Loading...
Loading...
具身新贵，3个月成为独角兽明星机构押下重注。
作者丨韦香惠
来源丨东四十条资本
就在国内一级市场对具身智能的投资逐渐收紧之时，海外一家做机器人数据训练的公司，三个月融两轮，已经跻身百亿独角兽行列。
不久前，机器人数据公司XDOF传出新一轮融资消息，估值约12亿美元，折合人民币超过百亿元。距离公司今年6月宣布完成7000万美元A轮融资，仅仅过去约三个月。
XDOF成立于2024年，由Philipp Wu、Fred Shentu和Nemo Jin共同创立。公司的技术基础之一，是伯克利机器人学习研究中发展出来的GELLO远程操作系统。
让我产生兴趣的是，这家公司既不做模型，也不造人形机器人，而是做着一门看上去并不性感的数据生意——为机器人收集、整理和处理真实世界中的交互数据。但就是这样一家“卖数据”的公司，却获得了 a16z、Thrive Capital 等明星机构的青睐。
目前XDOF的这笔融资仍属于拟议交易，具体融资金额、估值是否包含新资金等细节尚未得到公开确认。但无论最终交易如何落地，这笔融资至少释放出了一个值得关注的信号：随着大模型和机器人产业进入新的发展阶段，曾经被视为人力密集型、缺乏想象空间的数据生意，正在被资本重新审视。
机器人领域的Scale AI
“数据质量往往是深度学习中被忽视的功臣。”这句话是Phililp Wu在推特转发团队的一篇研究文章时所写下的。
Phillp Wu是XDOF的创始人。他所在的伯克利，本身就是全球机器人学习、强化学习和具身智能研究的重要学术中心。国内具身智能圈流传的“伯克利归国四子”，也从侧面说明了这所学校在中国创业者和投资人中的影响力。
XDOF创始人Philipp Wu，研究起点也是机器人本身。从领英公开履历看，他曾在加州大学伯克利分校机器人学习实验室从事本科研究，师从Pieter Abbeel教授，研究机器人控制。2022年7月至2024年8月，他还曾在Meta担任访问研究员，研究多模态机器人基础模型。
Pieter Abbeel是加州大学伯克利分校教授、机器人学习实验室主任，也是伯克利人工智能研究院（BAIR）联合主任。他长期研究机器人如何通过人类示范、强化学习和试错获得技能，比如当下我们经常见到的机器人学习折叠衣物、打结、装配等复杂操作，均是Abbeel的研究方向，他还曾与学生共同创立Covariant，将机器人学习技术带入物流仓储场景。2022年，伯克利将ACM Prize in Computing授予Abbeel，以表彰他在机器人学习领域的研究贡献。Philipp Wu就曾在Covariant担任研究工程师，研究物流和仓储机器人的学习技术。
如果把具身智能比作一条新产业链，机器人本体是“身体”，模型是“大脑”，而数据则更像训练过程中的“燃料”。本体厂商需要数据训练模型，模型厂商需要数据提升能力，数据公司则有机会向多个客户提供服务。因此，有投资人将XDOF称为机器人领域的Scale AI或Mercor。
不过，这个类比也需要谨慎。Scale AI等公司所处的是互联网数据和模型训练市场，xDOF面对的则是一个更复杂的物理世界。与传统工业机器人依靠预先编写的程序不同，通用机器人需要面对不断变化的物体、环境和任务。一个人如何抓起一支笔、打开一个瓶盖、折叠一件衣服，背后都包含复杂的视觉、动作和反馈过程。机器人要学会这些事情，不能只靠工程师为每个动作编写规则，而需要大量真实的交互数据。
这类数据并不像互联网文本那样天然存在，而机器人需要的数据，往往必须通过真实操作才能获得。机器人抓取物体时的位姿、手部轨迹、接触反馈、失败原因，以及人类如何调整动作，都是训练通用机器人所需要的材料。此外，机器人训练数据质量要求也更高，一个看起来“差不多”的动作，可能因为力度、角度、接触位置或时机不同而失败。这也是为什么机器人数据采集不能简单理解为“给机器人拍视频”。它需要同步记录视觉、动作轨迹、机器人状态和任务结果，还需要考虑不同机器人之间的动作映射、数据质量控制，以及如何从失败和调整中提取有效的学习信号。
