确说，仿真对于机器人是必备条件，没有仿真这件事做不成。 [事实] 他认为真实机器人无法规模化部署和采集足够数据，必须依赖仿真获得规模化数据。 [事实] 他认为大规模评测几乎只能通过仿真实现，因为真实家庭、工厂和任务无法每天大规模重复测试。 [事实] 他提到过去几个月，一些原本不愿尝试仿真的顶级团队也因为评测规模化问题来找他们合作。

[82:14] 中国机器人团队里的真机派与仿真派

[事实] 主持人观察到中国机器人团队中真机派似乎更多，理由是真机数据好泛化、仿真数据不好泛化。 [事实] 谢晨认为很多机器人公司的商业模式仍然是卖本体或卖数据采集“素材中心”，因此更倾向强调真机数据。 [事实] 他不否认真机数据的必要性，但认为它在数据金字塔里应该是最小、最贵、最难规模化的一层。 [推测] 真机派的产业立场既来自技术判断，也来自商业模式约束。

[87:04] 什么才算仿真

[事实] 谢晨把仿真定义为：在足够物理准确的环境中，可复现、可修正地产生行动并观测结果。 [事实] 他认为仿真不只是几何看起来像，还需要摩擦力、物理参数等与真实世界对齐。 [事实] 他认为普通视频模型还不能称为仿真，因为缺少可复现、准确行动和可控反事实能力。 [事实] 他认为世界模型未来有机会成为仿真的一类，但仿真和世界模型更可能共生，而不是彼此替代。

[93:01] 机器人不能简单类比 Waymo 与特斯拉

[事实] 谢晨认为具身智能不会简单复制自动驾驶里 Waymo 或特斯拉的路线。 [事实] 自动驾驶任务更单一，智能水平相对有限；机器人需要理解物体材质、手部力度和多样化任务。 [事实] 垂直场景路线可以成功，类似矿山自动驾驶，但跨场景泛化会很难。 [事实] 他认为 Figure 可能希望成为具身领域的特斯拉，但难度很高。

[103:20] 数据金字塔：真实、仿真与人类数据

[事实] 谢晨介绍数据金字塔：顶层是真实机器人遥操作数据，最准确但难规模化。 [事实] 中间层是仿真数据，规模化能力强，但需要处理 sim-to-real 问题。 [事实] 底层是互联网数据和人类第一视角数据，特点是本体无关、规模更大。 [事实] 他提到英伟达相关模型和 Generalist 使用 UMI 夹爪数据等案例，说明仿真和人类数据正在出现 scaling law 迹象。

[108:22] 以仿真为中心的数据闭环

[事实] 谢晨认为数据金字塔不应理解为三层彼此独立，而应理解为以仿真为中心的闭环。 [事实] 人类第一视角数据可以通过 real-to-sim 提取场景、物理、任务和评价标准，扩充仿真世界。 [事实] 仿真结果又需要与真实世界做 sim-to-real 对标，既服务训练，也服务评测。 [推测] 在这个框架里，仿真既是数据生成工具，也是评测与校准中心。

[110:59] 哪些数据被高估或低估

[事实] 谢晨认为真实机器人数据被高估，仿真尤其是仿真评测仍被低估。 [事实] 他也认为人类第一视角数据被低估，可以补充和增强以仿真为中心的数据闭环。 [事实] 他认为智能眼镜像“车”一样，有潜力让人类在日常生活中为机器人收集数据。 [事实] 他强调理想的人类数据硬件应是消费级、舒适、用户本来就愿意佩戴的设备。

[117:55] 数据定价与高质量数据

[事实] 谢晨认为数据正在越来越贵，因为反馈型数据给算法带来的价值不同于静态数据。 [事实] 他认为预训练数据相对便宜、偏标品，后训练和评测数据更定制化、价值更高。 [事实] 他说具身数据一小时从几十元到几千元人民币不等，高质量数据可能在几百到上千元人民币区间。 [事实] 高质量数据包括真实多样的物理场景、专业轨迹记录、准确评价指标和标注；带有失败后修正的数据可能更贵。

[123:47] 光轮更像 Data Engine 而不是 Data Factory

[事实] 谢晨说他们更希望被理解为 Data Engine，即反馈驱动的学习引擎，而不是流水线式 Data Factory。 [事实] 他们需要构建物理真实的仿真世界和可交互资产，包括非刚体、线缆插拔等复杂物理。 [事实] 他们有物理测量工厂，用机械臂等工具自动测量真实资产的力学信息，再放入仿真资产中。 [事实] 数据生产包括人在仿真中遥操作、算法自动采集、模型辅助标注和人在环质检。

[128:17] 规模化评测的难点

[事实] 谢晨认为评测数据最大的难点是既要有挑战性，又要可规模化。 [事实] 机器人评测需要千级场景、千到万级任务，以及明确成功定义。 [事实] 光轮也有真实评测基建，但目的不是替客户做真实场景评测，而是让真实测试与仿真评测对标。 [事实] 他提到团队中全职工程技术方向大约有 100 来人。

