手握英偉達寧德時代相同劇本，具身智能的第一個「基建商」出現了

2026年中，一家看似處于AI產業鏈“中游”的公司——景爍科技，在獨立運營后，引發了行業熱議。

它的背景足夠硬核：文遠知行內部孵化，CEO是文遠001號員工。賽道也足夠有故事、被追捧：具身智能。

但景爍選擇的切入點，在喧囂的賽道里顯得格外冷靜：不做整機，不做單純的大腦，而是押注物理AI的基礎設施——數據和世界模型技術體系。

在這個言必稱“大腦”和“通用模型”的時代，景爍被頻繁討論，揭開了一個被忽視的真相：行業都在追逐頂層“思考力”時，底層的“經驗體系”和“世界認知”還沒人系統性搭建。

而沒有對物理世界的深度認知，再聰明的“大腦”也只是空中樓閣。

10年數據信仰的延續

物理AI的第一個落地賽道是自動駕駛，而這10年走過的工程化、規模化之路，展現出的是“瓶頸遷移史”。

第一輪拼算法。誰提出更好的網絡結構、更優的決策邏輯，誰在榜單上領先——完全能和如今具身智能賽道熱衷于發Demo、刷榜單的行為對應起來。

第二輪拼算力，這個階段算法范式根本沒有收斂統一，而算法本身的高下又難以通過直觀可量化的數據來通俗表達，于是算力就成了智能軍備競賽的核心指標，包括車端和云端。

從特斯拉FSD V12版本切換到端到端模型，以及FSD V14徹底完成一段式重構之后，自動駕駛賽道在算法這個層面已經高度收斂，L2/L4玩家都轉向了多模態大模型+世界模型生成仿真+強化學習修正的路線。

這個時候一線炮火作戰的各家技術團隊也都認識到，再好的算法、再大的算力，沒有高質量數據喂給模型，迭代就停在原地——物理AI的第一個落地場景競爭，最終回到數據基礎設施層面。

文遠知行完整經歷了這三輪，最終站穩L4自動駕駛第一梯隊。貫穿其中的暗線，是數據基礎設施的持續建設——也就是景爍團隊對外公開、獨立運營之前一直在做的事情。

景爍科技CEO霍達，文遠知行001號員工，擁有12年行業經驗，深耕大規模自動駕駛平臺、AI數據基礎設施建設，歷任文遠知行技術負責人、工程團隊負責人等職務。曾在美國、中國、新加坡主導搭建全球化工程研發組織。

△左：景爍科技CEO霍達，文遠知行001號員工；右：景爍科技President&COO韓明

另一位創始人President&COO韓明，中國地理信息產業協會理事，中國測繪學會理事，中國衛星導航定位學會常務理事。擁有多年人工智能數據、自動駕駛產業深耕經驗, 曾任DeepMap.Inc 高級管理職位。

兩位創始人履歷里有一個共同點：都經歷過自動駕駛從”缺數據”到”想辦法解決數據”的全過程。

所以文遠知行一開始就面對的那個現實，他們比誰都清楚——

車隊的數量遠不如車企或給車企做配套的L2玩家，實測數據天然劣勢。

所以當時仍屬于文遠內部一個部門的景爍團隊，率先走向了不一樣的路——用仿真器生成大量長尾場景。

上海的直行待轉區、不規則環島、三輪車上綁著一棵樹……這些真實路況里偶發但關鍵的場景，用仿真批量生產。

而且這樣的仿真，不是模仿類視頻生成，而是真正理解物理法則、因果關系的“世界模擬器”，后來Transformer架構興起，這套仿真器演進成文遠知行的GENESIS世界模型。

對于數據基礎設施的核心內涵，景爍科技團隊很早就明確：不要在茫茫數據里撈“鉆石”，而是直接人工生成“鉆石”。

而這個選擇的意義，在具身智能時代被倍增放大。

畢竟自動駕駛再缺數據，至少有一個可以支撐測試車合法合規上路的早期模型。但具身智能卻有本質不同——高頻需求的工業、家用等等場景，現在任何玩家都沒有一個哪怕有最低程度泛化性的工程化模型。