今年6月，XDOF发布了WARP-RM（Warp-Augmented Relative Progress Reward Model）方案。研究团队在训练机器人折叠T恤时发现，增加更多示范数据后，机器人反而表现更差。问题并不在于这些示范最终没有完成任务，而在于其中包含了大量停顿、犹豫和反复调整的过程。对模仿学习模型而言，这些动作同样会被当作训练信号。
WARP-RM试图解决的，就是如何从这些数据中识别出真正推动任务进展的部分。通过改变已有轨迹的时间尺度，让模型学习判断任务进展的速度：某个动作是在推动任务向前，还是停滞，甚至倒退。这样一来，一段原本只有一次示范的数据，可以通过不同速度的回放，生成更多用于训练的相对进展信号。结果显示，在折叠T恤的实验中，经过WARP-BC加权训练的策略，在不同质量的数据集上都保持了更高的成功率；在最干净的数据集上，两种方法都完成了20次折叠，但加权策略平均用时约64秒，普通模仿学习约114秒。
a16z等明星机构押下重注
众所周知，数据问题正在困扰具身行业，尽管越来越公司以仿真数据和合成数据作为解决问题的途径，但仿真可以扩大数据规模，但真实数据决定了这些数据与现实世界之间的距离。 如果一家公司能够掌握真实数据采集能力，并进一步形成稳定的数据管线、工具和客户网络，它的商业价值就可能从数据服务商，向训练基础设施供应商升级。
今年6月，XDOF公开了ABC-130K数据集，包含13万条以上机器人操作轨迹，覆盖约200个双臂操作任务，并与伯克利等机构合作完成。与此同时，这家公司宣布完成7000万美元A轮融资，Thrive Capital、a16z、Lux Capital、Spark Capital和WndrCo均参与其中。到了9月，xDOF又传出正在洽谈新一轮融资，估值约12亿美元。
资本密集关注背后，这家公司年化收入已接近5000万美元，客户包括多家前沿AI实验室。
事实上，国内也已经出现了一些大模型数据训练的明星公司和创始人，他们今年的融资热度同样颇高。近期，我们和一些投资人交流后发现，数据生意的上限，不在于卖出多少条轨迹。就像一些早期的数据公司，容易被理解为外包服务商：客户提出任务，公司组织人员采集数据、完成标注，再按项目交付。但如果机器人模型的训练需求持续增长，这种模式很难支撑更大的商业空间。
原因是数据需求并不是一次性的。模型训练需要持续补充新数据，模型效果变差时需要重新采集，换一个机器人或任务场景，又需要新的数据。真正有价值的公司，需要把采集、清洗、标注、训练、评测和反馈连接起来，形成持续运转的数据生产系统。
以XDOF的业务模式为例，公司公开强调，其业务不仅包括数据集，还包括数据管线、采集工具和标注系统。创始团队此前参与开发的GELLO，也是一套用于机器人远程操作的数据采集系统。在投资人看来，这类公司的上限，不一定是成为一家更大的数据外包商，而可能是成为机器人训练生态中的基础设施平台。
2026年的具身智能融资，已经明显向“大脑”和“数据”两端集中。但这并不意味着所有细分赛道都在同步升温。相反，资金正在向更少的项目集中，投资人也开始从“技术故事”转向“商业化能力”。
国内，物理AI数据与评测基础设施企业光轮智能今年以来已连续完成多轮融资，融资节奏明显加快 。3月，完成10亿元A++及A+++轮融资，晋升全球首家具身数据独角兽 ；5月再获新一轮融资，由蚂蚁集团领投，投后估值超过20亿美元（约150亿元人民币）；6月完成10亿元战略融资，三周内两轮合计约20亿元 。
“智元系”，同样在发力具身智能数据平台基建，今年2月，由智元机器人内部孵化的物理AI数据服务平台觅蜂科技宣布成立，截至2026年8月底累计已完成数亿元融资。不久前，第20000套MEgo无本体数据采集设备正式下线。据了解，这也是行业首次实现大规模量产无本体数据采集设备。
“Garbage in，garbage out。”数据的质量，最终决定模型能力的上限。