[132:12] 数据公司与模型公司的 recipe 共创

[事实] 谢晨承认数据公司和模型公司之间会出现“模型没训好”还是“数据不行”的扯皮问题。 [事实] 他认为当前阶段类似 Scale AI 和 OpenAI 在 GPT-2 阶段共同寻找数据配方。 [事实] 他强调要与最领先客户共生迭代，才能弄清楚哪些数据有效、数据金字塔各层如何配比。 [事实] 他提到验证数据金字塔可能需要几万张卡，说明 recipe 本身需要大规模实验能力。

[135:40] 好数据像人的学习过程

[事实] 谢晨说，现在的数据越来越像人的学习，不再是最早机器视觉和自动驾驶里“完美数据最好”的逻辑。 [事实] 他认为能让模型看到错误、从错误中学习的数据很关键。 [事实] 他还认为不同做法的分布、多样性和相互比较，也能帮助模型形成更好的结论。 [事实] 他把具身数据公司类比为教育公司，但这种教育需要更多物理示范和物理交互。

[138:11] 中美机器人数据路线的分化

[事实] 谢晨把大厂 VLA 和世界模型团队归为“大模型派”，他们最看重 zero-shot 泛化能力。 [事实] 这类团队相信本体无关数据、仿真、仿真评测、人类数据和大规模 RL。 [事实] 他认为过去一年大厂开始更认真投入机器人 VLA，因为大模型主战场趋势相对确定，资源开始外溢。 [事实] 他点名认为字节、阿里、OpenAI、DeepMind、英伟达都变得更激进。

[143:20] 本体公司与机器人大脑生态

[事实] 谢晨认为很多机器人公司会分化：有些做素材或本体，有些做大脑智能。 [事实] 他看好宇树作为本体公司，因为其边界清晰，坚定做好可量产、稳定的本体硬件。 [事实] 他也认为智元在商业化和量产方面做得较好。 [事实] 他判断机器人大脑不太会由单一公司垄断，更可能由大脑公司、数据公司、本体公司和场景公司形成生态。

[145:00] 中国机器人大脑是否能追上

[事实] 谢晨认为中国团队有机会在机器人大脑上追上来。 [事实] 他举千问作为开源大模型能力的例子，说明国内大模型能力、基础设施和人才密度都很强。 [事实] 他认为国内大厂此前重心在大语言模型，现在开始把资源转向具身智能。 [事实] 他判断 OpenAI、DeepMind、英伟达，以及国内字节、阿里千问等都可能是重要玩家。

[149:33] 物理 AI、空间智能与世界模型

[事实] 谢晨区分了几个概念：物理世界的 AI 指能在物理世界行动的模型，包括自动驾驶和具身智能。 [事实] 空间智能更关注 3D 空间、视觉、重建、生成和预测。 [事实] 世界模型更强调对物理世界的理解和预测能力，但不一定具备行动能力。 [推测] 这些概念相互重叠，但核心差别在于是否理解物理、是否预测未来、是否能行动。

[150:42] 当前最关键的数据问题是评测

[事实] 谢晨认为如果只解决一个具身智能数据问题，最关键的是规模化评测。 [事实] 他认为本体无关数据的预训练路径和 scaling law 已经出现端倪，但评测仍是卡口。 [事实] 大语言模型和 agent 的关键数据问题也在评测和后训练，需要更强的人提供反馈、难题和评价指标。 [推测] 评测能力会决定模型能否知道自己是否真的进步。

[152:10] 数据问题不会彻底消失

[事实] 谢晨说自己过去认为数据问题未来可能不重要，但现在认为智能越强，对知识和数据的饥渴程度可能越高。 [事实] 他认为未来 AI 可能不再主要向外学习，而是在设定好的环境和成功指标中自我学习。 [事实] 他认为 Data Factory 这种量贩式标准化知识生产路径可能会消失，但环境、评测和反馈系统仍然重要。 [推测] 数据公司的终局形态可能不是卖数据文件，而是提供让模型持续试错和进化的环境。

[155:40] 仿真作为终局环境

[事实] 谢晨用爱因斯坦的思考实验类比仿真，认为思考实验也是在限制条件下进行试错。 [事实] 他认为 AI 最终也需要类似环境，在其中进行大规模实验和自我提升。 [事实] 他明确说仿真是自己一直寻找的方向，是解决具身数据问题的“及时”或前提条件。 [事实] 他也强调单独仿真不能完全解决问题，需要以仿真为中心、但不只有仿真的数据金字塔系统。

播客点评/总结

[推测] 本期价值在于把“数据”从标注、采集、外包这些具体工作中抽离出来，放到模型学习、产业分工和商业模式里讨论。尤其是“数据约等于教育”“仿真是评测基础设施”“数据金字塔以仿真为中心”这几个框架，能帮助听众重新理解 AI 数据公司的价值。

[推测] 节目亮点是嘉宾同时经历过自动驾驶仿真、英伟达平台、主机厂和创业公司，因此能比较清楚地区分自动驾驶、大语言模型、VLA、世界模型和机器人本体公司的数据逻辑差异。

[推测] 局限是讨论高度依赖嘉宾所在公司的视角，对仿真、人类第一视角数据和数据公司角色的判断带有明显立场；部分客户案例、数据配比和公司名称因商业敏感没有展开，听众需要把它理解为产业一线观点，而不是完整可验证的行业报告。

[推测] 这期适合关注大模型后训练、具身智能、机器人产业链、数据公司商业模式和仿真技术的人；如果只想了解入门级 AI 概念，信息密度和术语负担会比较高。