沒等VC下場，機器人廠商們先投了一家數據公司

靈初智能、穹徹智能、浙江人形、智平方集體押注。

作者丨高景輝

編輯丨林覺民

2026年以來，具身智能市場依舊火熱，各路資本持續涌入，幾乎每天都有新的融資披露。

然而，有一家新公司在其中顯得十分特殊，它的股東不來自于任何一家投資機構，而是四家具身智能企業。

這家公司，就是「智域基石」。

近日，智域基石完成數千萬元天使輪融資，資方為靈初智能、穹徹智能、浙江人形、智平方。這種投資方的特殊性，來自于他們選擇的賽道——數據。

智域基石的定位是第三方數據公司，既不做本體，也不做模型，而是致力于構建具身智能時代數據入口與訓練輸入基礎設施。成立不到半年，他們在手的訂單已有近億元。

那么，智域基石為何能收到四家知名機器人廠商的青睞？在具身這個已經稍顯擁擠的賽道，智域基石又如何構筑自身的壁壘？

01

三位核心高管，組成互補架構

智域基石核心管理團隊由 創始人/CEO 楊哲軒、CTO 徐良威、COO 張計業組成，團隊背景覆蓋大數據、機器人技術、商業運營三大領域，形成能力互補的核心架構，適配具身智能數據交叉學科的行業屬性。

創始人/CEO楊哲軒具備分布式數據庫與大數據產業從業經驗，曾任職于 PingCAP，主導過海量互聯網數據的存儲與多家公司商業化業務，核心負責企業戰略規劃、組織管理與商業判斷。

CTO徐良威為北京大學機器人領域專業人才，曾就職于騰訊、鵬行智能，深耕機器人軟硬件與具身智能算法，實戰經驗豐富，主導智域基石的技術研發、硬件設計與數據標準制定。

COO張計業曾任前華為地市總經理，以及具身智能公司「穹徹智能」生態負責人，現聚焦智域基石的商業化落地，負責場景拓展、政企合作與客戶交付。

組織架構上，企業采用雙 CTO 模式，新增專職 CTO 負責數據編譯系統與大數據基建，徐良威側重機器人技術適配。這種設計源于行業特性：具身智能數據融合大數據工程與機器人技術，單一負責人無法覆蓋全技術鏈條，因此從組織層面拆分技術板塊，保障研發效率。

至于創業初心，創始人楊哲軒表示，這源于團隊對行業的核心判斷：從大語言模型發展的歷程來看，算法和算力沒有成為限制模型發展的阻礙，這是因為其數據來源充足且廉價；智能駕駛的發展也沒有被數據阻礙，是因為政府提供了免費的基建，讓道路成為一個結構化的場景。

但具身智能涉及千行萬業，場景不僅復雜，還相對封閉，采集成本十分高昂，需要投入大量人力，因此制約具身智能發展的關鍵問題一定是數據。而這個問題，就需要有人來解決，恰好創始團隊對此第一時間達成了共識，智域基石便因此成立。

也正是因為目標明確，智域基石團隊秉承務實主義的原則，拒絕行業概念炒作，以場景落地為核心導向，不盲目擴張規模，聚焦技術標準化與商業閉環構建，核心競爭力聚焦于跨領域技術整合能力與產業落地經驗。

目前，智域基石團隊規模約 20 余人，架構精簡，主要覆蓋研發、商業化、職能三大板塊。

02

聚焦數據本身，不做四件事

就像大多數第三方具身數據公司一樣，智域基石的核心商業模式圍繞數據采集、編譯加工、標準化交付展開，但不同的地方，在于其“不做”的部分。

作為一家數據公司，在創立之初往往就要確立業務的邊界，根據自身的稟賦選擇相應的細分賽道。對“哪些業務能做、哪些業務做不了”問題的回答，也決定了其商業模式和組織形態。

