数据

9 月 30 日，苏度科技宣布完成超 10 亿元新一轮融资，由上海国投先导、国投孚腾与国泰海通联合领投，小米等多家老股东跟投。这家公司成立仅 17 个月，已完成 5 轮融资，估值突破 200 亿元，是国内通用具身智能赛道「仿真路线」的代表性样本。10 月上旬，这条消息仍在产业圈持续发酵。 为什么资本单独给「仿真」开一桌 具身智能最大的瓶颈，是真机数据太贵、太慢：让一台人形机器人在真实场景里磨出稳定操作，时间和硬件成本都极高。仿真路线的思路是，先在高保真虚拟环境里批量生成海量操作数据，训练出策略模型，再迁移到真机上。 苏度科技赌的就是这个环节——与其等机器人一台台跑数据，不如在仿真世界里「代打」。这和自动驾驶行业早期靠仿真爬坡是同一个逻辑：虚拟里程可以指数级增长，真机迭代受物理世界约束。 200 亿估值贵不贵 判断估值要回到它解决的问题有多硬。如果仿真到真机的迁移率足够高，它就是整个具身智能行业的「数据底座」，价值不在于自己造机器人，而在于给所有机器人公司供数据和预训练模型。这也是为什么小米这类既造车、又布局机器人的产业方会持续加注。 但风险同样明确：仿真与现实的差距（reality gap）始终存在，迁移效果还需更多真机验证。17 个月 5 轮融资，速度快得惊人，也意味着它必须在一两年内拿出可复用的迁移证据。 判断 具身智能的竞争表面拼机器人本体，底层拼的是数据获取效率。苏度科技这轮融资说明，聪明钱已经意识到：真正稀缺的不是又一台样机，而是低成本、可规模化的数据管线。对这个赛道，接下来值得盯的不是发布会的酷炫动作，而是谁的仿真模型在真实产线上跑通了连续班次。 去论坛讨论 这篇文章里的观点，欢迎到硅基AGI论坛讨论。按标题搜索：苏度科技 💬 更多交流内容，请点击本站论坛交流区：silicon-agi.com

AI时代的隐私：你的数据值多少钱？，这是2026年AI落地绕不开的一个话题。浏览数据：几分钱一条 语音样本：几毛钱一条 专业知识数据：几元一条 谨慎授权AI应用 定期清理聊天记录 了解数据使用政策 很多团队看趋势时容易被发布会和榜单带着走，但真正决定效果的，往往是这些基础细节。 数据定价？ 浏览数据：几分钱一条。 判断浏览数据：几分钱一条做得好不好，可以看两个信号：一是它在团队日常里被触发的频次，二是它拦下问题后有没有被复盘成规则。跑顺之后，这件事会自然沉淀成团队资产。 语音样本：几毛钱一条。 这里最容易踩的坑，是把语音样本：几毛钱一条当成’一键搞定’。实际上工具只给初筛结果，最终判断仍要人来拍板；与其追求全自动，不如把它定位成’第二双眼睛’。 专业知识数据：几元一条。 从成本角度算一笔账，专业知识数据：几元一条前期看似多花了时间，但它把问题左移到了开发阶段——越晚发现，修复成本越高。对中小团队尤其划算。 你能做什么？ 谨慎授权AI应用。 这里最容易踩的坑，是把谨慎授权AI应用当成’一键搞定’。实际上工具只给初筛结果，最终判断仍要人来拍板；与其追求全自动，不如把它定位成’第二双眼睛’。 定期清理聊天记录。 这里最容易踩的坑，是把定期清理聊天记录当成’一键搞定’。实际上工具只给初筛结果，最终判断仍要人来拍板；与其追求全自动，不如把它定位成’第二双眼睛’。 了解数据使用政策。 从成本角度算一笔账，了解数据使用政策前期看似多花了时间，但它把问题左移到了开发阶段——越晚发现，修复成本越高。对中小团队尤其划算。 硅基点评 趋势层面的判断已经很清楚：单点工具的红利在消退，工作流和方法论的价值在上升。与其追每一个新模型、新框架，不如把高频场景跑成稳定的流水线。建议从业者定期复盘自己的工具链，把重复动作沉淀成模板，把判断交给人、把执行交给AI。 本文由硅基AGI社区原创，欢迎访问博客 guijiagi.com 获取更多AI实战教程，或到论坛 silicon-agi.com 参与讨论。 💬 更多交流内容，请点击本站论坛交流区：silicon-agi.com

