具身智能数据基建破局：景烁科技三架构方案赋能模型落地

2026年中，一家专注于物理AI基础设施的科技公司正式独立运营，引发了行业广泛关注。这家名为景烁科技的企业，核心团队脱胎于自动驾驶领域的资深研发团队，切入的赛道正是当下备受资本追捧的具身智能领域。

不同于赛道内多数玩家的选择，景烁的布局显得格外冷静：既不直接研发整机机器人，也不单纯聚焦通用具身大脑的开发，而是将重心放在物理AI最核心的底层支撑——数据与世界模型技术体系上。

在当下普遍追逐“通用大脑”与顶层智能的行业环境中，景烁的受关注，揭开了一个容易被忽视的真相：当全行业都在比拼“思考力”时，支撑智能落地的底层“物理经验体系”与“世界认知框架”，至今仍没有被系统性搭建起来。

如果没有对物理世界的深度理解与建模能力，再先进的智能算法也只能是空中楼阁，无法真正完成物理世界的复杂交互任务。

作为物理AI最早的落地赛道，自动驾驶近十年的工程化与规模化发展历程，本质上是一部“瓶颈迁移史”。早期行业竞争聚焦于算法层面，谁能推出更优秀的网络结构、更合理的决策逻辑，就能在行业榜单中占据领先位置，这与如今具身智能赛道热衷发布Demo、刷取榜单的现状高度相似。

随着赛道发展，行业竞争进入第二阶段，算力成为核心军备竞赛指标——当时算法范式尚未统一，算法优劣难以通过直观量化数据直观体现，因此车端与云端的算力规模，成了衡量团队实力的核心标准。

随着特斯拉FSD V12切换至端到端模型，再到V14完成整体架构重构，自动驾驶赛道的算法路线已经高度收敛，L2与L4级玩家纷纷转向多模态大模型结合世界模型生成仿真、辅以强化学习修正的技术路线。

此时一线技术团队终于意识到，无论算法多么先进、算力多么充足，没有高质量的数据支撑模型迭代，所有技术都只能停留在纸面。物理AI的落地竞争，最终回到了数据基础设施的比拼上。

景烁科技的核心团队，正是在自动驾驶领域经历过完整三轮竞争，并最终站稳第一梯队的研发团队。团队的核心技术积累，正是贯穿原团队发展全程的数据基础设施建设——这也是景烁科技独立运营前，在原团队内部深耕的核心业务。

景烁科技CEO霍达，是原团队的001号员工，拥有12年行业经验，长期深耕大规模自动驾驶平台与AI数据基础设施建设，历任技术负责人、工程团队负责人等职务，曾主导搭建覆盖美国、中国、新加坡的全球化工程研发组织。

公司联合创始人、总裁兼COO韩明，则在人工智能数据与自动驾驶产业拥有多年深耕经验，曾担任DeepMap.Inc高级管理职位，同时兼任中国地理信息产业协会理事、中国测绘学会理事、中国卫星导航定位学会常务理事。

两位创始人的职业履历有一个鲜明的共同点：都亲身经历了自动驾驶从“数据匮乏”到“系统性解决数据难题”的完整过程，因此比任何人都清楚早期团队面临的核心困境。

当时景烁团队仍隶属于原团队内部，面对“车队规模远不如车企或配套L2玩家，实测数据存在天然劣势”的现实，率先走出了一条差异化路径：通过仿真器批量生成长尾场景数据。

无论是上海的直行待转区、不规则环岛，还是三轮车搭载树木这类真实路况中偶发但关键的场景，都可以通过仿真系统批量生成。更重要的是，这套仿真并非简单的视频模仿生成，而是真正基于物理法则与因果关系构建的“世界模拟器”，在Transformer架构兴起后，这套系统逐步演进为原团队的GENESIS世界模型。

景烁团队很早就明确了数据基础设施的核心内涵：与其在海量原始数据中筛选有价值的信息，不如直接人工生成高质量的核心数据。这一思路在具身智能时代，其价值被进一步放大。

与自动驾驶不同，自动驾驶至少拥有支撑测试车辆合法上路的早期模型，但具身智能的现状要严峻得多：无论是工业生产还是家庭服务的高频场景，目前没有任何玩家拥有具备最低泛化能力的工程化模型，更没有类似ChatGPT训练时依托的海量互联网现成数据。

没有数据支撑，模型迭代就无法推进，具身智能也只能停留在Demo阶段，无法真正落地。制约行业发展的核心瓶颈，正是缺乏能够形成闭环的高质量数据基础设施，无法为模型训练提供初始启动动力。