随着机器人逐渐走进真实世界，越来越多企业开始进入数据采集领域，物理AI的数据供给正在加速增长。尽管眼下的数据积累，距离真正支撑机器人智能涌现仍有距离，部分数据采集项目的失利，也意味着一些资本已经为尚未跑通的技术路线付出了成本。但这并不意味着数据的价值正在消失。恰恰相反， 随着技术路线逐渐收敛，数据会从对数量和质量的追求转向一套围绕数据建立起来的采集、处理和反馈能力。届时，数据公司的价值也应当被重新看待。
Kimi实习生开公司，估值快200亿了年轻人的第一桶金。
作者 韦香惠
编辑 刘燕秋
本文字数5212
手搓量丨100% AI含量丨0%
大模型数据公司，很长一段时间并不在VC的视野中，不过这种境况有所变化。我最近听说，几个有阿里通义、月之暗面等模型大厂实习经历的年轻人创立了一家数据公司，颇受资本青睐。
这家公司以AI训练数据为切入口，在不到一年时间里便拿下千万美元级订单，完成约三轮融资，估值也是水涨船高。外媒最新消息显示，这家公司即将完成一轮3亿美元融资，投资方阵容豪华，囊括了红杉、阿里和腾讯这些明星机构，估值达到25亿美元。
当然，国内此前并非没有数据服务公司，但在今年之前，这样的公司很少会被风险投资关注到。原因在于，这个模式主要做的是现金流生意，创业门槛在AI领域内也不高。更早些时候，三四线小城市有一批数据公司利用廉价劳动力为模型训练提供语料。随着大模型智力水平的提升，数据质量要求同步提高，越来越多名校背景的高学历从业者加入。各行各业的资深人士，比如法律、医生、记者、编剧等开始入驻一些数据服务公司的平台。作为一份兼职，数据标注的收入在每小时500-1000元。
但如果只是做专家网络，在国内很难顶到百亿估值。卖数据这个模式，在不少投资人眼里，仍然是一个阶段性的可持续性存疑的生意。
一位接触过前述项目的投资人告诉我，在2亿美金轮次以前，投资人还是从对创始人的判断层面去下注的。到如今，要以25亿美元估值对外融资，这家公司必须讲出新的故事。据我了解，今年上半年，它已经开始涉足金融领域，在预测市场做了一套可对比、可验证的系统，据说要以卖API来盈利。
国内数据训练公司大概有二十多家，上述跨界金融的故事还只是他们试图描述的未来方向之一。在和投资人交流后，我发现人工标注、专家外包、数据交付，这些很难讲出足够性感的增长故事的传统数据服务模式，在越来越多95后、00后年轻创业者那里有了新的说法。他们凭借模型训练的经验和对模型能力的足够了解，让一个原本相对枯燥的现金流生意，开始有了新的想象空间，由此搅动起一波融资热度。
数据有了新需求
理解这些实习生做的生意，可能要从去年媒体上热议的“985、211硕博生去当AI训练师”说起。比如，DeepSeek北大中文系毕业生和Kimi的医学博士等。他们有人在网上自嘲为“数据包工头”，带领一些以BPO（外包）形式存在的标注员，配合研发团队，为模型生产训练数据。
卖数据的商业逻辑并不复杂，只要能够拿到订单，自身就可以跑成一家现金流不错的公司，也不一定需要融资。Surge AI就是一个典型案例，这家公司成立于2020年，创始人Edwin Chen此前曾在Google和Meta从事机器学习工作，后来出来创业。这家公司很长一段时间没有拿外部融资，主要靠自身滚动发展。直到2025年，市场开始传出它寻求最多10亿美元融资的消息。当时，公司过去一年收入已经超过10亿美元，市场讨论的估值也超过150亿美元。
随着模型能力的提升，医疗、法律、金融等专业领域，以及需要主观判断的复杂任务中，对资深人才标注的需求正快速增长。市场上高质量人类标注者稀缺，特别是专业领域人才，大型AI公司为此愿意支付高额溢价。Mercor便捕捉到了这一机会，这家公司早期只是为大型数据标注公司提供“合同制人才”的AI招聘平台，后来直接把专业人士组织成训练数据供应网络。2025年，Mercor以100亿美元估值融资，2026年又传出按200亿美元估值筹集约5亿美元的计划。
总之，海外诞生了许多独角兽，但是国内的AI训练数据服务商却很少有机会获得VC支持。
一位调研过这些模型厂的投资人告诉我，当时，模型厂内部对于数据采购的标准，包括新增供应商的标准，都还不是特别清晰。尽管已经和几家互联网厂商，甚至一些海外供应商有所合作，但整体供应量还没有那么大。另一方面，国内有段时间以蒸馏为主，很大程度上削弱了大家去找专家数据的必要性。
