没等VC下场，机器人厂商先投了一家具身数据基础设施公司

灵初智能、穹彻智能、浙江人形、智平方

联合投资

。

作者丨高景辉

编辑丨林觉民

2026年以来，具身智能依旧是一级市场最受关注的赛道之一。融资消息不断、玩家持续增加，围绕本体、模型、场景和应用的竞争也在快速升温。

但在这股热潮中，有一家公司显得有些不同。

它成立时间不长，切入的也不是最容易被资本讲述的机器人本体或基础模型，而是具身智能里一条更底层、也更难标准化的链路：

数据基础设施

。

这家公司名为

智域基石

。

近日，智域基石完成数千万元天使轮融资，投资方包括灵初智能、穹彻智能、浙江人形、智平方、紫江集团控股的紫竹高新区旗下VC投资管理平台小苗朗程。对一家成立不久的创业公司来说，这样的投资方结构颇具代表性：在传统财务投资机构大规模下场之前，产业方已经率先给出了自己的判断。

智域基石对外的定位是

具身智能数据基础设施服务商

。它既不做机器人本体，也不直接做基础模型，而是试图围绕数据入口、数据编译和训练输入，搭建一层面向具身智能时代的底层能力。据公司介绍，成立不到半年，其已积累近亿元在手项目与合作储备。

那么，为什么是一家做“数据基础设施”的公司，率先获得了多家具身智能产业方的投资？在本体和模型之外，这条看似不那么显眼的赛道，为什么开始被重新审视？

01

三位核心高管，拼出一套交叉能力

从团队背景看，智域基石的管理层配置有明显的“交叉学科”特征。

核心管理团队由创始人兼 CEO 杨哲轩、CTO 徐良威、COO 张计业等人组成，覆盖了大数据基础设施、机器人技术和商业运营等多个方向。

杨哲轩拥有分布式数据库与大数据产业经验，曾任职于 PingCAP，长期从事海量数据基础设施与商业化体系建设，负责公司战略规划、组织管理与业务判断。

CTO 徐良威具备机器人领域的学术与产业背景，曾在腾讯、鹏行智能等机构从事机器人软硬件与具身智能相关工作，目前主要负责技术研发、硬件方案设计以及数据标准相关工作。

COO 张计业则长期负责产业合作与商业化落地，当前聚焦场景拓展、政企合作与客户交付。

在组织设计上，智域基石采用了更偏“分工式”的技术架构：一侧聚焦机器人技术适配，另一侧聚焦数据编译系统与大数据基础设施。这样的安排，某种程度上也是由行业特性决定的。

具身智能的数据问题，本身就不是一个单点技术问题。

它既涉及机器人本体、传感器、操作任务和物理环境，也涉及海量数据的采集、存储、调度、检索和交付。换句话说，这不是单靠机器人团队或单靠数据工程团队就能完成的工作，而是两套能力的叠加。

02

为什么具身智能首先卡在“数据”上？

谈及创业起点，杨哲轩给出的判断很明确：

具身智能当前的瓶颈，不只是模型和算力，更在于高质量交互数据的供给能力。

这也是具身智能和互联网模型最根本的差异之一。

文本模型可以直接利用互联网中已经高度结构化、被人类长期“编码”过的数据；而机器人面对的是物理世界中的原始记录——视频、IMU、关节状态、力反馈、环境变化、任务结果，这些数据天然具有

多模态、强时序、强耦合、异步采样

等特征，且必须与任务目标、动作结果和环境反馈绑定，才能真正进入训练流程。

因此，对具身模型而言，真正有价值的并不只是“数据量”，而是那些

带有任务意图、动作边界、成功

/

失败结果和部署反馈的高信息密度样本

。

这也意味着，具身智能数据的难点从来不只是“采到”，而是“采到之后如何变得可用”。

同样一段机器人执行任务的原始记录，如果存在时间戳漂移、传感器不同步、空间标定误差，或者缺少动作阶段、任务语义和结果标记，那么它对模型的训练价值就会迅速下降。更进一步说，成功轨迹固然重要，但

失败样本、纠偏过程和恢复动作

，往往更能决定模型在真实环境中的鲁棒性和可部署性。

从这个角度看，具身智能行业真正缺的并不是原始数据本身，而是把原始数据稳定转化为训练输入的能力。

这也是智域基石选择切入的核心问题。

03

做具身智能行业的“炼化层”

杨哲轩用过一个比喻来解释这件事：如果说原始数据像原油，那么真正稀缺的未必是谁囤了更多“原油”，而是谁能把不同场景、不同本体、不同质量的数据，稳定炼化成模型可直接使用的训练输入。

围绕这个目标，智域基石设计了一套五段式的数据处理管线，包括

质检、底座、编译、检索、交付

五个环节。

第一层：质检

质检是原始数据进入系统前的第一道关口。

在这一层，系统会对相机、IMU、关节状态等多源传感器数据进行完整性与一致性检查，识别丢帧、时钟漂移、信号异常、校准失效等问题。对具身智能而言，这一步的重要性不言而喻：如果基础数据本身存在错位，后续模型训练就很容易建立起错误的感知—动作映射。

