公司是做什么的：一条闭环，四块拼图

你们公司的定位和业务边界是什么？

我们给物理AI大模型和具身智能提供数据与仿真评测的全链路服务，不是卖单点素材。我个人负责几条核心产品线的技术路线、版本迭代和研发团队：EgoSuite 采集、SimFoundry 仿真合成生成、RoboFinals 评测，以及真机回流。同时还要扛住两件事：一是数据标准和物理对齐，二是把客户的痛点翻译成产品和交付方案。

· EgoSuite（采集）：真人第一视角示范，输出"状态—动作—结果反馈"的完整交互轨迹。· SimFoundry（仿真合成）：用真实样本反标物理参数，自动批量生成长尾、异常、边界场景。· RoboFinals（评测）：给模型"出考题、判卷"，量化成功率/抗干扰/容错边界/失败类型。· RoboStack（部署回流）：模型上真机后，把失败、卡顿、人工接管轨迹全数回收再利用。

四条采集路线：不是谁替代谁，是分工配合

Ego、UMI、动捕三种方式到底差在哪？以后谁会赢？

三者采集视角、信号类型、适用用途都不一样，在训练里是互补关系，不是单选题。

头戴主视角 + 腕部辅视角，人在真实环境里用自己的手正常干活，不是遥控机器人演示。同步录入 RGB、深度图、手部关节位置与接触时序。门槛低，普通人就能采；拿人类的正确示范教模型"交互逻辑"和"自然操作的范式"，适合预训练、环境理解、长任务规划。

人拿着带相机、位姿和力传感的夹爪去示范，末端控制逻辑天然贴近机器人。输出末端六维位姿、夹爪开合、末端画面，映射损耗小，对齐成本低，抓取、插接、动态操作这类短任务效果最好。缺点是不擅长"到处走动"的长规划。

穿标记点动捕服、在标定场地里做动作，拿到全身+双臂+手指的高精度三维坐标。动作真值里最干净的一类，用来做基准、做标注、校验 Ego/UMI 的跟踪误差，适配灵巧手和双臂协同这类精密动作。用量不用大。

不替客户强行选边，看模型处在哪个阶段：预训练学通用环境逻辑 → 加 Ego；机械臂要稳定做 Sim-to-Real 迁移 → 加大 UMI 配比；灵巧手精密装配 → 少量动捕做真值校准。

实验室 → 量产：数据配方会彻底换一版

实验室阶段用什么数据为主？走向量产（几千台）又换成什么？

模型还在预训练，缺的是任务范式和环境样本，要的是多样性、泛化性。Ego 快速积攒不同场景、不同示范；UMI 补抓取装配，减少动作迁移损耗；动捕少量当"标准答案"校验跟踪和标注。重点是样本多样、基准干净，而不是堆量。

几千台真机天天在现场跑，最值钱的是真机跑出来的失败、接管、异常轨迹——别的采集方式根本拿不到。回流数据两用：①补少见失败样本继续训练；②反过来校准仿真里的物理参数，越跑仿真越准。再用仿真批量生成同类变体，快速补齐边界、修稳定性和一致性。

中美差异，以及两类客户的本质分歧

国内和硅谷的做法差别大吗？

底层技术是一致的，分歧在路径和优先级。硅谷算力充足、偏仿真优先：先用仿真堆量，再拿少量真实数据对齐校准；Ego 类多走众包（比如招募普通人采居家场景），追求通用泛化，对工业现场的一致性要求没那么高。而且海外头部本体+大模型团队倾向自己搭数据管线，外部供应商多做单点素材供给。

纯大模型公司（如 OpenAI）对数据的要求，和机器人本体厂有什么不同？

目标不同：他们要做通用世界模型，要的是"统一时序标准 + 因果完整 + 可评测 + 多样交互轨迹"，不是堆抓取视频。

· 以 Ego 第一视角为主：必须有完整任务上下文、环境变化、人的决策逻辑，用来学物理常识和长任务规划，UMI 只补末端操作。· 必须是时序轨迹：动作→结果反馈要闭环，深度/接触信号/时间戳严格对齐，标注口径全程统一，才能混进预训练库。· 多样性苛刻：摆放、光照、材质要多变，长尾必须足；单一产线私有场景需求反而不高。· 可评测是刚需：要能定量看到能力涨没涨，所以评测基准和接口是必配。· 合规卡得死：版权、脱敏、可商用，审核一道道过。

交付方式是三层：①标准化标品授权直接接入；②按任务清单定向采集 + 仿真联合生成变体，同一套格式输出；③开放 RoboFinals 评测接口，他们训完直接跑基准，反向告诉我们还缺哪类样本，持续迭代。

大模型公司怎么判断我们的数据"质量好"？

不是看画面清不清晰，看四关：

① 静态质检：时序对齐没、时间戳/深度/接触信号同不同步，标注漏不漏、错不错，脱敏和版权合规。② 分布校验：场景和物体种类够不够多样，有没有"偏科"——全是亮环境、物体摆得整整齐齐，单条再规范也算劣质数据。③ 小模型消融实验：抽一批做微调，看抓取成功率、任务完成率有没有真的涨。数据看着规范但学不出东西，就是无效数据。④ 标准化评测打分：固定基准上量化成功率、抗干扰、容错，好处是能跨批次、跨数据源横向比（Ego / UMI / 仿真放一块比）。