今年Agent全面爆发，需要的数据类型也早已不是简单的专家数据，而是一种更接近环境的数据。
一位模型厂的研究员告诉我，现在需要的数据，已经不只是“问题和答案”，而是能够让模型反复行动、获得反馈的可闭环、可验证的训练环境。模型在里面执行任务，环境记录它的每一步行动，再通过验证器判断结果，最后把反馈交还给模型。比如，想训练一个模型写出更好的前端代码，光靠人工告诉它“这段代码好不好”是不够的。你需要一个能够执行代码的环境，还需要一个能够理解页面效果的模型去做裁判，再通过几百轮甚至更长时间的运行，不断给模型反馈。
一些美国创业公司开始专门做强化学习环境。AfterQuery希望让模型和智能体学会像专业人士一样完成任务，公司将其描述为“将世界顶尖从业者的模式、决策和推理进行编码”，为前沿大模型输出专家推理数据集、强化学习仿真环境、模型评测服务。
需求方这边，Anthropic管理层也讨论过在未来一年内拿出10亿美元投入强化学习环境。OpenAI方面，2025年全年数据开销约10亿美元，内部预测到2030年将涨到80亿美元。现在，美国差不多已经有十几家这样的种子轮团队，人数不超过20人，服务1到3家大客户。
国内也开始出现许多这样的创业机会。一位投资人告诉我，越来越多研究员正在从模型厂外溢出来。到了今年5、6月份，这个趋势就比较清晰了：市场上开始出现一批提供高质量数据的新团队，同时，模型厂对于一些新领域数据的需求也在上涨。
00后造富扎堆
和AI其他领域的创业者一样，训练数据公司的创始人通常也很年轻。Scale AI创始人Alexandr Wang在24岁时成为亿万富翁，Mercor的三位创始人也在22岁时凭借百亿美元估值跻身亿万富翁行列。
最近的是AfterQuery的两位联合创始人。斯宾塞・马蒂加（Spencer Mateega）23岁、卡洛斯・乔治斯库（Carlos Georgescu）22岁，创立公司的时候两人还都处于大学在读状态。他们公司刚刚宣布正在筹集新一轮融资，估值达到32亿美元。这家公司成立仅仅18个月，主要业务是AI训练数据服务。
如今，国内的数据初创公司创始人同样如此，而且他们不一定是具身赛道里那种“小天才”，就比如开头我提到的，来自头部模型大厂的实习生。
一位接触过国内一家独角兽数据训练公司的投资人告诉我，早期大家的判断仍然更多集中在“人”身上。兼具business sense和researcher属性的人，到今天在市场上都比较少见。而这家公司的创始人曾在月之暗面等一线模型大厂有过实习经历，参与过模型训练工作并且发表论文。
现状是，模型训练的一线工作主要由名校PhD承担，他们从实习开始就会承担具体的执行工作。当他们跟着外包团队完成这些工作后，很容易就会想到，既然这件事可以在大厂的外包部门完成，为什么不能自己出来做？于是，一部分人开始从模型厂或外包团队中走出来，成立数据创业公司。
这也是当下这批数据创业者的共同特征：他们离模型厂的实际需求更近，对外部市场的变化也更敏感。一位已经投资过类似项目的投资人告诉我，他对创业者画像的判断多数是在团队至少要达到T0或T1级别，且最好是95后、98后到00后这一代真正参与过一线模型训练的人。
工程能力同样关键。如何搭建团队，如何把研究员认可的数据质量要求落到实际生产中，都需要很强的工程能力。从整个数据pipeline的搭建，到Query设计、数据初步构成，再到后续清洗和质量控制，背后都有复杂的工程链路，并不是简单的人工标注。
数据表面上是一门生意，但做得足够好时，它也可能成为模型厂之外的一个候选人团队，甚至是一个小型的预训练、后训练组织。投资人可以在早期以较小代价获得一个研究员密度较高的团队，数据业务是他们阶段性养活自己的方式，也可以帮助他们证明自己在行业中的位置，跟上模型智能发展的变化。
数据生意的天花板
但单纯的数据生意，很难支撑这些创业公司持续走下去。
