没等VC下场，机器人厂商们先投了一家数据公司

灵初智能、穹彻智能、浙江人形、智平方集体押注。

作者丨高景辉

编辑丨林觉民

2026年以来，具身智能市场依旧火热，各路资本持续涌入，几乎每天都有新的融资披露。

然而，有一家新公司在其中显得十分特殊，它的股东不来自于任何一家投资机构，而是四家具身智能企业。

这家公司，就是「智域基石」。

近日，智域基石完成数千万元天使轮融资，资方为灵初智能、穹彻智能、浙江人形、智平方。这种投资方的特殊性，来自于他们选择的赛道——数据。

智域基石的定位是第三方数据公司，既不做本体，也不做模型，而是致力于构建具身智能时代数据入口与训练输入基础设施。成立不到半年，他们在手的订单已有近亿元。

那么，智域基石为何能收到四家知名机器人厂商的青睐？在具身这个已经稍显拥挤的赛道，智域基石又如何构筑自身的壁垒？

01

三位核心高管，组成互补架构

智域基石核心管理团队由 创始人/CEO 杨哲轩、CTO 徐良威、COO 张计业组成，团队背景覆盖大数据、机器人技术、商业运营三大领域，形成能力互补的核心架构，适配具身智能数据交叉学科的行业属性。

创始人/CEO杨哲轩具备分布式数据库与大数据产业从业经验，曾任职于 PingCAP，主导过海量互联网数据的存储与多家公司商业化业务，核心负责企业战略规划、组织管理与商业判断。

CTO徐良威为北京大学机器人领域专业人才，曾就职于腾讯、鹏行智能，深耕机器人软硬件与具身智能算法，实战经验丰富，主导智域基石的技术研发、硬件设计与数据标准制定。

COO张计业曾任前华为地市总经理，以及具身智能公司「穹彻智能」生态负责人，现聚焦智域基石的商业化落地，负责场景拓展、政企合作与客户交付。

组织架构上，企业采用双 CTO 模式，新增专职 CTO 负责数据编译系统与大数据基建，徐良威侧重机器人技术适配。这种设计源于行业特性：具身智能数据融合大数据工程与机器人技术，单一负责人无法覆盖全技术链条，因此从组织层面拆分技术板块，保障研发效率。

至于创业初心，创始人杨哲轩表示，这源于团队对行业的核心判断：从大语言模型发展的历程来看，算法和算力没有成为限制模型发展的阻碍，这是因为其数据来源充足且廉价；智能驾驶的发展也没有被数据阻碍，是因为政府提供了免费的基建，让道路成为一个结构化的场景。

但具身智能涉及千行万业，场景不仅复杂，还相对封闭，采集成本十分高昂，需要投入大量人力，因此制约具身智能发展的关键问题一定是数据。而这个问题，就需要有人来解决，恰好创始团队对此第一时间达成了共识，智域基石便因此成立。

也正是因为目标明确，智域基石团队秉承务实主义的原则，拒绝行业概念炒作，以场景落地为核心导向，不盲目扩张规模，聚焦技术标准化与商业闭环构建，核心竞争力聚焦于跨领域技术整合能力与产业落地经验。

目前，智域基石团队规模约 20 余人，架构精简，主要覆盖研发、商业化、职能三大板块。

02

聚焦数据本身，不做四件事

就像大多数第三方具身数据公司一样，智域基石的核心商业模式围绕数据采集、编译加工、标准化交付展开，但不同的地方，在于其“不做”的部分。

作为一家数据公司，在创立之初往往就要确立业务的边界，根据自身的禀赋选择相应的细分赛道。对“哪些业务能做、哪些业务做不了”问题的回答，也决定了其商业模式和组织形态。

而智域基石的答案非常清晰，明确了四件不做的事：

不做本体：智域基石刚创立时便确立核心定位，坚定只做数据生意，不涉足机器人本体研发制造领域。团队聚焦数据的生产、加工与回流全链路服务，依托数据编译技术构建核心能力，与产业链本体厂商形成纯粹的协同合作关系，不跨界竞争，始终坚守第三方数据基础设施服务商的业务边界。

不做模型：智域基石明确无意研发具身智能模型，划清与模型厂商的业务边界。其团队始终以数据供给方的身份服务行业，不参与算法研发竞争，不站队任何模型技术路线，以中立姿态为全行业模型训练提供数据支撑。

不做设备生意：针对自研的 EGO centric 数据采集设备，智域基石明确不会对外售卖设备，仅将其作为内部数据采集的核心工具。创始人认为，设备是数据壁垒的重要组成部分，核心商业化业务始终聚焦数据服务本身，通过自研设备采集全量人类劳动数字化信息，可巩固数据生产的入口壁垒，不必将硬件作为盈利产品。

（目前）不做家庭场景：智域基石锚定工业为具身智能核心落地赛道，团队直言工业是具身智能最重要的落地机会，并理性判断家庭场景短期难以规模化落地。基于中国区县工业经济的特点，智域基石与地方政府深度合作，搭建数据采集工厂，形成采集、训练、部署、数据回流的完整闭环，摒弃资本市场偏好的家庭场景叙事，专注于可快速实现商业价值的工业封闭场景。

未来，随着核心管线的打磨成熟，智域基石计划将前期沉淀的通用动作与场景，提炼为开箱即用的行业标准数据集，覆盖更广泛的客户群。再往后，智域基石将打造通用基座，全面升级为具身智能通用数据基础设施，构建数据交易市场与开发者生态。

03

构建自动化编译管线，需要五个环节

针对具身智能真机数据多模态、非标化的行业现状，智域基石设计了质检、底座、编译、检索、交付五个环节的数据处理管线，用于将物理世界采集的原始数据，处理为可直接用于机器人模型训练的标准化数据。

质检环节作为数据预处理的前置流程，该环节对摄像头、IMU、机器人关节等传感器原始数据开展基础校验，识别并处理丢帧、数据漂移、信号异常等问题。

底座环节主要完成数据的时空对齐处理，解决数据结构化问题。该环节对人体 / 机器人本体、操作工具、目标物体、物理环境进行三维空间坐标统一，将非结构化原始数据转换为几何结构化数据，为后续特征提取提供数据基础。

编译环节是数据处理的核心流程，完成几何信息向语义特征的转换处理。该流程提取动作描述、空间关系、操作目标等语义信息，并推理补充触觉接触、末端执行状态等原始数据中未直接采集的衍生特征，适配不同具身模型的训练数据格式要求，处理后的数据可满足模型训练的基础输入需求。

检索环节面向海量数据管理需求，搭建多维度数据标签体系。其按照应用场景、操作技能、目标物体等维度对数据进行分类，支持客户根据预训练、微调等不同训练阶段，筛选匹配的定制化数据集，提升海量数据下的筛选效率与匹配精度。

交付环节为数据处理的最终输出流程，将处理后的数据封装为 HDF5、ZARR 等行业通用格式，兼容 PyTorch、TensorFlow 等主流训练框架，并采用多云与混合云结合的部署方式，优化数据存储成本。

整体来看，该处理管线实现了后端加工环节的自动化运行，仅在前端真机数据采集环节保留人工与场景工厂配置，替代了行业传统的人工处理模式，在处理成本、作业效率、数据标准化三个维度形成工程化处理能力，可支撑规模化的具身智能数据供应。

未经「AI科技评论」授权，严禁以任何方式在网页、论坛、社区进行转载！

公众号转载请先在「AI科技评论」后台留言取得授权，转载时需标注来源并插入本公众号名片。