【海外机器人数据公司XDOF融资情况如何】就在国内一级市场对具身智能的投资逐渐收紧之时海外一家做机器人数据训练的公司三个月融两轮已经跻身百亿独角兽行列。不久前机器人数据公司XDOF传出新一轮融资消息估值约12亿美元折合人民币超过百亿元。距离公司今年6月宣布完成7000万美元A轮融资仅仅过去约三个月。【XDOF公司的基本情况是怎样的】XDOF成立于2024年由Philipp Wu、Fred Shentu和Nemo Jin共同创立。公司的技术基础之一是伯克利机器人学习研究中发展出来的GELLO远程操作系统。这家公司既不做模型也不造人形机器人而是做着一门看上去并不性感的数据生意——为机器人收集、整理和处理真实世界中的交互数据。但就是这样一家“卖数据”的公司却获得了a16z、Thrive Capital等明星机构的青睐。目前XDOF的这笔融资仍属于拟议交易具体融资金额、估值是否包含新资金等细节尚未得到公开确认。但无论最终交易如何落地这笔融资至少释放出了一个值得关注的信号随着大模型和机器人产业进入新的发展阶段曾经被视为人力密集型、缺乏想象空间的数据生意正在被资本重新审视。【XDOF创始人及相关背景是怎样的】“数据质量往往是深度学习中被忽视的功臣。”这句话是Phililp Wu在推特转发团队的一篇研究文章时所写下的。 Phillp Wu是XDOF的创始人。他所在的伯克利本身就是全球机器人学习、强化学习和具身智能研究的重要学术中心。国内具身智能圈流传的“伯克利归国四子”也从侧面说明了这所学校在中国创业者和投资人中的影响力。XDOF创始人Philipp Wu研究起点也是机器人本身。从领英公开履历看他曾在加州大学伯克利分校机器人学习实验室从事本科研究师从Pieter Abbeel教授研究机器人控制。2022年7月至2024年8月他还曾在Meta担任访问研究员研究多模态机器人基础模型。 Pieter Abbeel是加州大学伯克利分校教授、机器人学习实验室主任也是伯克利人工智能研究院BAIR联合主任。他长期研究机器人如何通过人类示范、强化学习和试错获得技能比如当下我们经常见到的机器人学习折叠衣物、打结、装配等复杂操作均是Abbeel的研究方向他还曾与学生共同创立Covariant将机器人学习技术带入物流仓储场景。2022年伯克利将ACM Prize in Computing授予Abbeel以表彰他在机器人学习领域的研究贡献。Philipp Wu就曾在Covariant担任研究工程师研究物流和仓储机器人的学习技术。【机器人数据生意有何特点】如果把具身智能比作一条新产业链机器人本体是“身体”模型是“大脑”而数据则更像训练过程中的“燃料”。本体厂商需要数据训练模型模型厂商需要数据提升能力数据公司则有机会向多个客户提供服务。因此有投资人将XDOF称为机器人领域的Scale AI或Mercor。 不过这个类比也需要谨慎。Scale AI等公司所处的是互联网数据和模型训练市场xDOF面对的则是一个更复杂的物理世界。与传统工业机器人依靠预先编写的程序不同通用机器人需要面对不断变化的物体、环境和任务。一个人如何抓起一支笔、打开一个瓶盖、折叠一件衣服背后都包含复杂的视觉、动作和反馈过程。机器人要学会这些事情不能只靠工程师为每个动作编写规则而需要大量真实的交互数据。这类数据并不像互联网文本那样天然存在而机器人需要的数据往往必须通过真实操作才能获得。机器人抓取物体时的位姿、手部轨迹、接触反馈、失败原因以及人类如何调整动作都是训练通用机器人所需要的材料。此外机器人训练数据质量要求也更高一个看起来“差不多”的动作可能因为力度、角度、接触位置或时机不同而失败。这也是为什么机器人数据采集不能简单理解为“给机器人拍视频”。它需要同步记录视觉、动作轨迹、机器人状态和任务结果还需要考虑不同机器人之间的动作映射、数据质量控制以及如何从失败和调整中提取有效的学习信号。【XDOF的WARP - RM方案有何作用】今年6月XDOF发布了WARP - RMWarp - Augmented Relative Progress Reward Model方案。