刻行时空CEO黄阳明：物理世界的真实经验，正在从成本项变成资产项

不久前，具身智能领域长期存在的数据采集、治理与复用问题被公开摆在了台面上，行业内部的隐忧被以一种令人意外的方式，推向了公共舆论的风口浪尖。

更早之前的8月份，曾被视为规模化真机数据生产样本的、北京首个人形机器人数据训练中心，也已经因为复杂的原因暂停运营。

据信通院统计，截至2026年年中，国内建成投用的具身智能训练场已超70家，在建或规划的还有46家。整个行业处在快速发展的早期阶段。

一系列风波之后，那些尚未建成的具身智能训练场中，必然会有一部分可能很难等到真正启用的那一天了，但具身智能行业还会持续发展，整个市场对于数据的需求仍然刚性。

刻行时空（coScene），作为一家伴随具身智能浪潮成长起来的“全链路时空数据基础设施平台”，对具身智能数据行业的温度感受，却和行业中的很多参与者都不相同。相比追随数采泡沫，刻行时空更希望保持在真机数据采集和治理上第一梯队的位置，并将这种能力转化为可交付、可流通、可持续的资产。

近期，这家机构刚刚启动一笔亿元级别的跨境数据交付（并且完成了一笔数千小时的），这可能是整个行业质量最高、金额最大、涉及企业级别最高的数据资产交易项目。

在这个重要的时间节点，我们与刻行时空创始人兼CEO黄阳明进行了一次交流，探讨了具身智能数据基础建设过程中存在的种种问题，以及未来的长期机会。

在黄阳明看来，真机数据的稀缺性，在于可以帮助机器人建立"Physical Grounding”（这也是Physical Intelligence 联合创始人 Sergey Levine最近提到的一个观点），以此为基础，再去吸收人类视频和基于真机数据构造的仿真数据，这样可以获得更好的泛化效果。而随着机器人逐步进入真实场景，真机数据的质量会进一步提高，规模化难度进一步降低。

抓到认知差

绝大多数的具身行业从业者、投资者、包括观察人士，都认可数据对具身智能发展的重要性。但真正的认知差在于，什么样的数据重要、数据从哪来、以及如何治理复用。

造成认知差的一个原因就是，在如今内卷严重的情况下，“前景”就意味着投资层面的拥挤乃至失序。一听说数据重要，就运动式地建采集中心，却从没回答过需求端到底要什么。

黄阳明表示，刻行时空因此选择了用数据模型培养“数据品位”，再反向指导现场采集与管理的方式去经营数据生意。同行或许还在争论哪种低成本的数据就能满足要求，但黄阳明非常确信，真机数据就是最重要的、最不可替代的。

力觉、触觉、摩擦、重心、失败经验，这些物理世界的真实，第一人称视频和互联网视频数据永远无法完全替代。就好像肉体能力跟不上，即便看了再多的视频，一个人也不可能做出梅西、乔丹的动作。没有真机数据，就训练不出真正的物理直觉。

在这种“数据品位”原则的指导下，刻行时空把数据需求分为预训练、中训练和后训练。

其中预训练不限机型、复用性最高；中训练强调多样性；后训练面向具体场景，往往难以直接复用。采集也不是在一个桌面重复造轮子，而是像在海洋里采样——在不同的区域布点，追求“水质”的多样性。

硬件的形态更是会直接影响所采集的数据质量，夹爪、灵巧手、摄像头视野和触觉传感器不同，采出来的数据价值就不同，刻行时空有时甚至需要为客户改造本体，以满足特定的数据质量要求。

国内外市场的差异，也在某种程度上影响着所采集的数据质量，比如北美市场其实对具身智能数据的需求更火热，交付价格可以很高，即便扣掉相对也高的合规成本，其中的毛利率仍然可观。

刻行时空的商业机会，其实也就来源于这种跨市场、跨区域的认知差。

黄阳明认为，中国机器人出口全球，也会需要出口数据来服务海外场景，因为中国擅长1到100，美国擅长0到1，刻行时空要做的就是“把0到1的1搬回来，点燃1到100”。

毕竟美国的具身智能行业在客观上起步时间更早，只是普遍缺本体和数据，如果他们能通过数据进一步收敛技术路线、加速商业化落地，对这个行业里的各国企业都是好事。

刻行时空近期启动的大单，来自美国人工智能最顶尖的基础设施大厂。这正是全球范围内顶级AI机构对刻行时刻数据能力、合规能力和交付能力的投票。

某种程度上，订单本身是比融资更高规格的认可。

正因如此，黄阳明对于数采行业要降温的传言并不担心。在监管收紧、地方政府更加谨慎之后，行业内的新玩家更难靠攒局拿到订单，而像刻行时空这样手握真实订单、产能和交付能力的公司，优势反而会更加明显。

