从十万小时到一百万小时，叙事先变了
过去两年，具身智能融资材料里最醒目的数字，常常是训练数据时长。十万小时显得保守，一百万小时更像一张入场券。代码生成领域同样出现了一组更值得警惕的数据：据公开信息，有AI Coding团队内部由AI生成的代码占比已达90%至95%，但在没有人工参与的情况下，由AI独立跑完制作、调试、部署和交付全流程的比例仍不到一半。两组数字放在一起，指向同一个问题：规模在变，效果未必同步；生成在变，交付仍未闭环。
把这条曲线放回历史脉络里看，变化更清晰。2023年以前，AI Coding更像代码补全和片段生成工具，服务对象主要是程序员。此后大模型能生成更完整的代码，智能体又把调试、打包、上线和部署纳入流程。交付物从一段Code，变成一个可分发、可运行、可收费的App。普通用户第一次被带进开发环节，行业内部则开始出现另一个共识：工具越来越多，真正的竞争才刚刚开始。
应用价值不再等于模型能力的外包
据业内人士介绍，秒哒的路径是把“做应用”继续向后端、数据存储、应用分发、支付和广告延伸，试图打通从制作应用到获取流量、完成付费和实现变现的链路；面向企业交付时，则要覆盖源码下载、打包和本地部署。它的优势在于把长尾创意和轻量经营需求接到同一套工具链里，风险也很直接：链条越长，越接近平台生意，支付、广告、合规和运维成本都会上升，并且会与通用智能体的工作流发生交集。
商汤小浣熊选择了收拢路线。据公开信息，其团队已将代码、研发和通用工作场景放进同一工作台，并面向金融、教育、政务等场景推出行业版本。逻辑不是先划分单项能力，而是由真实行业需求驱动；若未来通用版本足以覆盖某个行业版本，该版本也可能被收拢。这条路线的优势是贴近交付现场，风险是行业定制容易变重，一旦模型通用能力快速上移，定制化资产可能贬值。
灵光则把Coding视为通用全模态助理的一项底层能力。按受访产品负责人的表述，用户首先提出的是一个需要解决的问题，系统再判断用问答、生成应用还是调用其他工具来满足。这个判断符合Agent时代的产品直觉：入口从“我要写代码”变成“我要完成一件事”。但反面也成立：当Coding被普遍能力化，纯开发工具的护城河会变浅，最后一定要和Agent产品正面竞争。
数据崇拜开始退潮，质量工程浮出水面
具身智能领域最先出现反思。破壳机器人创始人、清华大学交叉信息研究院助理教授许华哲在公开交流中表示，对具身智能数据数字的追求“被高估了”。一百万小时天然比十万小时更醒目，更容易被创业者、媒体和投资人比较，但从模型结果看，并不能得出数据数字越高、效果就一定越好的结论。他并不反对扩大数据规模，反对的是为了追求数字而放弃质量要求和寻找技术方法的过程。
这笔账并不轻。受访创业者估算，市场上一小时数据可能售价数百元，一百万小时可能涉及数亿元投入；如果事后证明数据无效，对企业和社会资源都是浪费。苏度科技联合创始人、CEO韩铮从数据组合角度补充了判断：核心是获得结构化、多样且高质量的数据。仿真数据可以承担重要部分，一些任务能主要依靠仿真迁移到真机；涉及操作步骤、规则或柔性物体的任务，则仍需要人工演示、第一人称或第三人称视角等真实数据。不同训练阶段如何组合数据，本身就是技术路线。
因此，数据采集需要升级，而不是被简单否定。重复、低质量的工厂式采集价值有限；真实场景中的长程、复杂任务，以及经过精细设计和筛选的数据工厂任务仍有价值。关键在三点：任务足够丰富，采集足够认真，筛选足够细。同样的逻辑也适用于AI Coding。AI生成了多少代码，与AI能否独立完成生产级交付，并不是同一个指标；生产级代码还涉及上下文、部署、交付、性能和细节优化，人机协同仍会是相当长一段时期里的默认形态。
估值要回答业务问题，胜出要回答独立价值
投资端的问题更冷。峰瑞资本副总裁颜黔杭在公开交流中提到，AI应用需要在模型智能进化之上找到“独立存在价值的空间”。模型变强可以让产品变好，但如果产品过度贴近底层模型，主要价值完全由模型能力驱动，就可能被模型厂商直接覆盖。这个提醒对视频、设计、办公和Coding产品都适用：模型之外的流程编排、素材资产、行业规则、权限管理和交付责任，才更像应用自己的资产。
放到融资语境里，估值高低不能替代业务支撑。公开信息中尚未形成统一口径，能自洽的判断通常落在四类指标上：留存是否来自真实任务，交付成本是否随规模下降，数据飞轮是否越转越准，以及收入是否避开一次性项目制陷阱。对具身智能公司，还要看仿真到真机的迁移率、故障恢复成本和场景复制速度；对AI Coding公司，则要看从生成到上线的自动化率、企业私有化交付比例、安全合规能力和生态分成结构。
竞争的下一阶段，是工程系统之争
行业正在离开“参数、时长、估值”三项全能的旧叙事。数据当然重要，但决定上限的是数据是否服务任务；模型当然重要，但决定生死的是应用能否在模型能力之外留下自己的流程、资产和责任；融资当然重要，但决定估值能否站稳的，是产品是否能从演示走向重复采购。接下来更可能出现的格局是：通用模型继续吃掉浅层能力，垂直应用向深扎进行业工作流，Agent平台收拢入口，而腰部产品被迫在场景深度和成本效率之间做选择。
谁能胜出，不取决于谁的故事更响，而取决于谁先把三件事做成工程系统：高质量且可复用的数据生产，跨模型的任务编排与交付责任，以及可验证的商业闭环。百万小时可以是资产，也可以是负债；高估值可以是燃料，也可以是回声。AI竞争的下半场，评判标准正在回到最朴素的一问：模型进步时，产品是否仍然不可替代。
本文由AI辅助生成
