36氪首發 | 清華系物理AI基建初創再融數千萬美元，數據設備進入全球化規模交付

清華系物理AI數據基礎設施初創公司Ropedia近日宣佈，已完成數千萬美元天使輪融資。本輪由多家深耕東南亞市場的頭部風險投資機構領投，並獲得多家一線美元基金以及智能製造、大模型產業方的共同參與。值得注意的是，在此前一輪融資中，與Google、a16z、NVIDIA、Amazon相關的投資人亦有參與，深渡資本則擔任長期獨家財務顧問。據了解，本輪資金將主要用於核心技術團隊擴建、硬件產品線規模化量產，以及數據產品線的規模化生產。 Ropedia成立於2025年下半年，總部位於新加坡，並在美國矽谷設有辦公室，被視為全球最早系統性構建Physical AI數據基礎設施的公司之一。公司由陳昭熹（CEO）、洪方舟（CTO）與南洋理工大學副教授劉子緯（首席科學家）聯合創立，核心團隊背景涵蓋清華大學、南洋理工大學MMLab、Meta Reality Labs與Google。從自研採集硬件、數據引擎到大規模真實世界經驗數據集，Ropedia試圖構建連接人類經驗與機器智能的關鍵數據層，為下一代機器人與具身智能系統提供真實世界的數據底座。 當前Physical AI行業正面臨真實世界數據瓶頸。隨著機器人基礎模型、VLA及世界模型的快速迭代，傳統視頻與圖文對已無法滿足訓練需求，模型需要具備真實物理尺度、動態交互、手-物關係和場景語義的高質量數據。然而這類數據長期存在兩大難題：一是採集依賴昂貴設備與複雜部署，成本居高不下；二是原始信號距離可訓練的結構化數據仍有漫長處理鏈路。一段原始採集數據通常需要經過時間同步、空間對齊、三維與四維重建、人體及手部運動恢復、動作切分、語義標註與質量控制等環節，才能轉化為模型可直接使用的訓練數據。 與傳統數據採集公司不同，Ropedia的核心競爭力並不在硬件本身，而是圍繞數據引擎（Data Engine）構建完整數據生產體系，通過模型驅動數據生產，實現高質量真實世界經驗數據的規模化供給。陳昭熹表示：「數據不是越貴越好，關鍵要看成本、質量、規模、任務相關性，以及它到底能不能真正提升模型效果、進入可評測的訓練閉環。」目前市面上多數數據採集公司仍停留在單點硬件銷售或人工標註服務階段，而Ropedia已能通過自研的Experience Engine，將海量原始採集信號自動轉化為可直接用於模型訓練與效果驗證的結構化Experience Data，涵蓋人體姿態、手物交互、空間結構、運動軌跡等多維信息，在保證數據質量的同時大幅提升生產效率、降低生產成本。 在陳昭熹看來，數據和模型本質上描述的是同一個真實世界分佈：數據通過真實樣本離散地記錄世界，模型則通過連續函數去逼近這一分佈。因此未來Physical AI的競爭不僅是模型能力的競爭，更是數據引擎能力的競爭。聯合創始人、首席科學家劉子緯則用能源結構切換來比喻這一轉變：「語言大模型有點類似於化石燃料：我們人類創造語言、記錄語言，把豐富的語言沉澱在整個互聯網上，但化石燃料終歸是有限的。多模態是AI脫虛向實的必經之路，有點像我們從化石燃料走向新能源的過程。」