更沒有ChatGPT那樣的現成互聯網數據。

而沒有數據，模型迭代不動，具身智能除了Demo，幾乎無法落地……制約核心因素，就是始終缺少高質量數據基礎設施形成閉環，作為模型的kick start。

這就是最真實的狀況：具身智能離比拼模型和算力的門檻，還很遠，畢竟基于真實落地反饋的“物理認知體系”，初創團隊無法速成。

這也是景爍科技最與眾不同的、稀缺的特質：完整經歷了自動駕駛淘汰賽，有一套已經被驗證的技術認知、工程化能力與規模化交付經驗。

去年開始，EGO（第一人稱視角采集）路徑被驗證可行，景爍團隊敏銳察覺到物理AI的Scaling Law觸發第一次有了可能性，于是決定正式獨立出來。

從“采集”到“設計”：數據認知升級

景爍對數據基礎設施的思考，是“模型還需要什么才能突破”。

整體來看，景爍科技是這個賽道里率先把具身智能的數據基礎設施，作為一種產品來交付的玩家，分三層架構，各有分工，又環環相扣：WorldEngine驅動數據閉環，GENESIS-Robotics提供核心引擎，SkillForge封裝最終交付物——只有懂算法，才能定義技能包里該裝什么。

三者串聯起來，相當于幫客戶把“從零搭數據體系”這件事一站式解決了。

第一層是WorldEngine，標準化數據模型底座——基于同一世界模型驅動的、覆蓋采集→治理→標注→合成→測評→部署的完整大閉環。

同一個世界模型貫穿驅動，就知道該采什么、怎么治、標什么、合成什么、測什么、怎么部署。

部署后的真實數據又回流到采集端，校準下一輪。

對于用戶來說，沒有這套閉環，工程師大部分時間在跟數據搏斗；有了它，團隊可以把精力集中在模型優化上。

采集硬件本身也值得一說。景爍全棧自研了一套叫EGOK的采集設備——雙目相機4K@60fps實時輸出深度數據，近紅外陣列做亞毫米級手部追蹤，延遲8ms。整機280g，連續工作5小時以上，功耗比傳統方案低40%。

但參數不是重點，重點是這套設備從采集發生的那一刻起，“手—物—場景—動作”就已經對齊了——全鏈路模組同源同標，不需要事后人工拼接。而且世界模型會基于當前數據分布，自動規劃高價值采集目標，不是盲采。

中間層是GENESIS-Robotics世界模型，整套體系的核心引擎。市面上大多數所謂“世界模型”，其實只是2D圖像生成加一個物理引擎拼一下，能力邊界很窄。景爍的GENESIS-Robotics走了一條叫Transfusion的路線——在同一個Transformer里，語言、策略、圖像、視頻各走各的計算路徑，但共享參數。

這讓它同時干了三件事：世界理解——給定當前狀態和動作，預測下一個物理狀態；數據合成——基于對世界的理解，生成物理合理的新場景和交互數據；策略生成——給定狀態和目標，直接輸出動作。

三件事共享參數，飛輪就轉起來了：模型越強→合成數據越好→下游模型更強→采集策略更精準→真實數據質量更高→模型更強。這個飛輪一旦轉起來，競爭壁壘是指數級增長的。

SkillForge，物理AI的資產引擎，其中包含開箱即用的技能包Skill Pack。

廚房場景、客廳整理、工業操作等等，每個Skill Pack均覆蓋完整任務鏈路，從場景設計到多模態對齊樣本，從4D空間標注到質量評價與模型驗證報告，客戶拿到即可投入訓練。

但SkillForge本身不是“數據集市場”，而是按模型訓練需求組織技能包——特定的狀態分布加動作分布加評測標準，跨本體設計，經WorldEngine全流程驗證，附L1/L2/L3三層評測結果。

客戶拿到的不是“一堆視頻”，而是“一個經過驗證可以直接用于訓練的技能”，只需要把人的動作映射到自己的末端執行器上，適配到不同自由度和關節。

目前SkillForge擁有500K+小時真實交互數據、50M+任務片段、200+標準化技能包，50+核心場景覆蓋家庭、制造、零售、教育四大領域，1000+任務變體。

