手握英偉達寧德時代相同劇本，具身智能的第一個「基建商」出現了

一家看似位處AI產業鏈中游的公司——景爍科技，在2026年中正式獨立運營後，迅速引發業界高度關注。這家從文遠知行內部孵化而出的企業，背景相當扎實：執行長霍達正是文遠知行的001號員工，而賽道則鎖定在當前最火熱的具身智能領域。然而，景爍並沒有跟風投入機器人整機或通用大腦的開發，反而選擇了一條相對冷靜的路線——押注物理AI的基礎設施，專注數據與世界模型技術體系。在行業普遍追逐「最強大腦」的背景下，景爍的出現揭露了一個被長期忽略的事實：當大家都在追求頂層思考能力時，底層的經驗體系與世界認知尚未被系統性地建立起來。而缺乏對物理世界的深度認知，再聰明的演算法也只是空中樓閣。 物理AI的第一個落地場景是自動駕駛，過去十年走過的規模化之路，正是一部「瓶頸遷移史」。起初各家比拼演算法，誰能提出更好的網路結構與決策邏輯，誰就能在榜單上領先，這與如今具身智能領域熱衷發表Demo與刷榜的行為如出一轍。隨後進入算力軍備競賽階段，演算法尚未收斂，算力成為直觀的競爭指標。直到特斯拉FSD從V12轉向端到端模型、V14完成一段式重構後，自動駕駛的演算法路線才高度收斂，L2與L4玩家紛紛轉向多模態大模型、世界模型生成仿真與強化學習修正的路線。此時一線團隊終於體認到，再好再大的算力，若沒有高品質數據持續餵養，模型迭代便停滯不前——物理AI的第一個落地場景，最終回歸到數據基礎設施的競爭。 文遠知行完整歷經這三個階段，最終站穩L4自動駕駛第一梯隊，貫穿其中的關鍵正是數據基礎設施的持續建設。而這套基礎設施，正是景爍團隊在獨立運營前一直在做的事。執行長霍達擁有12年行業經驗，曾帶領文遠知行的技術與工程團隊，在美國、中國、新加坡主導全球化工程研發組織；另一位共同創辦人暨營運長韓明，則是中國地理信息產業協會理事，曾任DeepMap高階管理職位。兩人都親身經歷了自動駕駛從「缺數據」到「想辦法解決數據」的完整過程。 文遠知行一開始就面對車隊規模遠不如車企的現實，實測數據處於劣勢。當時仍屬內部團隊的景爍，率先走向一條不同的路——用仿真器大量生成長尾場景。無論是上海的直行待轉區、不規則環島，還是三輪車上綁著一棵樹，這些真實路況中偶發但關鍵的場景，都能透過仿真批量生產。而且這套仿真器並非單純模仿類的影片生成，而是真正理解物理法則與因果關係的「世界模擬器」，後來隨著Transformer架構興起，演進成文遠知行的GENESIS世界模型。景爍團隊很早就確立數據基礎設施的核心內涵：不在茫茫數據中撈鑽石，而是直接人工生成鑽石。 這個選擇的意義，在具身智能時代被大幅放大。自動駕駛即使數據不足，至少還能讓測試車合法上路，但具身智能的本質完全不同——無論是高頻需求的工業或家用場景，目前沒有任何玩家擁有具備最低程度泛化性的工程化模型，更沒有像ChatGPT那樣現成的網際網路數據可用。沒有數據，模型迭代不動，具身智能除了展示Demo之外幾乎無法落地。制約的核心因素，正是始終缺少高品質數據基礎設施來形成閉環，為模型提供起步的動力。 景爍科技對數據基礎設施的思考，是從「模型還需要什麼才能突破」出發。他們將產品設計為三層架構，環環相扣：底層是WorldEngine，這是一套標準化數據模型底座，由同一世界模型驅動，覆蓋從採集、治理、標註、合成、評測到部署的完整閉環。部署後的真實數據還會回流到採集端，校正下一輪迭代。對於客戶而言，有了這套閉環，工程師就能把精力集中在模型優化上，而非整天與數據搏鬥。 採集硬體方面，景爍全棧自研了EGOK設備，配備雙目相機、近紅外陣列，能即時輸出深度數據與亞毫米級手部追蹤，延遲僅8毫秒，整機重量280克，續航超過5小時，功耗比傳統方案低40%。更關鍵的是，這套設備從採集那一刻起，「手—物—場景—動作」就已經對齊，全鏈路模組同源同標，無需事後人工拼接。世界模型還會根據當前數據分布，自動規劃高價值採集目標，而非盲目收集。 中間層是GENESIS-Robotics世界模型，這套核心引擎採用名為Transfusion的路線，在同一個Transformer中讓語言、策略、圖像、影片各自走不同的計算路徑，但共享參數。