Figure 发布 Index，公布了两个数字：1600万段视频，10亿美元投入。
所有人都在讨论1600万有多唬人、10亿有多夸张。但很少有人问一个非常基本的问题：
一条真正能用来训练的数据，到底要花多少钱？
这个问题不性感，但它决定了人形机器人这个行业能不能跑通。因为如果一条训练数据的成本降不下来，模型迭代的速度就上不去，整个行业的商业化都会被拖慢。
today来算这笔账。
一条数据的成本，到底由什么构成
很多人以为数据成本就是"采一条视频给创作者多少钱"。太天真了。
一条能进入模型训练的数据，成本至少由六块构成。
头块是采集成本。创作者的激励、采集设备的折旧、场景的搭建、现场运营的人力。如果是专业团队采集，还要算上工程师的工资、实验室的租金、硬件的维护。Figure 的4.4万创作者，每个人上传视频都要付费，这就是采集成本。
第二块是处理成本。原始视频不能直接用，要过滤、反cheating、去重、重平衡。每一步都需要工程团队维护系统、需要算力跑模型、需要运营人员处理异常。Figure 的五阶段管线，每一阶段都是一笔持续的投入。
第三块是标注成本。这是烧钱的一块。原始视频需要被解析成结构化的训练样本：手的轨迹、物体的位姿、接触状态、任务阶段、成功失败标记。一段10秒的视频，精细标注可能要花几十分钟。按标注员的时薪算，一条数据的标注成本可能比采集成本还高。
第四块是存储和算力成本。1600万段视频，每段几十兆到几百兆，原始数据的存储量是 PB 级的。处理这些数据需要算力，训练模型需要更多算力。Figure 说10亿美元投在"数据和算力"上，算力占了很大一块。
第五块是质量控制成本。标注完了要抽检，处理完了要验证，采集完了要审核。每一层质量控制都需要人。而且质量控制不是一次性的，是持续的——标准在变，模型在变，质量控制的方法也要跟着变。
第六块是管理成本。4.4万创作者的运营、五阶段管线的维护、标注团队的管理、质量标准的制定和迭代。这些不直接产生数据，但没有它们，前面五块都跑不起来。
六块加起来，才是一条训练数据的真实成本。
第三方采购的"标价"和"实价"
那第三方数据公司卖的数据，多少钱一条？
行业里没有统一的公开价目表，但根据 public info 和行业经验，机器人操作数据的价格大致在这个范围：一段经过基础标注的操作视频，标价可能在几十到几百元人民币之间，取决于复杂度和标注深度。如果是高精度的、带完整接触状态和三维轨迹的标注，价格可能更高。
但这是"标价"。真实的成本要高得多。
因为你买回来的数据，不是每一条都能用。可能有20%质量不达标，可能有15%和你已有的数据重复，可能有10%的场景和你的模型需求不匹配。过滤完之后，真正能进入训练的，可能只有采购量的50%到70%。
也就是说，标价100元一条的数据，实际有效成本可能是150到200元一条。
这还不算时间成本。第三方数据公司从接到需求到交付，可能要几周到几个月。等数据交付过来，你的模型可能已经迭代了两轮，现在缺的是另外一种数据了。这批数据的价值，因为延迟而打了折扣。
还有一个更隐蔽的成本：你的供应商可能把同样的数据卖给你的竞争对手。你花高价买的数据，竞争对手可能也在用。你以为你在买竞争优势，实际上你买的是行业标配。
所以第三方采购的真实成本，远不止标价那么简单。
Figure自建的账本
那 Figure 自建呢？10亿美元，能产出多少有效数据？
我们来粗算一下。
Figure 说未来12个月在数据和算力上投入超过10亿美元。这10亿不全是数据成本，算力占了很大一块：VLA模型的训练算力成本远高于传统CV模型。假设数据相关的投入占一半，也就是5亿美元，约35亿人民币。
这35亿要覆盖：创作者激励、五阶段管线的工程和运营、标注团队、质量控制、存储、管理。
目前 Index 有1600万段原始视频。假设经过五阶段过滤后，有效训练数据占20%到30%，也就是320万到480万条有效数据。
35亿除以400万条，每条有效数据的成本大约是875元人民币。
这个数字比第三方采购的标价高得多。但注意，这是一年的成本——包含了大量的前期投入：管线的搭建、团队的组建、系统的开发。这些是固定成本，会随着数据量的增加而被摊薄。
如果第二年 Index 的创作者生态继续增长，原始视频量翻一倍到3200万，有效数据到800万条，而管线和团队的投入只增加30%，那每条有效数据的成本就会降到大约500元。第三年可能降到300元，第四年可能降到200元以下。
这就是自建的经济学：前期贵，越用越便宜。
而第三方采购是反过来的：前期看起来便宜，但因为有效转化率低、时间延迟、数据不专属，真实成本并不低，而且随着你的需求越来越定制化，第三方的报价只会越来越高。
为什么自建越用越便宜
自建数据管线的边际成本递减，来自三个效应。
