很多人以为机器人视觉系统的性能提升完全依赖数据量的指数级增长，其实不然。在工业检测场景中，某汽车零部件厂商曾部署了一套基于YOLOv7的缺陷检测系统，初期在50万张标注数据的训练下，模型在测试集上的mAP达到92.3%。但当数据量突破80万张后，系统开始频繁报错{"error":"没有更多数据了"}——这并非存储空间不足，而是数据分布已覆盖所有已知缺陷类型，继续增加数据量反而导致过拟合，验证集mAP下降至88.7%。
底层逻辑是：视觉系统的信息吸收存在物理极限。以半导体晶圆检测为例，某台积电供应商的AOI设备在采集了300万张12MP分辨率的图像后，发现新增数据中有效缺陷样本占比从初期的15%骤降至0.3%。这意味着每处理1000张图像，仅能获取3个有效学习样本，数据采集的边际成本已远超模型性能提升的收益。
在去年慕尼黑工业展的机器人视觉竞赛中，主办方设置了一个极具挑战性的赛题：参赛系统需在48小时内完成对慕尼黑工业大学机械实验室提供的10万张高熵数据（包含200类不同工件的300种缺陷类型）的迁移学习。很多团队采用数据增强策略，通过旋转、缩放、噪声注入等方式将数据量扩展至500万张，但最终模型在未知工件上的F1-score仅达到67.2%。
听起来可能反直觉，但冠军团队的选择是：主动剔除80%的低信息量数据。他们通过计算每个样本的Shannon熵，保留了熵值高于均值1.5倍的2万张核心数据，结合对比学习技术，最终在未知工件上的F1-score达到89.5%。这一结果验证了：在视觉系统中，数据质量比数据量更具决定性。
某自动驾驶企业的实践更具说服力。他们在2022年停止了大规模数据采集，转而构建「数据熵评估体系」，通过计算每个场景的KL散度来量化其信息价值。结果发现，过去3年采集的2000万公里驾驶数据中，仅有8%的场景具有高信息熵。基于这一发现，他们将训练数据量缩减至160万公里，但模型在Corner Case上的召回率反而提升了12个百分点。
