昆仑万维方汉:异构数据是具身智能破局关键,成本可降至10元/小时

在 WAIC 2026 上, 昆仑万维董事长兼 CEO 方汉提出了一个核心观点: 具身智能的“ChatGPT 时刻”尚未到来, 但通往这一时刻的关键路径已经清晰——异构数据。他认为,2026 年是“世界模型元年”, 而真正拉开差距的, 不再是算法架构, 而是数据清洗、迭代速度和资金实力。

📌 路线统一: 端到端世界模型与“千万小时”定律

方汉以自动驾驶的发展历程为参照,指出具身智能最终将收敛到端到端架构。他引用视频生成模型的经验: 只有当训练数据达到 20 亿个 15 秒切片时, 才迎来质变。目前头部厂商的数据量普遍在 10 万到 20 万小时, 他预测今年底有望达到百万小时, 明年底可能突破千万小时。

从已披露信息看, 这一变化更值得关注的, 不只是表面动作本身, 还包括其对后续行业节奏、用户预期和市场竞争的连锁影响。

🔍 异构数据: 从 500 亿到 1 亿元的“算账革命”

传统真机数据采集成本高昂: 手套设备曾高达十几万元,每小时采集成本最低 500 元 。若需 1000 万小时数据, 费用高达 50 亿元;1 亿小时则需 500 亿元。方汉指出, 异构数据(如手机、胸挂摄像头拍摄的操作视频) 可将成本降至每小时 50 元, 未来有望进一步降至 10 元。这意味着 1000 万小时数据仅需 1 亿元, 使大规模 Scaling 成为可能。

💡 中国优势: 供应链与人口结构

方汉认为, 中国在具身智能赛道上具备不可复制的优势:

• 硬件制造能力: 中国是所有数据采集设备的主产地, 硬件成本竞争全球领先。
• 场景丰富度: 最全的工业门类和服务业提供了海量操作数据, 这是其他国家难以企及的。

📊 基础模型护城河与应用陷阱

方汉警告,将重心从模型层转向应用层是危险的。大模型厂商会通过行业 Skills 训练内化应用能力, 创业者应“从需求倒推”, 而非“拿着锤子找钉子”。

🚀 泛娱乐落地: 视频生成爆发, 游戏仍需等待

视频生成已成为消耗量最大的 API,某大厂视频收入占比超 50%。AI 电影和长剧的爆款只是时间问题, 但原生 AI 游戏受限于推理成本, 至少还需 3 - 5 年才能成熟。

总结来看,方汉的观点为行业提供了一幅清晰的路线图: 端到端世界模型是方向, 异构数据是降低成本的解药, 而中国在硬件和场景上的优势将加速这一进程。对于创业者而言, 找准真实需求比盲目堆砌模型更重要。