2025年市场曾披露，和垂直领域专家数据起家的Mercor年化收入达到1亿美元，但其中60%到70%的总收入需要支付给承包商，留给公司的空间非常有限。Scale AI也有超过一半的营收用于直接业务成本，其中包括承包商薪资。国内一些数据标注平台公布的价格中，标注员的时薪通常在200至500元，资历更高、专业性更强的人甚至可以达到上千元。
随着模型能力继续提升，后训练公司对顶尖专家的需求还会越来越复杂。如果仍然依赖大量人工去寻找专家、生产数据，就意味着成本不断上涨；如果提高专家的收费，毛利会被压缩；如果不提高收费，又很难获得足够高质量的数据。
而且数据业务订单并非完全确定。投资人朋友告诉我，第一批数据供应商进入市场时，很多公司先在每个垂直领域做出一批高质量样本，不管是人工手工打磨出来，还是通过其他方式生产，都会在样本上投入大量精力，再拿去给阿里、腾讯等客户展示。客户认可之后，才会进一步下订单。但是数据行业里，一个订单并不等于一笔可以立即确认的收入。每一批数据都需要研究员验收和质量控制，如果连续几次交付的数据数量或质量不达标，客户完全可能缩减甚至取消订单。比如客户签下1亿美元订单，并不意味着公司半年、一年或者两年后就一定能够实现对应规模的收入。
从VC的角度看，投资最终还是要回到两个问题：这家公司能不能形成足够高的价值倍数，以及未来有没有清晰的退出路径。
海外大厂的分工相对成熟，每家大厂给外部数据公司的年度预算，到2027年、2028年仍在增长，而且体量很大。因此，海外数据公司确实有不错的市场空间，也已经出现了被并购的退出机会。但中国市场的逻辑不太一样，如果最终只是一家数据外包公司，无论是被并购还是上市，空间都相对有限。
在前述投资人看来，未来的数据生意可能不再是今天这种“一条数据卖多少钱”的模式，一些数据创业公司开始试图站到SaaS的位置上。比如，一些传统企业本身没有训练AI模型的能力，但内部拥有大量独特的业务流程和高价值数据。数据公司可以进入这些企业的工作流，帮助其完成AI化改造。
在这个过程中，企业会开放一些独特的业务场景，公司不仅获得数据，也能积累真实的任务轨迹和交互反馈，再把这些东西沉淀到自己的模型和训练体系中。这样一来，数据就不再只是一次性交付的商品，而变成了连接客户工作流、模型训练和长期服务的一层基础设施。数据公司的定价方式也会发生变化。大厂不会再简单按照数据条数付费，而是为一套能够持续产生高质量数据、完成任务执行和模型反馈的系统付费。
海外一些数据公司已经往这种更深的服务能力走。Turing、Scale、Invisible等公司都在发展咨询或更深度的企业服务业务，希望从单纯提供数据和人力，进一步介入客户的AI工作流。
当然，数据越深入客户核心业务，风险也越高。Mercor今年遭遇数据泄露事件后，Meta暂停了与其合作，OpenAI也对此展开调查。相关数据可能涉及模型公司的训练方法、承包人员信息和专有数据。
新故事在哪
除了追求更高的智能，模型发版速度的加快，也是今年数据订单增长的另一个原因。2026年以来，头部模型厂商的发版节奏，已经压缩到了月度级。技术方面来看，这背后可能有一个关键变量正在发挥作用：RSI。
RSI（Recursive Self-Improvement，递归式自我改进），指的是AI参与甚至改进自身研发流程，从而持续缩短模型迭代周期。它被视为本轮模型发版加速的重要推手，也成为中美AI创投圈的热词。
这并不是一个全新的概念。学术界很早就开始讨论，工业界也一直在尝试推进。5月，由Meta前FAIR研究总监田渊栋等8位顶级AI研究员联合创办的新AI实验室Recursive Superintelligence（RSI）完成6.5亿美元融资，投后估值约46.5亿美元。这一技术概念正式被推到资本市场面前。
一些数据初创公司，也开始把RSI作为自身融资叙事的一部分。
我的投资人朋友关注到，最近看的一些数据团队已经开始在新的领域里搭建“半RSI”的系统。它们当然还没有实现完全自动化的迭代，但在某些环节上，可能已经做到接近一半，甚至70%到80%。比如，团队可以在一个新的垂直领域里，快速生产高质量的分析、标注和合成数据，同时把专家经验和人的判断高效地嵌入系统。未来，如果能够进一步减少人工介入，让系统自己完成任务生成、执行、评估和迭代，就有机会从数据生产走向更完整的模型改进闭环。
