具身智能迎新融资！刻行时空联手乐聚穹彻，筑基AGI数据飞轮

type

status

date

slug

summary

从自动驾驶到具身智能：数据工程的跨界迁移

刻行成立于2022年，其创始团队拥有深厚的数据工程背景。创始人兼 CEO 黄阳明曾是苹果自动驾驶部门 Infra 团队的核心成员，并在嬴彻科技担任过技术要职；联合创始人兼 CTO 郑宇靖则先后服务于高仙机器人、嬴彻科技和通用电气。

在自动驾驶领域，处理 EB 级别（Exabyte）的时空多模态数据是一项极具挑战的系统工程。刻行团队敏锐地发现，自动驾驶沉淀下来的数据工程能力，可以无缝迁移到机器人产业。

具身智能时代的数据不仅规模庞大，而且呈现出高度的“异构性”。不同品牌、不同型号的机器人拥有不同的传感器配置、动力学特性和自由度。如何将这些杂乱无章的时空多模态数据进行高效的生产、治理、评估与合规交付，是制约具身模型训练的关键痛点。刻行正是瞄准了这一市场空白，从数据底座提供商升级为“全链路时空数据基础设施平台”。

StarBase与coScene：打通具身数据生产与应用闭环

为了解决模型训练与数据工程之间的协同难题，刻行打造了“StarBase + coScene”的一站式数据处理底座：

StarBase（面向数据生产端）：这是刻行通过下场运营数据采集，从一线最佳实践中沉淀而来的原生数据生产管理工具。它主要解决“数据如何被规模化生产”的问题，涵盖了软硬件系统、场地设计与标准化 SOP 流程。

coScene（面向数据应用端）：主打时空多模态数据的管理与应用，解决“数据如何被工程团队持续、高效地使用”的问题。

目前，刻行正运营着国内最大的异构人形机器人数据采集场之一——惠阳异构具身智能训练场。通过软硬件一体化的方案，刻行实现了从数据采集、清洗、对齐、标注到最终交付的全链路覆盖，为行业输出高质量的具身数据资产。

真实物理世界 vs 无本体采集：如何破局数据荒？

在具身智能的后训练阶段（Post-training），真机数据的交付至关重要。刻行重点解决的是目标机器人在真实动力学、传感器噪声、控制延迟、失败恢复、力控/触觉以及场景约束等方面的部署分布问题。

然而，真机采集成本高昂且效率受限。为此，刻行也在积极探索“无本体采集”（Bodyless Collection）这一前沿范式。

无本体采集不依赖于特定的目标机器人硬件，而是通过人类操作员戴上手套或使用VR设备直接在物理世界中采集动作数据。这种数据在理论上只需要经过一次重定向（Retargeting），就可以适配并销售给不同的基模（Foundation Model）公司。

相较于单一型号的真机数据，无本体采集具有更高的确定性、更低的机器成本，并且极易通过众包模式实现规模化扩张。黄阳明预测，无本体采集将持续冲击用真机做大规模、偏标品、偏预训练的数据生产模式。

布局全球化：具身智能数据出海的机遇与挑战

从全球市场来看，具身智能的数据需求呈现出“海外为主、国内猛增”的格局。海外的大模型厂商和机器人独角兽对高质量训练数据的付费意愿极强，这也让海外市场成为国内具身数据厂商的“必争之地”。

然而，数据出海并非易事，通常需要经历三个阶段：

阶段一：卖方向买方展示样例数据，验证技术可行性；

阶段二：获取意向后进行试采，依据数据质量决定是否进一步合作；

阶段三：实现规模化的合规交付，这也是门槛最高的一步。

目前，刻行时空已经跑通了阶段二和阶段三的闭环，正与海内外多家具身智能企业及大模型公司合作，探索如何让真实世界数据以可追溯、可合规的方式进入模型训练闭环。此外，刻行还在积极推进数据标注自动化和质量评测标准，力求与模型厂商共同建立数据质量评价框架，把好数据交付前的最后一关。

结语：数据基础设施将决定AGI的落地速度

正如互联网时代的算力之争，具身智能时代的竞争本质上是“高质量数据飞轮”的竞争。没有强大的数据基础设施，再先进的算法也只是空中楼阁。刻行时空通过将自动驾驶级别的数据工程能力引入机器人领域，正在为整个具身智能产业铺设高速公路。

如果您想持续关注具身智能、人工智能行业的最新突破，或者寻找实用的Prompt（提示词）技巧与AI变现案例，请锁定我们的AI日报，并随时访问AIGC.bar获取最新动态！