而智域基石的答案非常清晰，明確了四件不做的事：

不做本體：智域基石剛創立時便確立核心定位，堅定只做數據生意，不涉足機器人本體研發制造領域。團隊聚焦數據的生產、加工與回流全鏈路服務，依托數據編譯技術構建核心能力，與產業鏈本體廠商形成純粹的協同合作關系，不跨界競爭，始終堅守第三方數據基礎設施服務商的業務邊界。

不做模型：智域基石明確無意研發具身智能模型，劃清與模型廠商的業務邊界。其團隊始終以數據供給方的身份服務行業，不參與算法研發競爭，不站隊任何模型技術路線，以中立姿態為全行業模型訓練提供數據支撐。

不做設備生意：針對自研的 EGO centric 數據采集設備，智域基石明確不會對外售賣設備，僅將其作為內部數據采集的核心工具。創始人認為，設備是數據壁壘的重要組成部分，核心商業化業務始終聚焦數據服務本身，通過自研設備采集全量人類勞動數字化信息，可鞏固數據生產的入口壁壘，不必將硬件作為盈利產品。

（目前）不做家庭場景：智域基石錨定工業為具身智能核心落地賽道，團隊直言工業是具身智能最重要的落地機會，并理性判斷家庭場景短期難以規模化落地?；谥袊鴧^縣工業經濟的特點，智域基石與地方政府深度合作，搭建數據采集工廠，形成采集、訓練、部署、數據回流的完整閉環，摒棄資本市場偏好的家庭場景敘事，專注于可快速實現商業價值的工業封閉場景。

未來，隨著核心管線的打磨成熟，智域基石計劃將前期沉淀的通用動作與場景，提煉為開箱即用的行業標準數據集，覆蓋更廣泛的客戶群。再往后，智域基石將打造通用基座，全面升級為具身智能通用數據基礎設施，構建數據交易市場與開發者生態。

03

構建自動化編譯管線，需要五個環節

針對具身智能真機數據多模態、非標化的行業現狀，智域基石設計了質檢、底座、編譯、檢索、交付五個環節的數據處理管線，用于將物理世界采集的原始數據，處理為可直接用于機器人模型訓練的標準化數據。

質檢環節作為數據預處理的前置流程，該環節對攝像頭、IMU、機器人關節等傳感器原始數據開展基礎校驗，識別并處理丟幀、數據漂移、信號異常等問題。

底座環節主要完成數據的時空對齊處理，解決數據結構化問題。該環節對人體 / 機器人本體、操作工具、目標物體、物理環境進行三維空間坐標統一，將非結構化原始數據轉換為幾何結構化數據，為后續特征提取提供數據基礎。

編譯環節是數據處理的核心流程，完成幾何信息向語義特征的轉換處理。該流程提取動作描述、空間關系、操作目標等語義信息，并推理補充觸覺接觸、末端執行狀態等原始數據中未直接采集的衍生特征，適配不同具身模型的訓練數據格式要求，處理后的數據可滿足模型訓練的基礎輸入需求。

檢索環節面向海量數據管理需求，搭建多維度數據標簽體系。其按照應用場景、操作技能、目標物體等維度對數據進行分類，支持客戶根據預訓練、微調等不同訓練階段，篩選匹配的定制化數據集，提升海量數據下的篩選效率與匹配精度。

交付環節為數據處理的最終輸出流程，將處理后的數據封裝為 HDF5、ZARR 等行業通用格式，兼容 PyTorch、TensorFlow 等主流訓練框架，并采用多云與混合云結合的部署方式，優化數據存儲成本。

整體來看，該處理管線實現了后端加工環節的自動化運行，僅在前端真機數據采集環節保留人工與場景工廠配置，替代了行業傳統的人工處理模式，在處理成本、作業效率、數據標準化三個維度形成工程化處理能力，可支撐規?；木呱碇悄軘祿?。

未經「AI科技評論」授權，嚴禁以任何方式在網頁、論壇、社區進行轉載！

公眾號轉載請先在「AI科技評論」后臺留言取得授權，轉載時需標注來源并插入本公眾號名片。