Physical Intelligence 联合创始人，加州大学伯克利分校机器人深度学习领域领军人物Sergey Levine最近发表 了一篇深度长文，认为过度依赖替代数据源会严重限制模型的最终能力，真正的突破必须建立在真实数据基础 之上。 Levine教授以"勺叉"（spork）这个巧妙的比喻，剖析了当前AI研究——尤其是机器人AI研究中的一个关键困 境：面对高昂的真实数据收集成本，研究者们总想找到便宜的替代方案，比如用模拟器、人类视频或手持设备 来训练机器人。然而，这些看似聪明的"两全其美"方案，最终都像勺叉一样——想同时当勺子和叉子，结果两 样都做不好。 文章告诉我们，真正的技术突破需要真实数据的滋养 。任何试图绕过这一"苦涩真相"的捷径，都会在模型能 力上付出代价。 锦秋基金认为，这篇文章为正在权衡"快速迭代"与"长期竞争力"的AI创业者提供了一个值得深思的视角，因此 对这篇文章进行了编译 训练大模型真的很难，而且随着模型规模不断扩大、应用领域不断拓展，难度只增不减。LLM（大语言模 型）需要海量文本数据，VLM（视觉语言模型）需要文本和图像的配对数据，而机器人领域的VLA（视觉-语 言-动作）模型更 ...