縱觀景爍科技的產品方案設計，核心關切是：具身智能的數據基礎問題，現在根本沒有標準答案。

用自動駕駛時代十年積累的方法論和模型能力來回答，是目前唯一有效的途徑：

有自己的模型——看驗證數據的有效性，可以直接定義“什么數據有用”。

所以“數據即服務”這個概念，在具身智能賽道被景爍升級了：數據基礎設施即服務，當然更不用提跨本體的泛化性了。

并且于景爍來說，用戶“開箱即用”的價值，是靠懂算法、懂模型倒推出來的數據策略，再配合工程化交付跑通的。

物理AI的“地基”

具身智能熱了三年，融資一輪比一輪大，但整體進展遠不如預期：2026年過半，我們仍然在等待物理AI的“ChatGPT時刻”。

制約不在算法——Transformer架構被證明在物理任務中依然有效；

不在硬件——中國制造業已經能把機器人本體的性能、成本做到極致。

機器人demo依然熱鬧，但距離真正完成物理世界的復雜任務，仍有肉眼可見的鴻溝壁壘……

今年國內具身智能賽道融資約438億元，其中超過一半——約241億元——涌入了“具身大腦”方向的創業公司（據量子位統計）。

多模態、對物理法則和因果關系有準確認知的大模型，既是具身智能商業價值兌現的關鍵，也是當下整個賽道追逐的“圣杯”。就像當年自動駕駛把Robotaxi當作終極目標一樣。

景爍科技在這個時間點被熱議，反映出了一個冷峻且殘酷的事實：沒有高質量數據，連“開始訓練”這一步都邁不出去。

如今具身智能創業玩家們，大部分沒有在自動駕駛時代經歷過規模落地交付，有點把數據這件事想得太簡單了。

大語言模型的ChatGPT時刻，建立在互聯網數十年積累的海量文本之上。物理AI沒有這個歷史紅利。

機器人的行為數據要從零開始積累，現階段的行業共識是，通用具身模型至少需要千萬小時級的高質量交互數據，甚至上億小時。

當然，自建數據基礎設施也是一個選項，但具身創業玩家就必須回答兩個尖銳問題：時間夠不夠？成本值不值？

大多數創業公司可能根本沒有這個成本、時間窗口。

資金之外，更核心的是這套體系的know how——知道模型缺什么、什么數據真正有用、怎么設計數據能讓模型能力躍升。這種Knowhow需要在一個完整的業務場景里跑通閉環，經歷足夠多的案例才能積累。

景爍提供了另一種路徑：World Engine處理數據，GENESIS-Robotics生成合成數據，Skill Forge輸出可直接微調的技能包——三層打包交付，工程師拿到手就能開始訓模型。

畢竟不是每個團隊都需要從零挖一遍地基。用別人的成熟基建，把資源集中在模型和場景上，在成本和研發進度的賬本上，都是更理性的選擇。

景爍科技CEO霍達對行業有個判斷：具身智能從狂熱梭哈到審慎理智，這個轉變可能不久就會到來。

這樣的劇情，對自動駕駛老兵們來說太熟悉了。風口來的時候所有人都在猛踩油門，錢涌進來，故事被講出來。但很快，投資人、用戶、行業開始質疑——融了這么多錢，到底能交出什么？

文遠知行經歷過這個階段，景爍團隊也經歷過，所以他們比誰都清楚，數據基礎設施必須走在前面。

景爍的切入點很明確：在行業起步最需要動力的時候，提供基礎設施支撐，它是整個行業從“手工雕琢”邁向“工業化流水線生產”的關鍵一步。

這套邏輯有現成的參照系——2017年的英偉達，當時更多被看作游戲顯卡供應商，沒人預料到它會成為AI浪潮中最繞不開的存在。那一年行業都在追算法、追工具，算力被視為“供應鏈的一環”而非戰略制高點。

2017年的寧德時代，境況也幾乎相同。

物理AI正在進入同樣的拐點。景爍的選擇，是提前站在這個位置上——不做整機，不做大腦，只做那件最終誰都繞不開的事。

具身智能公司不需要再從零積累物理世界經驗，不需要再花數年搭建數據飛輪，可以直接調用景爍的世界模型能力，直接購買開箱即用的技能包。

是時候讓行業意識到，最關鍵、最難解的數據問題，有一支在自動駕駛淘汰賽中成功勝出、技術方案被充分驗證的團隊，已經準備好了答案。