车间里，一双手在拧螺丝。拧紧、松开、换一个位置、再拧紧。这样的动作一天里要重复几百遍，没有人会为它按下录制键。
可正是这些没人当回事的重复，成了机器人今天最缺的教材。NVIDIA 发布的基础模型 GR00T 2，用了 402,730 小时人类头戴相机视频去学动作。我的判断是：这一轮机器人往前挪的一步，关键不在算法，在“人的录像”这种新原料。
一双手的四十万小时
402,730 小时是什么概念？一个人不睡不休地看，要看四十多年。这些画面不是电影，不是直播，是有人戴着头戴相机，在车间、仓库、厨房里干活时顺手录下的第一视角。
镜头里多半没有戏剧性。手伸进去，拿起一个零件，转个角度，放进卡槽。指甲盖上有油污，袖口蹭到台面，手指在犹豫的那半秒里微微停住。人动作里的笨和稳，都藏在这些地方。
机器人缺的从来不是力气，是这种琐碎。它得知道手指在哪一刻松开，而不是只知道“抓起一个物体”。四十万小时的意义，在于它足够啰嗦。
这些画面里绝大多数，在拍摄者自己看来毫无价值：一次没抓住，一次放歪了，一次手抖。价值是后来才被人算出来的。
谁在戴着头戴相机上班
录像不会自己长出来。得有人在上班时头上多戴一个东西，还得让它一直开着。数据来自真实的劳动现场：工厂、仓储、家庭服务，以及各种要靠手完成的工序。
除了头戴视频，GR00T 2 还用了 10,184 小时手持夹爪演示。人握着带夹爪的手柄，像用自己的手一样去抓，机器记下每个关节的角度变化。这种数据更贴近机器，场景却更窄。
所以这批数据是分层的：最像人的那部分最多，最像机器的那部分最少。而过去很多年的研究路径，一直反过来。
一个人一天的工作，被切成几万个能回放的瞬间。它不再是“老师傅的经验”，而是能被统计、被切片、被反复调出来比对的东西。这一步跨过去，手感才开始有形状。
遥操作录像为什么那么贵
从前教机器人，主流办法是遥操作——人拿着控制器，一步一步带机器人做动作。GR00T 2 的训练里，这类数据只有 23,500 小时，不到头戴视频的十分之一。
不是不想多录。遥操作要一个人、一台机器、一段时间，一对一地耗着。人停手，录制就停；机器坏了，数据就断。成本按小时算，产量按人算。
头戴视频的成本却接近“顺手”。人在干活，相机在录，一份劳动出两份东西：产品，还有数据。这是它能在数量上压过遥操作的原因。
我在车间里见过这样的场面：一个人守着两台设备，一下午只做出几十次有效动作。这样的产出节奏，喂不饱一个要练手的模型。
机器人学的是动作，还是习惯
这是我看到这些数字后最想问的一句。四十万小时里，很多动作并不是最优解：有人习惯先转半圈，有人喜欢用左手扶一下，有人明知有更快的路径，还是照老办法来。
机器学下去，学到的可能不是“正确的手”，而是“这一群人的手”。它会把某个车间的习惯，当成整个世界的规律。
这不一定坏。人的动作里本来堆着大量被验证过的经验，那些看着多余的小动作，常常是在避坑。可要是数据只来自一种产线、一种工种，机器人学到的就是偏科的手。
判断：数据规模决定它会不会干，数据来源决定它像不像人。后一件更难补。
先想后做，比一个大模型更管用
同样的道理，在另一组实验里摆得很清楚。MBZUAI 基础模型研究所的开放世界模型 PAN 2，先用语言模型做规划，再由 29B 的扩散模型把动作的后果渲染成一小段视频。
把语言模型拿掉，只留渲染，多步任务里只有 8.7% 的步骤是对的，计划根本走不完。两者配合，步骤正确率 75.1%，完整完成 34.0%。
数字不算漂亮，方向很硬：先想，后做。单一大模型再大，也替不掉一个“先规划再执行”的结构。
GR00T 2 的世界动作模型是同一个路数——它同时预测下一步动作和未来一小段视频。伸手之前先“看见”结果，和人抬手前那半秒的预演，是一回事。
新原料在产线上
算法是公开的，论文会发，权重会放出来。真正难复制的是那四十万小时。
我判断，找这种数据、把它攒成规模，会慢慢变成一门比调模型更值钱的营生。过去我们说“得数据者得先手”，多少带点空想；这回，产线和录像摆在一起，看得见。
要拿到这种数据，得有真实的生产场景，有愿意配合的工人，有能一直录下去的管理流程，还得有处理海量第一视角视频的算力——GR00T 2 的训练用了一千多块 GB300 芯片，据 Rohan Paul 转述、The Decoder 报道。
位置因此变了：谁有产线，谁就有数据；谁有数据，谁的手就更像人。这比谁家模型参数多，现实得多。
回到那双手
回到开头那个车间。那双手还在拧螺丝，还在重复，还是没人给它录像。
区别是，现在有人开始在意它了。不是因为它值得被拍成电影，而是因为它身上那些说不清的熟练，恰好是机器最难学走的东西。
四十万小时听着像个大数字。拆开看，就是一双手一双手，在各自的工位上，把同一件事做了一遍又一遍。机器人要学的从来不是“手”，是手背后那些年。