然而，RSI创业是一场门槛极高的游戏。它同时需要前沿模型、巨额算力、顶尖研究人才、训练基础设施、大规模实验能力，以及足够强的模型评估系统。当前真正有能力尝试闭合完整循环的，仍然主要是OpenAI、Anthropic、Google DeepMind，以及极少数资本和人才配置超常规的新Lab。
今天市场上很多公司都在讲RSI，但它们做的其实并不是同一件事情。有的团队对标大模型公司，目标是做下一代模型研发，试图把完整的模型训练流程跑通；有的RSI只发生在某个产品的自动化层面；还有的团队所说的RSI，是自己的数据管线可以实现自净化、自迭代。这些工作的层次、方向和scope都不一样，短中期内，它们之间可能存在非常明显的差距。
所以，从投资角度看，首先要拆解RSI的具体含义：它究竟在解决哪个层面的问题？这个层面未来在整个行业中能够占据什么样的生态位？它的能力边界在哪里，又有没有继续向上延展的可能？
当然，数据创业者也不必都以RSI做下一代模型为目标。一切都取决于你如何看待自己做的这件事。有些人可能想得非常清楚：出来创业不是为了融资，而是找三五个人、十个人，做一门能够赚钱的生意。只要第一笔订单跑通，客户能够正常回款，现金流就不会有太大压力。
总之，作为年轻人的第一桶金，数据似乎是个不错的生意。
在前述投资人朋友看来，一个团队也不会因为选择“做数据”而减分。相反，过程中积累的能力可能会成为未来做出更大事情的重要前提。“如果一个团队能够一边做数据、一边赚钱养活自己，同时持续积累researcher和工程能力，再沿着模型智能不断往前走，这件事情其实是非常有意思的。”
投中网原创澳大利亚警方逮捕两名涉嫌攻击 Mercor、OpenAI 等公司的 TeamPCP 黑客Techub News 消息，澳大利亚联邦警察逮捕了两名涉嫌参与 TeamPCP 黑客组织活动的男子。该组织今年早些时候对多家科技公司发起了一系列网络攻击，目标包括 Mercor、OpenAI 等依赖知名开源软件的公司。警方称，此次逮捕行动是国际联合调查的一部分，旨在打击针对关键数字基础设施的犯罪活动。（TechCrunch）Grok 4.5 在 APEX-SWE 编程基准测试中位列第二Techub News 消息，xAI 旗下 Grok 4.5 在 Mercor APEX-SWE 编程基准测试排行榜中位列第二，Pass@1 准确率达到 51.2%，仅次于 Anthropic Claude Fable 5 的 65.5%。
该模型于 2026 年 7 月初推出，在另一项评估自动化能力的基准测试 AutomationBench-AA 中以 51% 的准确率位居榜首。xAI 表示，Grok 4.5 在保持可比性能的同时，任务成本比竞争对手低 4 至 17 倍。（CryptoBriefing）Mercor 收购 Deeptune 以构建 AI 训练模拟器Techub News 消息，估值 100 亿美元的 AI 人才平台 Mercor 于 7 月 9 日宣布收购 Deeptune，后者专注于构建企业软件模拟环境供 AI 代理训练。具体交易金额未披露，Mercor CEO Brendan Foody 曾以个人身份参与 Deeptune 今年 3 月的 4300 万美元 A 轮融资。