头一个是规模效应。管线一旦建好了，每多处理一段视频的增量成本很低。创作者上传的视频越多，固定成本被摊得越薄。就像修了一条高速公路，修路的钱是固定的，每多跑一辆车的边际成本几乎为零。
第二个是学习效应。管线跑起来之后，团队会越来越熟练。过滤的标准会越来越准确，反cheating的方法会越来越高效，标注的速度会越来越快，质量控制的流程会越来越顺畅。这些经验积累会直接降低单位成本。
第三个是工具效应。随着管线的运行，团队会开发出越来越多的自动化工具。模型辅助标注可以替代大量人工，自动质量检测可以减少人工抽检，智能重平衡可以减少人工调度。工具越用越多，人工越用越少，单位成本自然下降。
这三个效应叠加，自建数据的边际成本会持续下降。降到一定程度之后，自建的单位成本会低于第三方采购的真实成本。这个交叉点一旦到来，自建就从"贵但值得"变成了"又好又便宜"。
Figure 赌的就是：它能在资金耗尽之前，跑到这个交叉点。
那些没人算的隐藏成本
上面算的都是明面上的成本。还有一些隐藏成本，很少被人提起，但影响更大。
头一个隐藏成本是"坏数据的成本"。如果你买了一批质量不达标的数据，模型在上面训练，不只学不到东西，还可能学到错误的行为。然后你要花更多的算力和时间去纠正、去重新训练。坏数据的成本，不是数据本身的价格，而是它浪费的训练资源和时间窗口。
第二个隐藏成本是"延迟的成本"。模型迭代是有时间窗口的。如果你发现模型在透明物体操作上不行，你需要马上补透明物体的数据。等第三方三个月后交付，你的模型可能已经迭代了两轮，这个时间窗口已经错过了。延迟的成本，是模型迭代速度的损失，而迭代速度就是竞争力。
第三个隐藏成本是"不匹配的成本"。第三方按通用标准采的数据，和你的模型的具体需求之间，永远有差距。你需要花大量时间去筛选、去适配、去二次加工。这些工作的成本，往往没有被算进数据采购的预算里，但它实实在在地消耗了你的团队精力。
第四个隐藏成本是"主要权力风险的成本"。如果你的core训练数据来自第三方，你就受制于人。供应商可以涨价，可以断供，可以把同样的数据卖给你的竞争对手。这种不确定性本身就是成本——它让你无法做长期规划，无法在数据上建立持续的竞争优势。
这些隐藏成本加起来，可能比明面上的成本还高。但因为它们不好量化，所以经常被忽略。
Figure 看明白了这一点。它选择自建，不是因为自建的标价更便宜，而是因为自建的总成本（包括隐藏成本）更低。
大多数公司的现实
但不是每家公司都能花10亿美元自建数据管线。
全球能掏出10亿美元投在数据上的公司，不超过5家。大多数机器人公司和模型团队，面临的是同样的数据质量问题，却没有同样的预算。
对它们来说，问题不是"自建还是采购"，而是"怎么在有限的预算里，把数据的质量和稳定性做上去"。
这就是数据基础设施的价值。数据主要权利可以握在自己手里，但数据基础设施不必全部自建——就像每家公司都想拥有自己的数据，但不是每家公司都需要自己造服务器、自己建机房。
AperData 做的就是这件事。从任务下发、多设备采集、现场质量检查，到数据处理、开放接口和私有化部署，帮客户把自己的数据标准稳定地执行下去，再根据模型反馈持续迭代。
软硬一体解决的是"数据能不能稳定采集、处理和使用"的问题——标准化的采集设备降低了采集方差，自动化的处理流程降低了人工成本，开放的接口降低了集成难度。中立开放解决的是"客户敢不敢长期接入、数据是否可控、未来能不能自由迁移"的问题——私有化部署保证了数据主要权利，开放接口保证了不被锁定。
core逻辑很简单：数据标准你定，管线我帮你跑通。你不需要花10亿美元建平台，不需要养一支专业团队，不需要从零搭数据管线。你只需要决定采什么数据、用什么标准，然后用专业的基础设施把它执行出来。
对大多数公司来说，这是在"10亿美元自建"和"高价采购通用数据"之间，现实的第三条路。
算完这笔账。
人形机器人训练数据的成本，远比大多数人想象的高。一条有效数据的真实成本，可能是标价的两到三倍，因为你要算上过滤损耗、时间延迟、需求不匹配和主要权利风险。
自建数据管线前期很贵，但边际成本会持续下降。降到一定程度之后，自建会比采购更便宜。Figure 赌的就是它能跑到这个交叉点。
但对大多数公司来说，10亿美元自建是不现实的。它们需要的不是"自己建一条管线"，而是"用专业的基础设施把自己的数据标准执行下去"。数据主要权利在自己手里，基础设施交给专业的人。
说一句。
数据成本真正可怕的地方，不是它有多贵。而是当你的模型因为缺数据而无法迭代、因为数据质量差而无法落地的时候，那个成本是无限大的。
一条数据值多少钱，取决于没有它的时候，你的模型值多少钱。
版权声明
本文来自投稿，不代表蓝鲸日报立场，如若转载，请注明出处：www.lanjing.org
