1PB 数据免费送，卖数据的公司慌了吗？

昨天刷 HuggingFace 的时候，一个数字让我停下来了：1PB。

一家叫 Ropedia 的公司，把 1PB 的具身智能数据集直接扔上了 HuggingFace，免费开源。1000 万条交互体验，10000 小时同步录像，28.8 亿帧 RGB 图像，7.2 亿帧深度图。手部动捕、全身动捕、IMU、语言标注，全都有。

这个数据集叫 Xperience-10M，据说价值千万。

数据集地址：https://huggingface.co/datasets/ropedia-ai/xperience-10m

说实话，我第一反应不是兴奋，是替一些人捏了把汗。过去两年涌进具身智能数据赛道的创业公司，刚把商业计划书写好，转头发现有人把同类数据白送了。这感觉，大概跟当年做 LLM API 中间商的人看到 Meta 开源 LLaMA 差不多。

具身智能最缺的东西，就是数据

大语言模型靠互联网文本训练，图像模型有 ImageNet 打底。但机器人训练数据？Open-X-Embodiment 是之前最大的开源机器人数据集，规模比 Common Crawl 小 1673 倍。三个数量级的差距。

但 2025 年开始，事情变了。HuggingFace 上的机器人数据集从 2024 年的 1000 个暴增到 2025 年的 27000 个，是所有 AI 训练数据里增长最快的品类。更关键的是，几个大型开源数据集几乎同时出现：

• • Xperience-10M（Ropedia）：1PB，1000 万条交互，第一视角全模态
• • RealOmni-Open（GenrobotAI）：10000+ 小时，100 万+ 片段，覆盖 3000+ 真实家庭场景
• • Open-X-Embodiment 持续扩展，已覆盖 22 种机器人形态

数据荒的时代，正在快速结束。

Xperience-10M 凭什么特别

Ropedia 的数据集有三个让我印象深刻的地方。

全是第一视角。 人戴着头盔录的，不是监控摄像头拍的。机器人要用自己的眼睛看世界，第一视角数据才是它真正需要的学习素材。

模态极全。 六路视频流、音频、立体深度、相机位姿、手部动捕、全身动捕、IMU、分层语言标注，一套设备同时采集，全部时间同步。研究者拿来就能训世界模型、做 sim-to-real 迁移，不用自己对齐多个数据源。

1PB 级别。 HuggingFace 上 27000 个机器人数据集，大部分是几十 GB 的小数据集。1PB 级别的，目前只此一家。

免费送，图什么？

Ropedia 不是在做慈善。这家公司今年 3 月刚完成数千万美元种子轮融资，投资方背景包括 Google、NVIDIA、Amazon 前高管，加上亚洲头部美元基金。创始团队来自新加坡南洋理工大学，CEO 陈昭熹和 CTO 洪方舟都是清华本科出身，导师是计算机视觉领域的刘子纬教授。

他们真正卖的是数据采集基础设施。核心产品 HOMIE 是一个头戴式多模态采集设备，已经进入量产，号称把采集成本降低 50 倍，目前服务十几家北美头部公司。

逻辑很清楚：数据开源 → 建立行业标准 → 更多人用你的格式和工具 → 你的硬件和服务成为默认选择。Hugging Face 把平台免费开放，靠企业服务赚钱。Meta 开源 LLaMA，靠广告生态回收价值。Ropedia 开源 1PB 数据，真正赚钱的是 HOMIE 设备和采集方案。

还有个细节：许可协议是 CC BY-NC 4.0，非商用。学术研究随便用，商业公司想拿去训模型？得找 Ropedia 谈。

免费的午餐从来不免费。

卖数据的公司怎么办？

这才是我最想聊的。

过去两年，超过 10 亿美元投向了试图填补机器人数据缺口的初创公司。这些公司大致分两类：

第一类，做通用采集的。 雇人录数据、做标注，打包卖给机器人公司。

第二类，做垂直场景的。 专注某个领域（工厂产线、仓库分拣、手术室操作），提供高度定制化的数据。

Xperience-10M 冲击最大的是第一类。

数据平台 Codatta 最近有篇分析说得很到位：基础操控数据已经在被商品化。当 Xperience-10M、RealOmni、Open-X-Embodiment 同时涌现，通用数据的稀缺性就不存在了。

你的护城河如果建在「我有数据你没有」上面，那这条河正在被一群开源项目填平。

但第二类公司暂时安全。工厂里拧螺丝的数据、手术室里缝合的数据、密集杂乱环境下的精密操作数据，这些 Xperience-10M 里没有，短期内也不会有人免费送。Codatta 的分析也指出，仿真数据在涉及流体、布料变形、高精度装配这些领域，和真实数据的差距仍然巨大。真实世界的场景专属数据仍然有不可替代的溢价。

我的判断：通用数据终将被开源吞噬，场景专属数据才是真正的壁垒。 这和大模型领域的演化路径很像。基础模型开源了（LLaMA、Qwen、DeepSeek），但垂直行业的微调数据和 know-how 仍然值钱。具身智能大概率也走这条路。

写在最后

一年前大家还在讨论具身智能的数据从哪来，现在已经开始比谁的数据集更大、更全、更开放。这个速度超出了我的预期。

开源数据的真正意义不在免费，在于它重新定义了竞争维度。当基础数据不再稀缺，拼的就是谁能在特定场景里做出别人替代不了的东西。那些还想靠通用数据搬运赚差价的公司，确实该紧张了。

数据的战争已经开打，但输赢的标准变了。

看清方向，比跑得快更重要。我是向光，下次见。