此次收购是 Mercor 继今年 2 月收购 Sepal AI 后的又一动作，旨在打通从数据标注到虚拟训练环境的全栈 AI 基础设施。Deeptune 团队将迁至纽约办公，其技术可让 AI 代理在部署前练习操作 Excel、Slack 及 CRM 等企业软件。（CryptoBriefing）明星机构押下重注。 作者丨韦香惠 来源丨东四十条资本 就在国内一级市场对具身智能的投资逐渐收紧之时，海外一家做机器人数据训练的公司，三个月融两轮，已经跻身百亿独角兽行列。 不久前，机器人数据公司XDOF传出新一轮融资消息，估值约12亿美元，折合人民币超过百亿元。距离公司今年6月宣布完成7000万美元A轮融资，仅仅过去约三个月。 XDOF成立于2024年，由Philipp Wu、Fred Shentu和Nemo Jin共同创立。公司的技术基础之一，是伯克利机器人学习研究中发展出来的GELLO远程操作系统。 让我产生兴趣的是，这家公司既不做模型，也不造人形机器人，而是做着一门看上去并不性感的数据生意——为机器人收集、整理和处理真实世界中的交互数据。但就是这样一家“卖数据”的公司，却获得了 a16z、Thrive Capital 等明星机构的青睐。 目前XDOF的这笔融资仍属于拟议交易，具体融资金额、估值是否包含新资金等细节尚未得到公开确认。但无论最终交易如何落地，这笔融资至少释放出了一个值得关注的信号：随着大模型和机器人产业进入新的发展阶段，曾经被视为人力密集型、缺乏想象空间的数据生意，正在被资本重新审视。 机器人领域的Scale AI “数据质量往往是深度学习中被忽视的功臣。”这句话是Phililp Wu在推特转发团队的一篇研究文章时所写下的。 Phillp Wu是XDOF的创始人。他所在的伯克利，本身就是全球机器人学习、强化学习和具身智能研究的重要学术中心。国内具身智能圈流传的“伯克利归国四子”，也从侧面说明了这所学校在中国创业者和投资人中的影响力。 XDOF创始人Philipp Wu，研究起点也是机器人本身。从领英公开履历看，他曾在加州大学伯克利分校机器人学习实验室从事本科研究，师从Pieter Abbeel教授，研究机器人控制。2022年7月至2024年8月，他还曾在Meta担任访问研究员，研究多模态机器人基础模型。 Pieter Abbeel是加州大学伯克利分校教授、机器人学习实验室主任，也是伯克利人工智能研究院（BAIR）联合主任。他长期研究机器人如何通过人类示范、强化学习和试错获得技能，比如当下我们经常见到的机器人学习折叠衣物、打结、装配等复杂操作，均是Abbeel的研究方向，他还曾与学生共同创立Covariant，将机器人学习技术带入物流仓储场景。2022年，伯克利将ACM Prize in Computing授予Abbeel，以表彰他在机器人学习领域的研究贡献。Philipp Wu就曾在Covariant担任研究工程师，研究物流和仓储机器人的学习技术。 如果把具身智能比作一条新产业链，机器人本体是“身体”，模型是“大脑”，而数据则更像训练过程中的“燃料”。本体厂商需要数据训练模型，模型厂商需要数据提升能力，数据公司则有机会向多个客户提供服务。因此，有投资人将XDOF称为机器人领域的Scale AI或Mercor。 不过，这个类比也需要谨慎。Scale AI等公司所处的是互联网数据和模型训练市场，xDOF面对的则是一个更复杂的物理世界。与传统工业机器人依靠预先编写的程序不同，通用机器人需要面对不断变化的物体、环境和任务。一个人如何抓起一支笔、打开一个瓶盖、折叠一件衣服，背后都包含复杂的视觉、动作和反馈过程。机器人要学会这些事情，不能只靠工程师为每个动作编写规则，而需要大量真实的交互数据。 这类数据并不像互联网文本那样天然存在，而机器人需要的数据，往往必须通过真实操作才能获得。机器人抓取物体时的位姿、手部轨迹、接触反馈、失败原因，以及人类如何调整动作，都是训练通用机器人所需要的材料。此外，机器人训练数据质量要求也更高，一个看起来“差不多”的动作，可能因为力度、角度、接触位置或时机不同而失败。这也是为什么机器人数据采集不能简单理解为“给机器人拍视频”。它需要同步记录视觉、动作轨迹、机器人状态和任务结果，还需要考虑不同机器人之间的动作映射、数据质量控制，以及如何从失败和调整中提取有效的学习信号。 今年6月，XDOF发布了WARP-RM（Warp-Augmented Relative Progress Reward Model）方案。研究团队在训练机器人折叠T恤时发现，增加更多示范数据后，机器人反而表现更差。问题并不在于这些示范最终没有完成任务，而在于其中包含了大量停顿、犹豫和反复调整的过程。