比「算力荒」更致命，「數據荒」正在帶來災難？

當前AI行業最常被討論的焦慮，莫過於算力短缺。輝達（NVIDIA）的GPU一卡難求早已不是新聞，市場價格跟著水漲船高。以H100為例，其市場行情一度被炒到4萬美元以上，是官方定價的兩倍有餘，同時交貨週期拉長到數個月之久。這種供需嚴重錯配的現象，直接推高了AI企業的訓練成本，也讓整個市場籠罩在濃濃的焦慮情緒中。 然而，當我們把目光從大型語言模型轉向另一個備受矚目的領域——具身智能（Embodied Intelligence），就會發現算力短缺在這裡更像是一道「成長的煩惱」。真正讓從業者感到夜不能寐的，其實是另一個早已降臨、且更為深層的瓶頸：數據荒。 所謂具身智能，指的是具備物理身體、能夠與真實世界互動的AI系統，例如機器人、自動駕駛車輛等。這類系統要真正具備通用泛化能力，能夠在各種陌生環境中自主完成任務，所需的訓練數據與純粹的語言模型截然不同——它需要的是大量的真實物理交互數據，也就是機器人實際在環境中操作、移動、感知所產生的數據。 根據業界測算，要訓練出一個具備通用泛化能力的具身模型，至少需要千萬小時，甚至達到億小時級別的真實操作數據。然而，截至2026年初，全球可用的高品質物理交互數據總量，大約只有50萬小時。這意味著，目前具身智能所擁有的數據基礎，距離真正意義上的通用泛化能力，還差了兩個數量級以上，缺口超過99％。 這個數字背後，反映的是數據收集的極高門檻。與可以從網路上大量爬取的文字、圖片、影片數據不同，真實物理交互數據的取得需要實際的機器人硬件、專屬的實驗環境、以及大量的人力與時間成本。每一次操作嘗試都可能伴隨風險，數據的標註與清洗也遠比靜態數據複雜。這使得具身智能領域的數據累積速度遠遠跟不上模型演算法的發展需求。 算力短缺雖然棘手，但至少可以透過採購更多GPU、擴建資料中心、或採用更高效的訓練方法來緩解。輝達等晶片廠商也在持續擴大產能，交貨週期正在逐步縮短。然而，數據荒卻沒有那麼簡單的解決方案。真實物理世界的數據無法像合成數據那樣大量生成，即使有模擬環境，其與真實世界的差距仍然會造成模型泛化能力的嚴重不足。 因此，許多具身智能團隊開始轉向「數據共享」或「數據聯盟」的模式，希望透過跨機構合作來累積更多高品質的交互數據。也有研究人員嘗試利用遷移學習、少量樣本學習等方法，降低對大規模數據的依賴。但這些做法目前仍處於探索階段，距離真正解決數據荒還有很長的路要走。 從某種角度來看，數據荒比算力荒更根本，也更致命。沒有足夠的數據，再強大的算力也無法訓練出真正有用的具身智能模型。這也解釋了為什麼近年來許多機器人公司開始將大量資源投入數據採集，甚至自行設計專用的數據收集平台，因為數據已成為這個領域最稀缺的戰略資源。 業界普遍認為，未來幾年內，誰能率先突破數據瓶頸，誰就有機會在具身智能的賽道上取得領先地位。而這不僅考驗技術能力，更考驗團隊的資源整合與長期投入的決心。相較之下，算力短缺雖然也會帶來成本壓力，但至少在短期內還可以透過市場機制逐步緩解。 可以預見的是，隨著AI技術持續向物理世界延伸，數據荒的挑戰只會越來越突出。對於整個行業而言，除了持續關注算力升級，現在更迫切需要思考的是：如何有效、安全、且大規模地累積真實世界的交互數據。這不僅是技術問題，更可能成為決定下一代AI發展方向的關鍵變數。