沒等VC下場，機器人廠商先投了一家具身數據基礎設施公司

靈初智能、穹徹智能、浙江人形、智平方聯合投資。

作者丨高景輝

編輯丨林覺民

2026年以來，具身智能依舊是一級市場最受關注的賽道之一。融資消息不斷、玩家持續增加，圍繞本體、模型、場景和應用的競爭也在快速升溫。

但在這股熱潮中，有一家公司顯得有些不同。

它成立時間不長，切入的也不是最容易被資本講述的機器人本體或基礎模型，而是具身智能里一條更底層、也更難標準化的鏈路：數據基礎設施。

這家公司名為智域基石。

近日，智域基石完成數千萬元天使輪融資，投資方包括靈初智能、穹徹智能、浙江人形、智平方、紫江集團控股的紫竹高新區旗下VC投資管理平臺小苗朗程。對一家成立不久的創業公司來說，這樣的投資方結構頗具代表性：在傳統財務投資機構大規模下場之前，產業方已經率先給出了自己的判斷。

智域基石對外的定位是具身智能數據基礎設施服務商。它既不做機器人本體，也不直接做基礎模型，而是試圖圍繞數據入口、數據編譯和訓練輸入，搭建一層面向具身智能時代的底層能力。據公司介紹，成立不到半年，其已積累近億元在手項目與合作儲備。

那么，為什么是一家做“數據基礎設施”的公司，率先獲得了多家具身智能產業方的投資？在本體和模型之外，這條看似不那么顯眼的賽道，為什么開始被重新審視？

01

三位核心高管，拼出一套交叉能力

從團隊背景看，智域基石的管理層配置有明顯的“交叉學科”特征。

核心管理團隊由創始人兼 CEO 楊哲軒、CTO 徐良威、COO 張計業等人組成，覆蓋了大數據基礎設施、機器人技術和商業運營等多個方向。

楊哲軒擁有分布式數據庫與大數據產業經驗，曾任職于 PingCAP，長期從事海量數據基礎設施與商業化體系建設，負責公司戰略規劃、組織管理與業務判斷。

CTO 徐良威具備機器人領域的學術與產業背景，曾在騰訊、鵬行智能等機構從事機器人軟硬件與具身智能相關工作，目前主要負責技術研發、硬件方案設計以及數據標準相關工作。

COO 張計業則長期負責產業合作與商業化落地，當前聚焦場景拓展、政企合作與客戶交付。

在組織設計上，智域基石采用了更偏“分工式”的技術架構：一側聚焦機器人技術適配，另一側聚焦數據編譯系統與大數據基礎設施。這樣的安排，某種程度上也是由行業特性決定的。

具身智能的數據問題，本身就不是一個單點技術問題。

它既涉及機器人本體、傳感器、操作任務和物理環境，也涉及海量數據的采集、存儲、調度、檢索和交付。換句話說，這不是單靠機器人團隊或單靠數據工程團隊就能完成的工作，而是兩套能力的疊加。

02

為什么具身智能首先卡在“數據”上？

談及創業起點，楊哲軒給出的判斷很明確：具身智能當前的瓶頸，不只是模型和算力，更在于高質量交互數據的供給能力。

這也是具身智能和互聯網模型最根本的差異之一。

文本模型可以直接利用互聯網中已經高度結構化、被人類長期“編碼”過的數據；而機器人面對的是物理世界中的原始記錄——視頻、IMU、關節狀態、力反饋、環境變化、任務結果，這些數據天然具有多模態、強時序、強耦合、異步采樣等特征，且必須與任務目標、動作結果和環境反饋綁定，才能真正進入訓練流程。

因此，對具身模型而言，真正有價值的并不只是“數據量”，而是那些帶有任務意圖、動作邊界、成功/失敗結果和部署反饋的高信息密度樣本。

這也意味著，具身智能數據的難點從來不只是“采到”，而是“采到之后如何變得可用”。

同樣一段機器人執行任務的原始記錄，如果存在時間戳漂移、傳感器不同步、空間標定誤差，或者缺少動作階段、任務語義和結果標記，那么它對模型的訓練價值就會迅速下降。更進一步說，成功軌跡固然重要，但失敗樣本、糾偏過程和恢復動作，往往更能決定模型在真實環境中的魯棒性和可部署性。

從這個角度看，具身智能行業真正缺的并不是原始數據本身，而是把原始數據穩定轉化為訓練輸入的能力。

這也是智域基石選擇切入的核心問題。

03

做具身智能行業的“煉化層”

楊哲軒用過一個比喻來解釋這件事：如果說原始數據像原油，那么真正稀缺的未必是誰囤了更多“原油”，而是誰能把不同場景、不同本體、不同質量的數據，穩定煉化成模型可直接使用的訓練輸入。

圍繞這個目標，智域基石設計了一套五段式的數據處理管線，包括質檢、底座、編譯、檢索、交付五個環節。

第一層：質檢

質檢是原始數據進入系統前的第一道關口。

在這一層，系統會對相機、IMU、關節狀態等多源傳感器數據進行完整性與一致性檢查，識別丟幀、時鐘漂移、信號異常、校準失效等問題。對具身智能而言，這一步的重要性不言而喻：如果基礎數據本身存在錯位，后續模型訓練就很容易建立起錯誤的感知—動作映射。

