作者｜金敏
为了让机器人能够更好地完成真实场景中的任务，处在上游的数据基础设施生意，火了。
如果具身智能行业有年度热搜榜的话，具身数据估计能排在前列。为了让模型更好地适应物理空间，让机器人变得更聪明，高质量数据成为了稀缺且成本高昂的养料，也吸引了足够多的行业关注。
据 IT 桔子统计，2026 年上半年有 25 家中国具身智能数据创业公司合计拿到超过 170 亿元融资。
进入下半年，尽管资本市场对于具身智能的狂热态度有所下降，数据基础设施公司仍然取得了不错的融资成绩。
最近，具身数据赛道又传来了新的融资消息。
先是 10 月 24 日，Maxinsights 宣布完成 3000 万美元种子轮。10 月 29 日，文远知行旗下子公司景烁科技披露首次融资进展，完成数千万美元 Pre-A 轮融资。
11 月 2 日，赛道内的简智机器人又披露了 1 亿美元的 A+ 轮融资。
同一赛道，三笔不同的融资在十天内打给了三位不同的玩家，资本开始认可具身数据基础设施的独立商业价值。
资本市场渐冷，具身数据基础设施为何还能拿到融资？
2026 年下半年以来，具身智能一级市场的温差开始变得明显。IPO 监管收紧，投资也变得谨慎，只有技术故事的公司越来越难融到钱。
在逐渐冷静的氛围里，没做整机、也不做具身大脑的数据基础设施公司，为什么还有新钱涌入？
这要从需求端和供给端分别来看：
先是需求端出现了刚性的数据缺口，然后供给端出现了能够承接这类需求的专业团队。
首先，在需求端，数据已经从内部成本项变成了有明确买家的采购项。
随着机器人硬件和模型的不断发展，行业瓶颈渐渐从「造得出机器人」转移到「训得好机器人」。训练所需的真实交互数据无法从互联网抓取，也难以全靠仿真替代。真实场景数据成为了刚需，数据采集也因此不再只是研发部门的配套工作，而是开始形成独立的采购链条。
数据也因此成为产业链里少有的确定性需求，无论哪家本体胜出、哪个模型架构跑通，都需要持续消费数据。
同时，数据具备小时数等可量化的交付口径，能在短期内形成确认收入。相比之下，造整机要考虑量产节奏，模型架构还没有收敛，资本自然更愿意把钱投向需求更明确、回报周期更短的数据基础设施。
其次，在供给端，最近得到资本青睐的三支队伍，核心班底都自带自动驾驶基因，这让他们具备了把数据需求变成标准化服务的能力。
简智机器人创始人陈建兴曾任 Momenta 算法高级总监，牵头过数据飞轮的量产路线规划。
景烁科技的核心团队则直接来自文远知行的物理 AI 研发体系，CEO 霍达是文远知行 001 号员工，长期负责自动驾驶平台与数据基础设施建设。
Maxinsights 联合创始人兼 CTO 汪堃是 Waymo 早期仿真系统工程师，后来联合创办轻舟智航。
自动驾驶行业完整经历过从「拼算法」到「拼算力」再到「拼数据」的三轮淘汰赛，把沉淀下来的方法论和经验迁移到具身智能上，等于把起跑线往前挪了一截。资本愿意为已经交过学费的经验付费。
自动驾驶背景只能证明团队有供给能力，并不是资本下注的根本原因。根本原因仍然是需求端已经出现了真实的采购需求。
从数据采集到技能沉淀，三家公司选择了三种商业模式
如果把具身数据生产拆成采集、处理和交付三个环节，回看最近拿到融资的三个玩家，其实都在打通完整的数据生产链条，只是三者的产品部署思路有所不同。
景烁科技的思路是从数据采集走向数据、模型和技能资产的协同。目标不只是采集和交付数据，而是把真实世界中的操作经验转化为可训练、可复用的机器人技能包。
前端的第一视角采集设备 EGOK 负责采集人类第一视角操作数据，规模化数采扩大真实场景的覆盖范围。中间由 WorldEngine 平台连接数据治理与模型训练，自研世界模型 GENESIS-Robotics 则进一步探索对物理世界的理解与建模。
在此基础上，SkillForge，作为资产沉淀与交付层，会将数据进一步组织为可直接交付的标准化机器人技能包。
简智机器人则以多模态采集和数据生产管线为核心，打通从数据到机器人评测的链路。
其中，Gen DAS 作为一套多模态数据采集设备，通过头戴设备、灵巧手套和触觉传感器等记录人的观察与操作。DFM（数据基础设施）负责对多模态信息进行对齐、重建和标注，并结合真实机器人集群评测，将原始数据转化为机器可学习的技能数据。
Gen ADP 则作为数据产线，通过组织采集人员进入家庭、工厂等真实场景，将日常操作转化为规模化数据。
Maxinsights选择用全球采集网络换取高信息密度数据。
其本身并不拥有采集场所和大型数据中心，但需要管理横跨 8 个国家的数采网络。超过 3500 名的采集人员通过头戴式设备记录家庭、餐饮、酒店等场景中的第一视角操作，再利用自研模型完成手部追踪、动作识别和数据结构化。
为了将分散在真实生活和工作场景中的人类操作、转化为可以打包出售的真实数据资产，Maxinsights 升级了采集和管理方式。