对模仿学习模型而言，这些动作同样会被当作训练信号。 WARP-RM试图解决的，就是如何从这些数据中识别出真正推动任务进展的部分。通过改变已有轨迹的时间尺度，让模型学习判断任务进展的速度：某个动作是在推动任务向前，还是停滞，甚至倒退。这样一来，一段原本只有一次示范的数据，可以通过不同速度的回放，生成更多用于训练的相对进展信号。结果显示，在折叠T恤的实验中，经过WARP-BC加权训练的策略，在不同质量的数据集上都保持了更高的成功率；在最干净的数据集上，两种方法都完成了20次折叠，但加权策略平均用时约64秒，普通模仿学习约114秒。 a16z等明星机构押下重注 众所周知，数据问题正在困扰具身行业，尽管越来越公司以仿真数据和合成数据作为解决问题的途径，但仿真可以扩大数据规模，但真实数据决定了这些数据与现实世界之间的距离。 如果一家公司能够掌握真实数据采集能力，并进一步形成稳定的数据管线、工具和客户网络，它的商业价值就可能从数据服务商，向训练基础设施供应商升级。 今年6月，XDOF公开了ABC-130K数据集，包含13万条以上机器人操作轨迹，覆盖约200个双臂操作任务，并与伯克利等机构合作完成。与此同时，这家公司宣布完成7000万美元A轮融资，Thrive Capital、a16z、Lux Capital、Spark Capital和WndrCo均参与其中。到了9月，xDOF又传出正在洽谈新一轮融资，估值约12亿美元。 资本密集关注背后，这家公司年化收入已接近5000万美元，客户包括多家前沿AI实验室。 事实上，国内也已经出现了一些大模型数据训练的明星公司和创始人，他们今年的融资热度同样颇高。近期，我们和一些投资人交流后发现，数据生意的上限，不在于卖出多少条轨迹。就像一些早期的数据公司，容易被理解为外包服务商：客户提出任务，公司组织人员采集数据、完成标注，再按项目交付。但如果机器人模型的训练需求持续增长，这种模式很难支撑更大的商业空间。 原因是数据需求并不是一次性的。模型训练需要持续补充新数据，模型效果变差时需要重新采集，换一个机器人或任务场景，又需要新的数据。真正有价值的公司，需要把采集、清洗、标注、训练、评测和反馈连接起来，形成持续运转的数据生产系统。 以XDOF的业务模式为例，公司公开强调，其业务不仅包括数据集，还包括数据管线、采集工具和标注系统。创始团队此前参与开发的GELLO，也是一套用于机器人远程操作的数据采集系统。在投资人看来，这类公司的上限，不一定是成为一家更大的数据外包商，而可能是成为机器人训练生态中的基础设施平台。 2026年的具身智能融资，已经明显向“大脑”和“数据”两端集中。但这并不意味着所有细分赛道都在同步升温。相反，资金正在向更少的项目集中，投资人也开始从“技术故事”转向“商业化能力”。 国内，物理AI数据与评测基础设施企业光轮智能今年以来已连续完成多轮融资，融资节奏明显加快 。3月，完成10亿元A++及A+++轮融资，晋升全球首家具身数据独角兽 ；5月再获新一轮融资，由蚂蚁集团领投，投后估值超过20亿美元（约150亿元人民币）；6月完成10亿元战略融资，三周内两轮合计约20亿元 。 “智元系”，同样在发力具身智能数据平台基建，今年2月，由智元机器人内部孵化的物理AI数据服务平台觅蜂科技宣布成立，截至2026年8月底累计已完成数亿元融资。不久前，第20000套MEgo无本体数据采集设备正式下线。据了解，这也是行业首次实现大规模量产无本体数据采集设备。 “Garbage in，garbage out。”数据的质量，最终决定模型能力的上限。 随着机器人逐渐走进真实世界，越来越多企业开始进入数据采集领域，物理AI的数据供给正在加速增长。尽管眼下的数据积累，距离真正支撑机器人智能涌现仍有距离，部分数据采集项目的失利，也意味着一些资本已经为尚未跑通的技术路线付出了成本。但这并不意味着数据的价值正在消失。恰恰相反， 随着技术路线逐渐收敛，数据会从对数量和质量的追求转向一套围绕数据建立起来的采集、处理和反馈能力。届时，数据公司的价值也应当被重新看待。