這樣的設計讓模型同時具備三項能力：世界理解——給定當前狀態與動作，預測下一個物理狀態；數據合成——基於對世界的理解，生成物理合理的新場景與交互數據；策略生成——給定狀態與目標，直接輸出動作。三件事共享參數，形成飛輪效應：模型越強，合成數據越好，下游模型更強，採集策略更精準，真實數據品質更高，反過來又讓模型更強。 最上層是SkillForge，物理AI的資產引擎，內含開箱即用的技能包（Skill Pack），涵蓋廚房場景、客廳整理、工業操作等領域。每個技能包都覆蓋完整任務鏈路，從場景設計、多模態對齊樣本、4D空間標註，到品質評價與模型驗證報告，客戶拿到即可投入訓練。SkillForge不是單純的數據集市場，而是根據模型訓練需求組織技能包，經WorldEngine全流程驗證，並附帶三層評測結果。客戶拿到的不是一堆影片，而是經過驗證、可直接用於訓練的技能。目前SkillForge擁有超過50萬小時的真實交互數據、5000萬個任務片段、200多個標準化技能包，涵蓋家庭、製造、零售、教育四大領域，共50多個核心場景與1000多個任務變體。 景爍科技的產品設計核心，在於他們深刻理解具身智能的數據基礎問題目前根本沒有標準答案。唯有運用自動駕駛時代十年積累的方法論與模型能力，才能有效回應這個難題。因為有自己的模型，就能驗證數據的有效性，並直接定義「什麼數據有用」。這使得「數據即服務」的概念在具身智能賽道被景爍進一步升級為「數據基礎設施即服務」，並且跨本體的泛化性也更具優勢。 具身智能熱了三年，融資規模一輪比一輪大，但整體進展遠不如預期。2026年已過半，市場仍在等待物理AI的「ChatGPT時刻」。制約因素不在演算法，Transformer架構已被證明在物理任務中依然有效；也不在硬體，中國製造業已能將機器人本體的性能與成本做到極致。但機器人展示依然停留在熱鬧的Demo階段，距離真正完成物理世界的複雜任務仍有明顯鴻溝。根據統計，今年國內具身智能賽道融資約438億元，其中超過一半——約241億元——湧入了「具身大腦」方向的創業公司。多模態、能準確認知物理法則與因果關係的大模型，被視為商業價值兌現的關鍵，但景爍科技在此時被熱議，反映了一個殘酷的事實：沒有高品質數據，連「開始訓練」這一步都跨不出去。 如今大部分具身智能創業團隊沒有經歷過自動駕駛時代的規模化落地交付，往往將數據問題想得太簡單。大語言模型的ChatGPT時刻建立在網際網路數十年積累的海量文本之上，但物理AI沒有這樣的歷史紅利。機器人的行為數據必須從零開始累積，目前業界共識是通用具身模型至少需要上千萬小時的高品質交互數據，甚至上億小時。自建數據基礎設施雖然是一個選項，但創業團隊必須回答兩個尖銳問題：時間夠不夠？成本值不值？多數公司根本沒有這樣的資源與時間窗口。更關鍵的是，這套體系的know how——知道模型缺什麼、什麼數據真正有用、如何設計數據才能讓模型能力躍升——必須在完整的業務場景中跑通閉環，經過足夠多案例才能累積。 景爍提供了另一條路徑：三層架構打包交付，工程師拿到手就能開始訓練模型。畢竟不是每個團隊都需要從零挖地基，善用別人的成熟基礎建設，把資源集中在模型與場景上，在成本與研發進度上都是更理性的選擇。執行長霍達對行業有一個判斷：具身智能從狂熱梭哈轉向審慎理智，這個轉變可能不久就會到來。這樣的情節對自動駕駛老兵來說再熟悉不過——風口來臨時所有人都在猛踩油門，資金湧入，故事被講出來，但很快投資人與市場開始質疑：融了這麼多錢，到底能交出什麼？文遠知行經歷過這個階段，景爍團隊也經歷過，因此他們深知數據基礎設施必須走在前面。 景爍的切入點很清楚：在行業起步最需要動力的時候，提供基礎設施支撐，這是整個產業從「手工雕琢」邁向「工業化流水線生產」的關鍵一步。這套邏輯有現成的參照系——2017年的英偉達，當時多被視為遊戲顯卡供應商，沒人料到它會成為AI浪潮中最不可或缺的存在；2017年的寧德時代，處境也幾乎相同。物理AI正在進入同樣的轉折點。景爍的選擇，就是提前站在這個位置上，不做整機，不做大腦，專注於那件最終誰都繞不開的事。具身智能公司不必再從零累積物理世界經驗，不必花數年搭建數據飛輪，可以直接調用景爍的世界模型能力，購買開箱即用的技能包。這支在自動駕駛淘汰賽中成功勝出、技術方案已充分驗證的團隊，已經準備好答案。