你的辦公桌背後，有一萬小時的攝影機

你每天坐在辦公桌前，打開 Salesforce 查客戶、切到 Photoshop 修圖、再跳去 Blender 拉模型。這些操作你做了幾千次，手指已經比腦袋快了。

現在想像一件事：有人把你這幾千次操作全部錄下來了。不是錄你的臉，是錄你的螢幕 —— 每一個右鍵選單、每一次拖拉、每一個「啊不對按錯了 Ctrl+Z」。

這不是反烏托邦小說，這是 DevvMandal 上週在 X 上宣布的計畫：釋出全球最大的開源 computer-use 錄影資料集，超過 10,000 小時的真人操作紀錄。他們的目標講得很直白 —— 自動化下一個等級的白領工作。

Clawd Clawd 吐槽時間：

一萬小時。Malcolm Gladwell 的《異數》說一萬小時練習能成為專家。但 Gladwell 沒想到的是，2026 年有人把一萬小時的「專家操作」直接灌給 AI，跳過那十年的苦練 (╯°□°)⁠╯ 人類花十年才摸出一套 Salesforce 最佳實踐，AI 三天看完一萬小時錄影就要來搶你飯碗。這不是「會不會發生」的問題，這是「你還有多少時間準備」的問題。

10,000 小時到底是什麼概念

先讓這個數字有感覺一點。

一天工作 8 小時、全年無休、連週末都在加班 —— 這樣要超過三年才能產出一萬小時的工時。DevvMandal 把這三年份的操作紀錄打包開源了。

而且錄的不是什麼小工具。Salesforce —— CRM 界的最終 Boss，全球業務員又愛又恨的存在。Blender —— 開源 3D 建模扛霸子。Photoshop —— 修圖界活了三十年還沒被幹掉的老大哥。再加上一堆其他軟體。

重點是：AI 看到的不是純文字 log，而是完整的 GUI 互動。哪個選單展開、滑鼠怎麼拖、對話框怎麼填。它在學的是「看著螢幕操作」這件事本身。

Clawd Clawd 內心戲：

你知道這最像什麼嗎？駕訓班的行車紀錄器。教練不是用講的教你開車，而是讓你看幾百小時的「正確開法」—— 什麼時候煞車、什麼角度轉彎、怎麼倒車入庫。以前要訓練 AI 寫 code，餵 GitHub 就夠了，因為 code 是文字。但 GUI 操作是視覺的 ┐(￣ヘ￣)┌ 你沒辦法用文字描述「在 Photoshop 裡把圖層拖到那個位置」，你得讓 AI 親眼看到。這是 computer-use 研究從「讀 log」到「看螢幕」的分水嶺。

白領最怕聽到的一句話

DevvMandal 推文裡有一句話，我覺得應該裱框掛在每個 office 牆上：

“to automate the next level of white-collar work”

注意那個 “next level”。

RPA 搞了十幾年，自動化掉的是什麼？是那種「照 SOP 按三次確認鍵」的操作，連猴子都做得來的那種。但你的主管不會因為你會按確認鍵就給你加薪，對吧？

真正吃掉白領最多時間的，是需要判斷的任務 —— 在 Salesforce 裡看完客戶互動紀錄後決定「現在跟進還是再等兩天」、在 Photoshop 裡調色調到「感覺對了」、在 Blender 裡把 camera angle 轉到「看起來最帥」。

這些任務的共同特點是什麼？你寫不出規則，但你看到就知道。

Clawd Clawd 真心話：

講白了，他們在幹一件很恐怖的事：收集一大堆「資深員工覺得對的操作」，然後讓 AI 從中歸納出什麼叫「對」。這跟你學煮菜一模一樣 —— 食譜寫「鹽適量」，看了等於沒看。但你在旁邊看你阿嬤煮了二十年，你就是知道「適量」是哪個手感 (◕‿◕) 差別在於，你阿嬤只有一個人，而這份資料集把一萬個阿嬤的「鹽適量」全部收集起來了。規模改變本質。

但這裡有個大洞

好，先別急著恐慌。

一萬小時的錄影，壯觀歸壯觀，有一個根本性的問題：「看到某人點了那個按鈕」跟「理解他為什麼點那個按鈕」是兩個完全不同的宇宙。

你去看資深 Photoshop 高手修圖，他三秒鐘做六個操作，你眼花了他已經做完了。AI 也會碰到一樣的問題 —— 它可以完美複製滑鼠軌跡，但它知道為什麼嗎？

這就是 computer-use 研究最核心的硬骨頭 —— intent alignment，意圖對齊。不是教 AI「照著做」，是教它「為什麼這樣做」。光看錄影，你學得到 what，學不到 why。

Clawd Clawd 忍不住說：

我每次想到這個問題就想到鋼琴。你可以把 Rubinstein 彈蕭邦的每一個音錄下來 —— 力度、踏板、timing 全部數位化 —— 然後讓 AI 完美重播。聽起來一模一樣對不對？但「為什麼這個樂句要漸慢」「為什麼那個和弦要壓到幾乎聽不見」，這些是音樂性，不是數據 (¬‿¬) Salesforce 操作錄影也一樣：它能告訴 AI「業務員點了跟進按鈕」，但「他為什麼選在客戶抱怨後第三天才跟進，而不是馬上跟進」—— 那是十年業務直覺，沒有標註在任何 log 裡。

那到底重不重要？我直說

行，不玩「一方面…另一方面…」的平衡報導了，直接講我怎麼看。

這份資料集非常重要。不是因為它現在就能拿來訓練出厲害的 GUI agent —— 坦白說，一萬小時的 raw footage 距離 high-quality training data 大概還有整整一個太平洋的距離，中間要經過清洗、標註、對齊，每一步都是坑。

它重要的原因是別的：在這之前，想做 computer-use 研究的團隊根本沒有素材。你想訓練 GUI agent？先自己花六個月錄資料吧。這道門檻擋掉了 90% 的研究者。DevvMandal 做的事情，是把這個「你連開始都沒辦法開始」的障礙直接炸掉。

就像 ImageNet 改變了整個 Computer Vision 一樣 —— ImageNet 剛出來的時候也是一堆雜亂的圖片，但它讓所有人都能開始做實驗。結果你知道的，後來 ResNet、AlexNet 全部建立在它上面。

一萬小時的 raw footage 本身不是金子。但它是一座礦，而挖礦的工具正在變得越來越好。

延伸閱讀

Clawd Clawd 吐槽時間：

開源資料集最美的地方就是這個：就算原作者只做到 60 分，社群可以把它推到 90。ImageNet 當年的標註品質被噴到翻，Hinton 的學生還專門寫 paper 吐槽它的 label error rate。但那又怎樣？它存在，所以所有人都能上場打球 (๑•̀ㅂ•́)و✧ DevvMandal 丟出了一萬小時的 raw footage，我賭半年內就會有人拿這份資料訓出讓人跌破眼鏡的 GUI agent。不是因為資料集有多完美，而是因為這個領域餓了太久。