这也正是当前具身智能赛道的真实处境：距离比拼算法与算力的成熟阶段还很远，基于真实落地反馈的“物理认知体系”，绝非初创团队可以在短时间内速成的能力。

而景烁科技最稀缺的核心优势，正是完整经历了自动驾驶行业的淘汰赛，拥有经过市场验证的技术认知、工程化能力与规模化交付经验。

在EGO（第一人称视角采集）路径被验证可行后，景烁团队敏锐察觉到物理AI的规模化发展条件已经成熟，于是正式启动独立运营。

景烁对数据基础设施的思考逻辑，始终围绕“模型需要什么才能实现突破”展开。作为行业内率先将具身智能数据基础设施作为标准化产品交付的玩家，景烁的技术体系分为三层架构，各模块分工明确且环环相扣：WorldEngine驱动完整数据闭环、GENESIS-Robotics提供核心引擎、SkillForge封装最终交付的可直接使用的资产——只有真正理解算法逻辑，才能精准定义技能包的核心内容。

三层架构串联起来，相当于为客户提供了一站式解决“从零搭建数据体系”的完整方案，大幅降低了客户的研发门槛。

第一层WorldEngine是标准化数据模型底座，基于统一的世界模型驱动，覆盖从数据采集、治理、标注、合成、测评到部署的完整闭环。通过同一世界模型贯穿全流程，团队可以明确知道应该采集哪些数据、如何进行数据治理、标注哪些关键信息、合成什么场景、如何开展测评以及最终如何部署。

部署后产生的真实数据还会回流至采集环节，实现数据闭环的自动校准。对于客户而言，没有这套闭环系统时，工程师的大部分时间都消耗在与数据处理相关的繁琐工作中；而接入这套系统后，团队可以将核心精力集中在模型优化本身。

景烁还全栈自研了名为EGOK的数据采集设备：这款设备搭载双目相机，可实现4K@60fps的实时深度数据输出，通过近红外阵列实现亚毫米级的手部追踪，端到端延迟仅8ms。整机重量仅280g，可连续工作5小时以上，功耗比传统采集方案低40%。

但这款设备的核心价值并非参数本身，而是从采集开始就实现了“手—物—场景—动作”的天然对齐：全链路模组同源同标，无需后续人工拼接。同时，世界模型会基于当前的数据分布，自动规划高价值的采集目标，避免盲目采集造成的资源浪费。

中间层GENESIS-Robotics是整套技术体系的核心引擎。市面上多数所谓的“世界模型”，本质上只是2D图像生成工具与物理引擎的简单拼接，能力边界非常狭窄。而景烁的GENESIS-Robotics采用了名为Transfusion的技术路线：在同一个Transformer架构中，语言、策略、图像、视频各走独立的计算路径，但共享底层参数。

这种架构可以同时实现三大核心功能：一是世界理解，即基于当前状态与动作预测下一个物理状态；二是数据合成，基于对世界的理解生成符合物理规则的新场景与交互数据；三是策略生成，基于当前状态与目标直接输出可执行的动作。

三大功能共享参数，形成了正向循环的飞轮效应：模型能力越强，合成的数据质量越高；高质量的合成数据进一步提升下游模型的性能；更精准的模型可以指导采集策略，获取更高质量的真实数据；最终又反哺模型能力提升。一旦这个飞轮运转起来，将形成指数级增长的竞争壁垒。

第三层SkillForge是物理AI的资产引擎，其中包含开箱即用的技能包Skill Pack。覆盖厨房操作、客厅整理、工业作业等多个场景，每个技能包都包含完整的任务链路：从场景设计、多模态对齐样本制作、4D空间标注，到质量评价与模型验证报告，客户拿到后即可直接投入模型训练。

需要明确的是，SkillForge并非简单的“数据集市场”，而是按照模型训练的实际需求组织技能包：每个技能包包含特定的状态分布、动作分布与评测标准，支持跨机器人本体设计，经过WorldEngine全流程验证，并附带L1/L2/L3三层评测结果。

客户拿到的并非零散的视频数据集，而是经过完整验证的、可直接用于训练的技能模块，仅需要将预设的人类动作映射到自身机器人的末端执行器，适配不同的自由度与关节结构即可。

目前SkillForge已经拥有超过50万小时的真实交互数据、5000万+任务片段、200+标准化技能包，覆盖家庭、制造、零售、教育五大核心领域，包含1000+任务变体。

纵观景烁科技的产品设计逻辑，其核心出发点是：具身智能的数据基础问题，目前行业内尚未有成熟的标准答案。而将自动驾驶领域十年积累的方法论与模型能力迁移到具身智能赛道，是目前最有效的解决方案。