在產品體系上，Ropedia已推出頭戴式便攜採集系統HOMIE，可輕量化採集第一視角下的人體運動、場景變化及物體交互等多模態信號，並持續為數據引擎提供真實世界經驗數據輸入，形成覆蓋數據採集、數據生產、模型訓練與驗證的數據飛輪。HOMIE只是入口，公司正在建設三層組成的端到端真實世界經驗基礎設施：第一層Sense是覆蓋不同交互場景的感知硬件，包括HOMIE及面向手部動作、觸覺與空間運動的感知系統；第二層是自動化生產引擎Experience Engine，所有數據經人工預篩清洗、自動化標註、指標質檢與人工終檢後入庫，全流程留痕可查；第三層Deliver是數據集與模型訓練驗證體系，用於判斷數據對VLA、世界模型的實際作用，並反向指導下一輪採集。 另據獨家消息，Ropedia正在推進下一代多模態數據採集系統，計劃於2026年8月正式發佈。陳昭熹介紹，新一代系統的核心升級並非簡單增加傳感器數量，而是進一步統一第一視角視覺、手部動作、人體運動、空間位置等多模態信息，實現更完整的真實世界數據表達。相較於傳統視頻只能記錄「人做了什麼」，下一代多模態數據將進一步描述人與環境的交互過程，為機器人基礎模型、世界模型及空間智能系統提供更高質量的訓練數據。他以插拔、旋擰、按壓、裝配等任務為例，這類操作高度依賴接觸信息，視覺上相似的動作可能對應完全不同的受力狀態與任務結果。 在數據安全與合規方面，Ropedia建立了完整交付體系，針對不同客戶需求提供上雲、專屬分區部署乃至客戶本地機房私有化部署等多種方案，確保原始採集數據無需離開客戶環境即可完成結構化交付。這在涉及真實人類行為數據的Physical AI領域尤為關鍵。 2026年3月，Ropedia發佈並開源人類經驗數據集Xperience-10M，收錄約1000萬個真實世界交互片段、超過10種同步模態，總規模接近1PB。該數據集已進入Qwen-VLA、MolmoMotion、ACE-Ego-0和τ₀-WM等具身基礎模型、運動預測模型與世界模型的研究與訓練體系，目前位列Hugging Face全品類數據集下載量Top2、具身智能數據集Top1，累計下載量已超270萬次，並被AI2、Qwen等全球頂級AI實驗室採用。公司現已服務約1800家數據使用機構，其中500餘家簽署數據使用協議，客戶覆蓋全球20餘家頭部具身智能企業及互聯網科技公司。 數據價值已開始通過模型訓練結果得到驗證：ACE-Ego-0使用了435.7小時來自Xperience-10M的第一視角人類視頻，其消融實驗顯示，同時使用機器人數據與人類視頻的模型任務成功率達72.8%，高於僅用機器人數據的68.3%，4.5個百分點的提升直接來自訓練數據本身。陳昭熹透露，公司過去六個月營業額增長約4.1倍，其中北美市場貢獻約六至七成營收。 針對外界關注的成本問題，陳昭熹拆解了Ropedia將採集成本降低50倍的方式。他認為成本可拆為人力、硬件、算力存儲、傳輸四塊，公司圍繞這四方面進行優化：硬件上用自研設備替代消費級硬件，砍掉與數據採集無關的功能，結合供應鏈整合壓縮成本；算力和存儲層面設計精密數據管線，將數據當代碼做版本管理，避免重複生產；傳輸方面則有自研壓縮協議——PB級的Physical AI數據，物流成本不容忽視。整體而言，採集成本比行業低了一個數量級。 對於Physical AI未來三年的發展，陳昭熹判斷行業將從0.1走向1，核心標誌是從PoC走向小批量部署，從幾臺機器人在工廠試點，到100臺、200臺機器人真正7×24小時介入生產流程，持續運轉三個月以上且無法被替代。他給出三點依據：一是大模型能力成熟後向物理世界延伸的趨勢已明確；二是機器人硬件、三維視覺、訓練推理基礎設施等底層技術積累到了臨界點；三是下游產業的付費意願和需求場景正在快速收斂，不再是散點式實驗，而是有明確ROI的生產力替代。在Ropedia看來，互聯網數據決定了大語言模型的上限，而真實世界經驗將決定Physical AI的上限。