机器人缺数据，禾赛盯上训练场

机器人要走进更多工厂和门店，先要有足够丰富的训练场景。禾赛正尝试把准备这些场景的工作做成一门新生意。

10月14日，禾赛发布Kosmo空间相机及云平台，通过扫描真实环境、重建三维空间，为机器人提供可用于仿真训练的场景，并与银河通用、原力灵机签署战略合作。对一家主要靠交付传感器获得收入的公司而言，这意味着业务延伸到机器人开发中的数据与云服务。

这一变化对应着具身智能产业的现实需求。智能汽车已经可以依托大规模车队，在日常行驶中积累数据；机器人尚未广泛进入生产生活，却需要足够多的环境和操作经验，才能胜任真实工作。研发团队不仅要教机器人做动作，还要为它准备练习这些动作的地方。

禾赛看到的机会，是将汽车产业积累的三维感知、芯片设计和精密制造能力，用于降低训练环境的构建成本。收入来源也有望随之扩展：除了销售设备，还包括后续的数据生产、空间重建和云端服务。

随着机器人向实际应用推进，采集数据、搭建环境、评估训练效果等工作，正在产生更明确的采购需求。对具身智能产业而言，专业供应商的进入，有机会减少整机企业各自承担的重复开发，让研发资源更多投入具体任务。禾赛争取的，正是这一轮产业分工中的位置。

01 训练场里的成本账

机器人缺数据，缺的究竟是什么？

在汽车上，道路、车辆和行人构成了相对明确的任务环境。车辆交付后，用户日常驾驶可以持续产生真实场景，开发者据此发现问题、完善系统。

机器人面临的工作则分散得多，如拿取商品、整理货架、操作设备，不同任务涉及不同物体、动作和接触方式。

就门店场景而言，一家门店里学会的动作，换到另一家店，可能因为柜台高度、物品摆放或光照变化而失效。要让机器人适应这些差异，开发者需要大量操作经验，也需要足够丰富的环境。

禾赛科技联合创始人、CEO李一帆认为，自动驾驶可以依托路上行驶的车辆获取数据，但机器人还没有同样的条件。这使行业面对一个相互制约的问题：机器人需要更多数据才能上岗，而缺少真实部署，又限制了数据积累。

因此，数据生产正在成为具身智能产业的一项独立业务。

今年8月，Lightwheel与Hugging Face合作发布第一人称人类活动数据集，计划开放10万小时数据，首批上线1万小时，从人的操作中提取行为经验。英伟达则在今年推出物理AI数据工厂蓝图，将数据生成、扩充和评估组织成统一流程。各家公司正在从不同环节，提高机器人学习经验的生产效率。

这些路径对应着不同的数据需求。人类操作视频提供任务步骤和行为示范，真机采集记录机器人自身的动作与反馈，仿真则便于扩大训练规模。开发者需要把它们用于同一项任务，空间模型只是其中一部分。

禾赛切入的是训练环境。

按照Kosmo的工作方式，采集设备先记录空间的几何结构、色彩和纹理，云平台再将其重建为三维场景，并把桌椅、商品等物体单独识别出来。开发者可以改变物体位置、调整场景布局，让机器人在不同条件下练习同一项任务。

这一过程改变了真实场景的使用方式。在真实门店中，机器人测试需要协调场地、人员和营业安排；门店被数字化之后，则可以成为反复调用、修改和扩展的训练环境。现实中需要人员搬动物品、重新布置的工作，一部分可以先在计算机中完成。

如果每进入一个新场所，都要重新测量、建模和调试，项目就容易依赖工程师逐店交付。场景制作可以复用，才有可能减少这部分重复劳动，让真机测试更多用于检验动作效果、寻找失败原因。

禾赛称，普通室内场景下，约15分钟可以完成100平方米空间的扫描，随后由云平台处理成三维模型。与扫描速度本身相比，更重要的是降低专业人员参与的程度，让采集新场景成为开发过程中的常规工作。