定价、成本与毛利率：数据是怎么"卖"的

数据作为商品，怎么定价？

三个变量：使用权限 × 生产成本 × 稀缺程度。标品按授权小时数 + 授权范围报价；定制是客户的专属场景，项目制，数据归客户、不能二次售卖，成本和报价都更高。

真机遥操作的综合成本大概多少？标注占几成？以后会降到哪？

规模化稳定跑起来后，真机遥操作综合成本约 200 元/h 上下；标注是大头，约占整体四成。长期会分层降价：低质量裸视频会被卷到很低，但带物理校准、统一标注、可评测的高标准数据抗跌，不会跟着卷。

你们自己的利润率和收入体量？

· 标品数据集（可复售）：毛利约 50%–60%，靠多次售卖摊薄。· 客户定制（一次性、不可复售）：毛利约 30%，交付周期吃掉利润。· 评测订阅（RoboFinals）：毛利约 40%–50%。

设备不是壁垒。单套 Ego 采集几千到 3 万不等，一套 UMI 一两万，动捕棚一套几十万。硬件是外购标准件 + 自研固件和同步算法，前期投入大、后期折旧摊薄。真正的成本是人和算力：采集场地、采集员、标注、资产建模、仿真算力，我们几十上百套设备集群式铺。对比整机遥操作，Ego+UMI 这套投入低很多。

客户结构、头部需求与三年展望

从你们下游看，谁采购量更大？拆一下占比。

纯大模型/世界模型客户采购量更大，小时数起手就是几十万级。他们自己没有本体硬件，模型迭代高度依赖"外购数据 + 算力"，做到百万小时级，一年数据采购就得大几千万。

本体厂的钱花得更"弹性"：最大头开支永远是电机、整机产线、真机集群和遥操作团队，外购数据只是补缺口——资金松就多买长尾对照基准，紧的时候就压缩外部采购、靠自己的真机回流。和纯大模型公司的账本完全是两套逻辑。

智源、宇树、Figure、特斯拉这些头部，各自怎么搞数据？

2025→2026 增长多猛？未来两三年怎么走？

2025 年基本还是试点和 POC 验证；2026 年需求不是简单翻倍，是百倍级的增长，百万小时订单变成常态。直接推手是 VLA 与世界模型集中迭代，客户已经收敛出一个共识：高质量具身数据是独立刚需。订单形态从零散 POC 变成年度框架协议和复购；标品 Ego/UMI/校准仿真增速最快，定制工业数据单价高、交付慢、占比爬得慢；缺口依然远大于供给。

· 未来 1 年：仍高增，但不会一直百倍百倍地疯。本体厂商真机铺开后，外购结构从"买通用标品"转向"买专项、买评测、买长尾边界"。· 中期（约 2 年）：驱动力换到产业落地，工厂/物流客户占比抬升。两个变化——①客户要整套闭环，评测+回流管线的订阅收入占比上升；②行业开始内卷，低质量纯视频降价，带物理真值+统一标注+可评测的数据价格扛跌。· 长期：头部本体厂真机闭环跑熟后，通用标品增速温和回落；但工业/特种专属数据、评测基准、仿真基建周期更长。数据会像算力一样，变成物理AI的常态化基础设施支出。

护城河、大厂自建，以及那个最硬的问题

你们的护城河到底在哪？别人买几套设备不就能抄？

难的不在设备，在整套流程能否对齐，三件事必须一起成立：

① 统一规范的多源混训：Ego、UMI、动捕、仿真、真机回流，来源五花八门，很多同行只能做其中一类。拼不到一块——坐标系、时间戳、动作定义对不上，混着训效果反而下降。EgoSuite 从第一天就定了同一套规范，多元数据能直接倒进同一个训练集，这是长期趟出来的。② SimFoundry 的物理校准：市面上很多仿真只是"渲染好看"，物理参数不准。我们用真实样本反标摩擦、阻尼、重量、刚度，让仿真被真实数据约束；持续稳定性和可自动化的物理管线门槛很高。③ 评测驱动的负反馈指挥链：别家是"你要多少小时我产多少小时"，我们是先测短板、再定向采/生成，等于卖的是带质检和需求导航的生产线。

再加上多年攒下来的标准化物体资产、任务模板、失败样本库——新玩家不是搞几套设备就能采出"能训"的数据。难点是稳定、规模化地输出"学得动"的信号，而不是画面漂不漂亮。

华为、小米、字节自建数据能力，对第三方是挤压还是增量？

长期是增量，局部有挤压。被挤掉的是低端单点采集外包商；对我们这种全链路+统一评测标准的技术服务商，机会反而更大。

· 大厂自建一定绑定自家硬件和模型的核心私有数据（小米人车家、华为工业机器人、字节自家模型），这部分不会外购 → 挤压确实存在。· 但他们缺三样：跨本体跨场景的通用基准数据集（做消融对照、对标测试）；长尾/危险/小众工业场景（自建成本高、周期长）；以及一套他们不愿从头自研的标准化评测体系。· 更关键的是：大厂下场把赛道共识带起来了，养活了一大批中小模型团队——这些团队根本没能力自建闭环，直接成为我们的客户。· 大厂产能优先供内部迭代，而行业缺口远大于任何一家产能。

数据量翻倍，成功率真的跟着涨吗？（投资者追问）

不是线性。从数据量角度看，100 小时到 1000 小时这种量级跨越，成功率会有明显的指数级抬升段——因为模型先补上的是"见过没见过"的鸿沟。但边际是递减的：真正拉开上限的，是新增样本到底是不是模型缺的那一类失败和边界场景，而不是重复堆标准演示动作。这也是评测先行、定向补缺比盲目堆量更值钱的原因。

术语速查表 · 40 个词一页看懂