黄阳明开玩笑道，这波舆论对刻行时空来说是“因祸得福”。

门槛不是“采”

具身智能数据基础设施虽然是新的业态，但同这市场上所有的行业一样，它必须可落地应用、可持续盈利，否则就有沦为资本游戏的风险。

为实现盈利，刻行时空的商业模式并非只有“卖数据”这么简单，而是三种模式相互咬合：

一是货架式数据交付，客户要什么类型就从仓库里挑；

二是定制化生产，客户提需求，刻行帮采帮产，同时沉淀更特别的数据；

三是直接交付数据处理能力，按方案收费。

这三种收费模式再叠加中东等地的整体运营输出，以及加盟商、合作伙伴的软件、设计、培训、数据产品化服务，让刻行时空正从“卖厨具的”走向“做菜的”，最终成为全链路供应商，并尽量把重资产环节剥离出去，以保持整体的轻资产运营。

可以看出，与同行的模式相比，刻行时空颇有不同之处。

黄阳明认为，其中差别首先来源于场景。更多的数采场景是每人一个固定的工位，刻行时空的数采场景则像是走进了一个公寓、超市、洗车场，把所有东西带上轮子，转换布景、灯光、道具，花大价钱买物料轮换，以保证数据的真实性和多样性。

更重要的差别则是，刻行时空用数据模型培养出的“数据品味”，知道什么数据对模型有增益，该用什么采集方式和体系。

所以刻行时空的“数据飞轮”更能转得起来：更多数据带来更好的基础设施和模型，模型反过来提升数据处理能力，就更受客户青睐，更多数据和商机就会随之而来。

刻行时空的下游客户，在这套数据飞轮中同样有着深度参与。

黄阳明提到，曾经有客户热情到直接把机器送过来，驻场看他们怎么落地，他本人也长期在国外蹲点混圈，让客户不断了解公司产品和对世界模型的看法，最终尝试公司的数据服务并给出订单。

最近刻行时空启动的这笔亿元级别的大额交付，正是这种长期积累之下的结果：

第一，公司选择的机器形态最符合客户需求；

第二，存量素材库里“早就有1000多个不同的任务”可以调配；

第三，公司与客户经过几轮交付，数据质量（可用率）近乎100%。

显然这不是能靠关系攒局就能搞得定的，而是需要通过机器选型、任务库和交付质量硬碰硬拿下的。黄阳明表示交5000小时，可能只有几小时需要调出来，而且那几小时还是硬件翘针造成的。这种真机数据交付质量，就是刻行时空处于行业第一梯队的证明。

数据资产项

随着AI与具身智能产业的不断发展，人们或许应该更深刻地意识到，数据确实是一种商品，其价值并不来自于被采集、被存储，而是来自于被使用。

使用给数据带来价值，而非价值的摊薄或磨损。

黄阳明认为，“数据和机器人的逻辑不一样。机器人是说我能够scale，然后贴着成本做，要更大的体量，要市占率。而数据是我去占有、去发掘更深的数据。”

换句话说，机器人的价值随规模摊薄，数据的价值却随积累程度的提升而升高。

这正是刻行时空能持续获得融资的底层逻辑，同时也是其在融资这件事上能保持克制的底气：不急于用资本催熟规模，而是先把“什么数据有价值”这件事做扎实。

宇树科技与刻行时空、上海技术交易所共建高质量真机数据示范平台，明确不依赖本体厂商回购的传统模式，而是通过需求对接与工程实现，形成“产能锁定、市场化定价和交付机制”。

特斯拉把Optimus机器人全部送入工厂“一边干活一边采集”，失败数据全部回流训练，真机数据飞轮一旦转起来便能形成长期壁垒；Figure则用全球众包的方式，让普通人用手机录制第一视角视频，周活贡献者近7万人，每秒新增35分钟的物理交互视频。

行业领军企业所采用的方法各有不同，但其内核都是在基于一个共识：

物理世界的真实经验，正在从成本项变成资产项。

数据，作为具身智能行业产品的深层意义则在于，它记录的是机器人与世界打交道的经验，定价的是这些经验对下一个模型、下一个场景的增益。

无论哪家机器人公司最终胜出，数据供给都是绕不开的刚需，并且将长期存在。而真机数据，就是刚需中的刚需。

黄阳明表示，大语言模型依赖的数据公司最近几年已经做到几百亿营收规模，“具身这个数据领域一定会更加红火”。 这不仅是愿景，更是正在发生的订单、交付和复购。