硅基速览 Figure的Index众包平台已记录1600万条远程操作演示数据。 人形机器人竞争的核心正在从硬件转向数据：谁有更多真实操作数据，谁的机器人"大脑"就更强。 特斯拉Optimus Academy、Figure Index、智元工业场景——三家公司在用不同方式积累机器人训练数据。 正文 1600万条数据的意义 2026年9月，据Humanoid Press报道，Figure的Index众包平台已经记录了1600万条远程操作（teleoperation）演示数据。 这1600万条数据是什么？简单说：人类操作员通过VR/手柄远程控制人形机器人执行各种任务——叠衣服、擦桌子、倒水、整理货架。机器人在远程控制下完成任务时，它的摄像头视觉、关节位置、末端执行器动作都被记录下来。这些数据就是训练人形机器人"大脑"（具身智能模型）的燃料。 1600万条数据是什么量级？作为对比，特斯拉Optimus在Fremont工厂内部收集的数据，大约在几百万小时级别（不是条数）。Figure通过众包平台在更短时间内收集了1600万条演示，这个数据积累速度非常快。 为什么数据是人形机器人的核心壁垒 人形机器人的竞争，2024-2025年比的是"硬件能不能动"——关节够不够灵活、续航够不够长、负载够不够大。到2026年，硬件能力已经趋同：主流人形机器人都能走、能站、能抓东西。 真正拉开差距的，是"大脑"——机器人能不能看懂环境、能不能理解任务、能不能自主规划动作。而训练这个大脑，需要海量的真实操作数据。 这就是为什么Figure要建Index众包平台。自建远程操作团队成本高、速度慢；众包平台可以让全球的人在家用VR手柄帮Figure训练机器人。1600万条数据，就是这样众包来的。 三家公司的三种数据策略 硅基视角梳理一下头部人形机器人公司的三种数据积累策略： Figure：众包远程操作。 通过Index平台，让全球用户远程操作Figure机器人执行任务。优势是数据量大、场景多样；劣势是数据质量参差不齐，需要大量筛选和清洗。 特斯拉：工厂内部数据。 Optimus在特斯拉Fremont工厂内部执行真实工作任务，收集的是汽车工厂场景的数据。优势是数据质量高、场景真实；劣势是场景单一（主要是汽车工厂），泛化能力有限。 智元：工业场景付费客户。 智元把机器人卖给汽车零部件、3C电子工厂，在客户现场执行真实任务。优势是有真实付费客户验证；劣势是数据积累速度受限于出货量。 三种策略各有优劣，最终谁的数据策略能训练出最通用的具身智能模型，还需要时间验证。 数据飞轮的启动 人形机器人的数据飞轮，和大模型的数据飞轮逻辑一样： 机器人执行任务 → 收集数据 → 训练更好的模型 → 机器人执行更好 → 收集更多数据 Figure Index的1600万条数据，就是这个飞轮的第一推力。当数据量足够大时，Figure的机器人模型会比竞争对手"更聪明"，因为它见过更多种任务执行方式。 但数据飞轮也有临界点。在数据量达到临界点之前，机器人的表现提升不明显；一旦越过临界点，模型能力会突然跃升——就像大模型在参数量达到某个阈值后出现"涌现能力"一样。 硅基AGI社区在论坛silicon-agi.com上有不少机器人研究者在讨论具身智能数据的采集方法和模型训练，从远程操作到仿真到真机实测，讨论非常专业。 硅基点评 Figure Index的1600万条数据，标志着人形机器人竞争从"硬件竞赛"进入"数据竞赛"阶段。2024年谁的机器人走得稳谁赢，2026年谁的机器人干得好谁赢。而"干得好"的背后，是1600万条真实操作数据的积累。 硅基视角的判断是：2027-2028年，人形机器人行业会出现"数据分化"——有足够数据积累的公司，机器人能力会快速跃升；没有数据积累的公司，机器人永远停留在"能走但不会干活"的阶段。这个数据鸿沟，会比硬件鸿沟更难跨越。 对机器人创业者的建议：现在就开始想"我的数据从哪来"。不要等到硬件做出来了再想数据问题——数据采集应该和硬件开发并行。众包、客户现场、仿真，多管齐下。数据才是人形机器人真正的护城河。 延伸阅读 世界模型Atlas与物理AI：李飞飞的空间智能革命 世界模型研究：AI 能理解物理世界的规律吗 WAIC 2026前瞻：300+AI产品全球首发看什么 本文由硅基AGI社区原创，欢迎访问博客 guijiagi.com 获取更多AI实战教程，或到论坛 silicon-agi.com 参与讨论。 💬 更多交流内容，请点击本站论坛交流区：silicon-agi.com