研究团队在训练机器人折叠T恤时发现增加更多示范数据后机器人反而表现更差。问题并不在于这些示范最终没有完成任务而在于其中包含了大量停顿、犹豫和反复调整的过程。对模仿学习模型而言这些动作同样会被当作训练信号。WARP - RM试图解决的就是如何从这些数据中识别出真正推动任务进展的部分。通过改变已有轨迹的时间尺度让模型学习判断任务进展的速度某个动作是在推动任务向前还是停滞甚至倒退。这样一来一段原本只有一次示范的数据可以通过不同速度的回放生成更多用于训练的相对进展信号。结果显示在折叠T恤的实验中经过WARP - BC加权训练的策略在不同质量的数据集上都保持了更高的成功率在最干净的数据集上两种方法都完成了20次折叠但加权策略平均用时约64秒普通模仿学习约114秒。【XDOF受资本关注情况如何】众所周知数据问题正在困扰具身行业尽管越来越公司以仿真数据和合成数据作为解决问题的途径但仿真可以扩大数据规模但真实数据决定了这些数据与现实世界之间的距离。如果一家公司能够掌握真实数据采集能力并进一步形成稳定的数据管线、工具和客户网络它的商业价值就可能从数据服务商向训练基础设施供应商升级。今年6月XDOF公开了ABC - 130K数据集包含13万条以上机器人操作轨迹覆盖约200个双臂操作任务并与伯克利等机构合作完成。与此同时这家公司宣布完成7000万美元A轮融资Thrive Capital、a16z、Lux Capital、Spark Capital和WndrCo均参与其中。到了9月xDOF又传出正在洽谈新一轮融资估值约12亿美元。资本密集关注背后这家公司年化收入已接近5000万美元客户包括多家前沿AI实验室。【数据生意的发展模式是怎样的】事实上国内也已经出现了一些大模型数据训练的明星公司和创始人他们今年的融资热度同样颇高。近期和一些投资人交流后发现数据生意的上限不在于卖出多少条轨迹。就像一些早期的数据公司容易被理解为外包服务商客户提出任务公司组织人员采集数据、完成标注再按项目交付。但如果机器人模型的训练需求持续增长这种模式很难支撑更大的商业空间。原因是数据需求并不是一次性的。模型训练需要持续补充新数据模型效果变差时需要重新采集换一个机器人或任务场景又需要新的数据。真正有价值的公司需要把采集、清洗、标注、训练、评测和反馈连接起来形成持续运转的数据生产系统。以XDOF的业务模式为例公司公开强调其业务不仅包括数据集还包括数据管线、采集工具和标注系统。创始团队此前参与开发的GELLO也是一套用于机器人远程操作的数据采集系统。在投资人看来这类公司的上限不一定是成为一家更大的数据外包商而可能是成为机器人训练生态中的基础设施平台。【2026年具身智能融资有何趋势】2026年的具身智能融资已经明显向“大脑”和“数据”两端集中。但这并不意味着所有细分赛道都在同步升温。相反资金正在向更少的项目集中投资人也开始从“技术故事”转向“商业化能力”。国内物理AI数据与评测基础设施企业光轮智能今年以来已连续完成多轮融资融资节奏明显加快 。3月完成10亿元A及A轮融资晋升全球首家具身数据独角兽5月再获新一轮融资由蚂蚁集团领投投后估值超过20亿美元约150亿元人民币6月完成10亿元战略融资三周内两轮合计约20亿元 。“智元系”同样在发力具身智能数据平台基建今年2月由智元机器人内部孵化的物理AI数据服务平台觅蜂科技宣布成立截至2026年8月底累计已完成数亿元融资。不久前第20000套MEgo无本体数据采集设备正式下线。据了解这也是行业首次实现大规模量产无本体数据采集设备。【数据生意未来价值如何】“Garbage ingarbage out。”数据的质量最终决定模型能力的上限。随着机器人逐渐走进真实世界越来越多企业开始进入数据采集领域物理AI的数据供给正在加速增长。尽管眼下的数据积累距离真正支撑机器人智能涌现仍有距离部分数据采集项目的失利也意味着一些资本已经为尚未跑通的技术路线付出了成本。但这并不意味着数据的价值正在消失。恰恰相反随着技术路线逐渐收敛数据会从对数量和质量的追求转向一套围绕数据建立起来的采集、处理和反馈能力。届时数据公司的价值也应当被重新看待。