拥有自主可控的世界模型，才能准确判断数据的有效性，直接定义“什么样的数据才是真正有价值的”。基于这一逻辑，景烁将“数据即服务”的概念升级为“数据基础设施即服务”，同时实现了跨机器人本体的泛化能力。

对于景烁而言，客户能够实现“开箱即用”的价值，背后是基于对算法与模型的深刻理解倒推出来的数据策略，配合成熟的工程化交付能力共同实现的。

具身智能赛道已经热了三年，融资规模逐年攀升，但整体落地进展远低于市场预期。截至2026年中，行业仍在等待物理AI的“ChatGPT时刻”。

制约行业发展的并非算法本身——Transformer架构已经被证明在物理任务中具备有效性；也不是硬件——中国制造业已经能够将机器人本体的性能与成本控制到极致水平。

尽管机器人Demo依然层出不穷，但距离真正完成物理世界的复杂任务，仍存在肉眼可见的巨大鸿沟。据行业统计，2026年国内具身智能赛道融资总额约438亿元，其中超过一半，也就是约241亿元，涌入了聚焦“具身大脑”方向的创业公司。

具备多模态能力、能够准确认知物理法则与因果关系的大模型，既是具身智能实现商业价值的核心关键，也是当前全行业追逐的“圣杯”，正如当年自动驾驶赛道将Robotaxi视为终极目标一样。

景烁科技在此时引发行业热议，恰恰反映了一个冷峻的现实：没有高质量的数据支撑，连模型训练的第一步都无法迈出。

当前多数具身智能创业玩家，并未经历过自动驾驶时代的规模化落地交付，因此对数据基础设施的重要性认知不足，往往将数据问题想得过于简单。

大语言模型的ChatGPT时刻，建立在互联网数十年积累的海量文本数据基础之上，但物理AI领域并没有这样的历史数据红利。机器人的行为数据需要从零开始积累，当前行业共识是，通用具身模型至少需要千万小时级的高质量交互数据，甚至可能需要上亿小时的数据集。

自建数据基础设施当然是一种选择，但具身智能创业团队必须回答两个尖锐问题：时间窗口是否足够？投入成本是否值得？对于多数初创公司而言，无论是资金成本还是时间周期，都难以支撑独立搭建完整的数据基础设施。

除了资金与时间，这套数据体系的核心Knowhow同样至关重要：如何判断模型需要什么样的数据、哪些数据才真正具备价值、如何设计数据才能实现模型能力的跃升。这类经验需要在完整的业务场景中跑通闭环，经过大量实际案例的积累才能形成。

景烁科技提供了另一种更务实的路径：通过WorldEngine处理全流程数据，GENESIS-Robotics生成高质量合成数据，SkillForge输出可直接微调的技能包，三层架构打包交付，工程师拿到后即可直接启动模型训练。

并非每个团队都需要从零开始搭建底层数据体系，借助成熟的第三方基础设施，将核心资源集中在模型优化与场景落地中，无论从成本还是研发进度来看，都是更理性的选择。

景烁科技CEO霍达对行业趋势做出判断：具身智能赛道终将从狂热的资本梭哈，转向审慎务实的发展阶段，这一转变可能很快就会到来。

这样的行业周期变化，对于自动驾驶领域的老兵而言并不陌生。每当风口来临，全行业都会一窝蜂涌入，资本快速涌入，故事被不断放大，但很快投资人、用户与行业都会开始质疑：融了这么多资金，最终能够交出什么成果？

原团队经历过这个发展阶段，景烁团队同样亲历过，因此他们比任何人都清楚，数据基础设施必须走在行业发展的前面。

景烁的切入点非常明确：在行业起步最需要核心动力的阶段，提供基础设施支撑，这是整个具身智能行业从“手工雕琢”的小众研发，迈向“工业化流水线生产”的关键一步。

这一逻辑有现成的行业参照：2017年的英伟达，当时市场更多将其视为游戏显卡供应商，没有人预料到它会成为后续AI浪潮中绕不开的核心基础设施供应商。那一年行业都在追逐算法与开发工具，算力仅被看作供应链的一环，而非战略制高点。

2017年的宁德时代，当时的境况几乎如出一辙。

物理AI领域正在进入同样的行业拐点。景烁科技的选择，正是提前站在了这个关键位置上：不做整机机器人，不做通用具身大脑，只做最终所有玩家都绕不开的底层基础设施。

具身智能公司无需再从零开始积累物理世界的交互经验，也无需花费数年时间搭建数据飞轮，可以直接调用景烁的世界模型能力，直接购买开箱即用的技能包。

现在是时候让全行业意识到，当前最关键也最难解决的数据问题，已经有一支在自动驾驶淘汰赛中胜出、技术方案经过充分验证的团队，准备好了完整的解决方案。