第二层：底座

底座层主要解决的是多模态数据的时空对齐与统一组织问题。

来自不同设备、不同采样频率、不同坐标系的数据，必须被映射到同一套数据底座上，才能支撑后续动作切分、语义标注和样本构建。对于机器人学习来说，这不是简单的数据存储问题，而是训练输入能否成立的前提。

第三层：编译

编译层是整条链路的核心。

在这里，连续轨迹会被切分成可训练的样本单元，并补充任务语义、动作边界、成功/失败结果、接触事件与关键状态变化等信息。换句话说，原始记录从这一层开始，才逐渐从“物理过程”变成“模型可以学习的结构化样本”。

这也是“数据编译”这一概念最关键的地方：它不是传统意义上的数据清洗或标注，而是把高熵、非结构化、难复用的物理世界记录，转化成模型能够反复调用和迭代的训练资产。

第四层：检索

当数据规模上来之后，问题就不再是“有没有数据”，而是“能不能快速找到对当前任务真正有价值的数据”。

因此，检索层面向的是海量数据资产管理。它围绕场景、任务、对象、机器人类型、动作阶段、失败模式等维度建立可查询的数据索引体系，让工程团队能够更高效地完成样本筛选、组合和调用。

第五层：交付

最终，数据还需要以标准化的方式进入客户训练和评测流程。

在这一层，数据集、元数据、版本信息以及配套说明会被统一封装，以便客户直接接入训练、评测和回归体系。这意味着，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统消费的数据产品。

整体来看，这套管线的目标，是尽可能提升后端加工环节的自动化程度，仅在真机采集和场景配置等前端环节保留必要人工参与，从而降低传统人工处理模式在整体流程中的占比，并在成本、交付效率和标准化程度上形成工程化能力。

04

为什么更看好 To B，而不是家庭场景？

在“具身智能的 GPT-4 时刻”这个热门话题上，杨哲轩的判断相对克制。

他认为，具身智能的关键拐点不会以某一天突然发生的方式到来，而更可能是分阶段出现：先在少数高频任务上形成稳定能力，再逐步扩展到更多场景和更多机器人平台。

从这个逻辑出发，智域基石当前更看重的是

To B

场景

。

原因并不复杂。家庭场景当然拥有长期想象空间，但在短期内，它仍然受制于成本、安全、可靠性和售后体系，真正愿意率先买单的用户群体相对有限。相比之下，国内制造、仓储、零售、医疗等 To B 场景任务密度更高、反馈链条更短，也更容易形成“采集—训练—部署—回流”的闭环。

这对一家做数据基础设施的公司尤其重要。

因为对具身智能来说，数据价值不是停留在采集端，而是取决于它能否在部署中继续回流，并进一步沉淀为可迁移、可复用的能力。也正因如此，智域基石判断，具身能力大概率会先在工厂、仓储、医院、门店等半结构化 B 端场景中逐步落地。

当然，这并不意味着 B 端数据天然就更容易处理。

恰恰相反，To B 场景的数据往往还伴随着私有化部署、本地化合规、可追溯、系统稳定性和结果复现性等要求。对数据公司来说，真正的挑战不是把数据简单汇集起来，而是在数据难以跨企业、跨场景自由流动的前提下，如何把局部场景经验沉淀为可迁移、可复用的模型能力。

05

产业方率先下注，

但公司要做的是开放型基础设施

商业化层面，智域基石目前处于很早期，但节奏并不慢。

据公司介绍，成立不到半年，其已形成近亿元在手项目与合作储备。客户类型覆盖机器人厂商、场景合作方及产业链伙伴，其中既包括与投资方之间的业务协同，也包括独立的外部合作。

产业投资方的加入，确实能够帮助一家新公司更早进入真实场景、理解真实需求、验证真实流程；与此同时，智域基石也对模型厂商、场景方保持足够的开放性和中立性。

从公司现阶段的规划看，智域基石也在朝这个方向推进。

短期内，它仍会把重点放在数据采集、数据编译和场景交付能力的打磨上；中期，则希望把前期沉淀下来的通用动作、场景经验和处理流程，抽象为可复用的数据产品和标准化工具链；更长期看，公司希望沉淀出一套面向具身智能的数据底座，逐步升级为平台型基础设施，并围绕接口、工具链和合作伙伴体系建立生态。

06

写在最后

过去一段时间，具身智能行业的注意力更多集中在“大模型能不能泛化”“机器人本体能不能降本”这些更容易被讨论的话题上。但越来越多从业者开始意识到，决定行业节奏的，往往不只是模型本身，而是模型背后的那套数据供给和反馈体系。

在这个意义上，智域基石的价值，不在于它是不是一家“数据公司”，而在于它试图解决的是具身智能最底层、也最工程化的一件事：

如何让物理世界中的原始记录，稳定转化为模型能够持续学习的训练输入。

这件事不够热闹，却很可能足够关键。

如果说具身智能真正的分水岭，不会只来自某一个模型版本的发布，而是来自整条“采集—编译—训练—部署—回流”链路的成熟，那么数据基础设施这条赛道，或许才刚刚开始进入价值显现期。

//