具身新贵，3个月成为独角兽

来源：市场投研资讯

（来源：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。