第二層：底座

底座層主要解決的是多模態數據的時空對齊與統一組織問題。

來自不同設備、不同采樣頻率、不同坐標系的數據，必須被映射到同一套數據底座上，才能支撐后續動作切分、語義標注和樣本構建。對于機器人學習來說，這不是簡單的數據存儲問題，而是訓練輸入能否成立的前提。

第三層：編譯

編譯層是整條鏈路的核心。

在這里，連續軌跡會被切分成可訓練的樣本單元，并補充任務語義、動作邊界、成功/失敗結果、接觸事件與關鍵狀態變化等信息。換句話說，原始記錄從這一層開始，才逐漸從“物理過程”變成“模型可以學習的結構化樣本”。

這也是“數據編譯”這一概念最關鍵的地方：它不是傳統意義上的數據清洗或標注，而是把高熵、非結構化、難復用的物理世界記錄，轉化成模型能夠反復調用和迭代的訓練資產。

第四層：檢索

當數據規模上來之后，問題就不再是“有沒有數據”，而是“能不能快速找到對當前任務真正有價值的數據”。

因此，檢索層面向的是海量數據資產管理。它圍繞場景、任務、對象、機器人類型、動作階段、失敗模式等維度建立可查詢的數據索引體系，讓工程團隊能夠更高效地完成樣本篩選、組合和調用。

第五層：交付

最終，數據還需要以標準化的方式進入客戶訓練和評測流程。

在這一層，數據集、元數據、版本信息以及配套說明會被統一封裝，以便客戶直接接入訓練、評測和回歸體系。這意味著，交付出去的不再是一堆原始文件，而是一套可直接被工程系統消費的數據產品。

整體來看，這套管線的目標，是盡可能提升后端加工環節的自動化程度，僅在真機采集和場景配置等前端環節保留必要人工參與，從而降低傳統人工處理模式在整體流程中的占比，并在成本、交付效率和標準化程度上形成工程化能力。

04

為什么更看To B，而不是家庭場景？

在“具身智能的 GPT-4 時刻”這個熱門話題上，楊哲軒的判斷相對克制。

他認為，具身智能的關鍵拐點不會以某一天突然發生的方式到來，而更可能是分階段出現：先在少數高頻任務上形成穩定能力，再逐步擴展到更多場景和更多機器人平臺。

從這個邏輯出發，智域基石當前更看重的是To B場景。

原因并不復雜。家庭場景當然擁有長期想象空間，但在短期內，它仍然受制于成本、安全、可靠性和售后體系，真正愿意率先買單的用戶群體相對有限。相比之下，國內制造、倉儲、零售、醫療等 To B 場景任務密度更高、反饋鏈條更短，也更容易形成“采集—訓練—部署—回流”的閉環。

這對一家做數據基礎設施的公司尤其重要。

因為對具身智能來說，數據價值不是停留在采集端，而是取決于它能否在部署中繼續回流，并進一步沉淀為可遷移、可復用的能力。也正因如此，智域基石判斷，具身能力大概率會先在工廠、倉儲、醫院、門店等半結構化 B 端場景中逐步落地。

當然，這并不意味著 B 端數據天然就更容易處理。

恰恰相反，To B 場景的數據往往還伴隨著私有化部署、本地化合規、可追溯、系統穩定性和結果復現性等要求。對數據公司來說，真正的挑戰不是把數據簡單匯集起來，而是在數據難以跨企業、跨場景自由流動的前提下，如何把局部場景經驗沉淀為可遷移、可復用的模型能力。

05

產業方率先下注，

但公司要做的是開放型基礎設施

商業化層面，智域基石目前處于很早期，但節奏并不慢。

據公司介紹，成立不到半年，其已形成近億元在手項目與合作儲備。客戶類型覆蓋機器人廠商、場景合作方及產業鏈伙伴，其中既包括與投資方之間的業務協同，也包括獨立的外部合作。

產業投資方的加入，確實能夠幫助一家新公司更早進入真實場景、理解真實需求、驗證真實流程；與此同時，智域基石也對模型廠商、場景方保持足夠的開放性和中立性。

從公司現階段的規劃看，智域基石也在朝這個方向推進。

短期內，它仍會把重點放在數據采集、數據編譯和場景交付能力的打磨上；中期，則希望把前期沉淀下來的通用動作、場景經驗和處理流程，抽象為可復用的數據產品和標準化工具鏈；更長期看，公司希望沉淀出一套面向具身智能的數據底座，逐步升級為平臺型基礎設施，并圍繞接口、工具鏈和合作伙伴體系建立生態。

06

過去一段時間，具身智能行業的注意力更多集中在“大模型能不能泛化”“機器人本體能不能降本”這些更容易被討論的話題上。但越來越多從業者開始意識到，決定行業節奏的，往往不只是模型本身，而是模型背后的那套數據供給和反饋體系。

在這個意義上，智域基石的價值，不在于它是不是一家“數據公司”，而在于它試圖解決的是具身智能最底層、也最工程化的一件事：如何讓物理世界中的原始記錄，穩定轉化為模型能夠持續學習的訓練輸入。

這件事不夠熱鬧，卻很可能足夠關鍵。

如果說具身智能真正的分水嶺，不會只來自某一個模型版本的發布，而是來自整條“采集—編譯—訓練—部署—回流”鏈路的成熟，那么數據基礎設施這條賽道，或許才剛剛開始進入價值顯現期。

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。