MaxGlove 传感手套可以记录视频难以捕捉的握持力度、接触状态等触觉与力学信息。MaxLoop 作为质量控制系统，能够在数据上传时进行质量评分，识别画面、动作和任务完成情况。
前者提高已有数据的处理效率，后者拓展机器人学习物理交互的能力。
产品体系决定了公司提供的服务类型，而一家数据基础设施公司能走多远，还得看是否有一定的行业积累，和是否建立了足够可靠的客户池。
三家公司在这方面的积累，恰好折射出它们不同的产业底色，也带来了相应的商业化布局。
景烁科技最值得关注的筹码，是成熟商业化智驾平台的内生拆分。
作为文远知行全资子公司，景烁科技承接的是一套已经经过商业化验证的业务积累。过去八年规模化运营 Robotaxi 的积累，让它有机会将成熟的海量数据处理、场景标注和工程交付经验迁移到新的 AI 场景。
目前，景烁科技已与英伟达、腾讯、小红书、字节跳动等科技企业合作，拥有 100 多家客户及生态伙伴。
简智机器人的优势，则是把智驾数据飞轮方法论抽离出来，重新为具身交互的多模态短板量身改造。
创始团队来自 Momenta ，参与过自动驾驶数据闭环建设。如今，这套思路被迁移到具身智能，但团队也意识到两个领域之间的差异。
机器人学习与智能驾驶相比，需要补齐智驾体系缺失的多模态采集、触觉 - 手部信号对齐能力。多模态数据经过处理进入模型训练，再通过机器人评测反向发现新的数据需求。
简智机器人目前已披露与 30 多家国内外 AI 企业合作，上汽、百度、银河通用等产业资本也参与其中。这些合作与投资背后，反映出市场对其采集硬件和数据生产能力的关注。
Maxinsights 的优势更加直接，体现在和头部模型客户的合作中。
Maxinsights 是 Dyna Robotics Dyna-2 世界动作模型的核心数据供给方。同时也为 Genesis AI 的 GENE-26.5 模型提供了 20 万小时第一视角数据，是该模型最主要的数据源。
进入头部模型的训练链条，说明它的数据在质量、任务适配性和训练价值上经过了客户检验。
这也解释了三家公司商业化的不同支点：景烁科技依靠成熟的 AI 基础设施和跨行业客户拓展服务边界，简智机器人通过采集设备与数据产线承接企业从数据供给到评测的研发闭环，Maxinsights 则凭借真实场景数据供给进入头部模型团队的训练链条。
三家公司从不同入口切进了这门生意。但数据能否进一步沉淀为机器人可迁移、可复用的技能，仍将决定这门生意最终能走多远。
数据基础设施如何建立长期价值？
具身智能落地缺少数据，并不意味着只要扩大数据采集规模，就能建立长期优势。
数据量不等于数据价值。机器人需要学习人与物体、环境之间复杂的交互，拿起不同材质的物品、应对物体滑动、在狭窄空间中调整姿态，甚至处理任务中途的突发情况。
这些学习任务不能靠单一类型的数据集喂养，光靠走量也很难让机器人完整学会这些信息。
数据基础设施的长期竞争力可以分为三层。
第一层是数据供给能力，需要持续获得稀缺的真实场景数据。
第一视角视频、手部与全身运动、空间信息、触觉和力觉，以及机器人在真实环境中的执行反馈，各自对应不同的学习需求。
但数据类型变多，并不自动构成竞争壁垒。采集设备可以迭代，数据集也可能被其他供应商替代。
第二层是数据生产能力，也就是把原始数据加工成模型真正需要的数据。这比数据采集更接近护城河。
生产能力也是避免同质化竞争的关键。如果只堆采集素材，最后很容易在采集和标注环节陷入价格战。
只有向上吃透任务、向下理解训练链路，才能形成有辨识度的数据生产系统。
第三层是数据复用能力：跨模型、跨本体、跨场景持续交付。这决定了第三方数据公司和本体厂商之间的边界。
随着头部机器人企业开始自建或投资数据团队，数据基础设施公司也需要明确与本体厂商之间的边界。例如，智元孵化并独立运营觅蜂科技，就是本体厂商主动向上游数据环节延伸的例子。
但这并不意味着第三方数据服务商失去空间。对于非头部玩家来说，单一企业很难独立覆盖所有任务类型、采集地区和数据模态。不同本体、不同模型仍然需要大量跨场景的数据。
这恰恰是第三方具身数据基础设施的机会。以景烁科技为例，将数据平台和模型能力结合起来、不绑定单一本体的服务定位，有机会面向不同模型与机器人企业提供通用的数据资产。
当然，这种跨本体的服务模式，壁垒最终仍要由客户结构、数据标准和实际合作关系来验证。
这门生意才刚刚开始。数据的质量口径尚未统一，采集成本与交付价格仍在博弈，客户的付费意愿与复购深度还有待验证。
今天的融资可以让公司跑起来，却决定不了谁能留下来。真正决定终局的，是数据公司能否在数据规模之外，提供别人难以替代的资产、处理能力和服务。
眼下，具身智能产业链开始出现专业化分工。
当数据可以被标准化采购、加工和复用，具身数据基础设施才真正建立了独立的商业价值，也才有资格谈定价权。
