这是什么

我们注意到 Hugging Face 这周公布了一组数字（2763 万帧、9.5 万次完整任务轨迹、369GB 视频），结论反直觉：AI 机器人项目失败，90% 不是模型不够大，是数据脏。

9 月 24 日，Hugging Face 发布 LeRobot 与 LanceDB 集成方案。LeRobot 是开源机器人学习框架（机器人界的 PyTorch），LanceDB 是面向 AI 的列式数据库（专门存视频、向量这类大文件）。两者结合做了一件事：把训练数据、质检标签、搜索索引统一进同一张可版本化的表里，训练用的是哪一份数据，三个月后能追溯回来。

文章作者用厨房备菜做类比 — 食材放进更大的冰箱不会自动变新鲜，真正有用的是每盒食材有批次、质检结果和去向。但这个类比有边界：机器人训练样本之间存在时间依赖（一次动作接一次动作），不能像土豆一样随意打乱。所以"数据版本化"才成为工程门槛。

行业怎么看

支持者认为这是机器人 AI 的"基础设施补课"。过去几年大家都在卷模型大小，真正卡住落地的是数据版本化和质检流程。LeRobot × LanceDB 把训练、搜索、质检三件事指向同一份数据，工程意义大于性能数字。

反对意见也值得听。一是远程数据库 495 样本/秒、本地 NVMe 361 样本/秒，只在 8×H100 这个特定配置下成立，并非"云存储一定比本地快"。二是文中验证"平滑度"这个常用指标的 AUROC（衡量分类能力的指标，满分 1）只有 0.402（接近抛硬币水平），单一指标无法判断数据好坏。三是"先建数据契约再上系统"听起来漂亮，但中小企业没有人力做"自动质检 + 人工复核"两层把关，最后流于文档。

对普通人的影响

- 对企业 IT：评估 AI 机器人供应商时，先问"数据怎么管理、怎么版本化"，比问"用什么模型"更接近本质问题。

- 对个人职场：数据治理、版本控制这些过去藏在工程后台的技能，正在被推到 AI 项目的台面上。

- 对消费市场：家用 AI 机器人落地会比宣传节奏慢 — 数据脏这个难题，比模型小更难批量解决。