空间模型还要与动作数据、物理仿真配合。空间模型描述物体在哪里、环境如何排列，动作数据帮助机器人学习怎样抓取、施力，物理仿真则处理接触、摩擦等交互过程。英伟达Newton物理引擎所提供的接触和摩擦模拟，属于后面这一环。

采集格式、物体标注和仿真接口是否兼容，会直接影响开发者的接入成本。如果采购后仍要投入大量人工转换格式、加工场景，快速扫描节省的时间，就未必能转化为整套训练流程的效率。

02 把生意做到量产前

激光雷达是一套复杂的光、机、电系统，芯片、光学器件、机械结构和软件需要共同工作。汽车产业又进一步要求它在批量生产中保持性能一致，并适应长期使用。一个方案能否量产，取决于设计、制造、测试和供应链能否一起运转。

2026年第二季度，禾赛激光雷达交付量约62.8万台，其中ADAS产品约48.6万台。持续的大批量交付，为其积累了制造和验证经验，也让自研芯片等前期投入获得更大的摊销基础。

这些经验可以迁移到空间采集设备，但产品仍然需要围绕新用途重新设计。

禾赛科技联合创始人、CTO向少卿介绍，Kosmo采用定制激光雷达，并专门处理多个摄像头在不同时间和视角下的画面一致性问题。

产业带来的另一项经验，是将需求落实到元器件和制造工艺。

李一帆认为，禾赛自研芯片的优势，来自对具体应用的理解：通用器件覆盖广泛需求，专用设计则可以围绕特定任务做取舍。这套方法，如今被用于机器人硬件和空间采集。

在汽车业务中，车企和自动驾驶公司提出指标，禾赛围绕指标完成开发。做机器人训练工具，则需要把需求追到训练和操作过程，弄清楚设备应该采集什么、数据应该如何输出。

Sharpa提供了一个直接的反馈渠道。李一帆介绍，禾赛三位联合创始人也是Sharpa的创始人，后者在机器人操作中的需求可以较快反馈给禾赛，再通过实际应用验证。这种协作将硬件开发与训练效果连接起来，与银河通用、原力灵机等公司的合作则进一步扩大了需求来源。

由此，禾赛交付的内容也从设备扩展到后续流程。华尔街见闻了解到，禾赛提出了两类商业模式：向行业客户提供软硬件一体化产品，以及向世界模型、物理AI企业提供空间数据生产服务。其二季度财报已将持续云服务收入列为Kosmo的发展方向。

今年二季度，禾赛总交付量同比增长78.4%，营收同比增长21.9%。公司在财报中表示，平均售价下降部分抵消了交付增长对收入的推动。

这给汽车供应商打开了一种新的收入逻辑。零部件订单主要跟随整机产量，空间数据服务则与客户的开发和运营活动相联系。新增门店需要采集，布局变化需要更新，模型迭代需要补充训练环境，设备售出后仍可能持续产生服务需求。

李一帆还透露，Kosmo未来也将面向C端销售。这使它的潜在用户从企业研发团队延伸至个人。空间采集若要成为更普遍的工具，价格、操作便利性和后续编辑体验就会变得更加重要，禾赛也需要建立面向更分散用户的产品与服务能力。

连接现有软件平台，是拓展使用范围的一条路径。Kosmo已对接Isaac Sim、Isaac Lab及影视创作工具，让客户能够将采集结果带入已有工作流程。对用户而言，购买设备的理由是减少工作量；对禾赛而言，持续收入则需要建立在重建、编辑和数据管理等服务被反复使用的基础上。

一位具身从业者对华尔街见闻表示，把视角放到机器人落地，训练工具的意义最终要体现在整套部署成本上。即便本体价格下降，如果每换一家门店、每增加一项任务，都需要大量工程师重新建模和调试，客户仍然难以算出合适的投入产出比。而训练环境的标准化，就是在压缩这部分随项目反复发生的工作。

随着专业工具和服务进入，具身智能企业有机会将更多资源用于任务能力，应用方也能以更低的导入成本尝试机器人。

禾赛此次把业务伸向训练场，参与的正是这一过程，也就是将原本分散在各个研发团队中的工作做成可采购的产品，推动机器人从少量样板项目走向更多工作现场。