芯耀
与非AI
362
大模型厂商正在面对一个看似矛盾的问题：数据预算不再有明确上限，真正能够用于模型训练和调优的高质量数据却供不上。算法人才、领域专家与复杂数据生产能力的稀缺，正取代资金成为新的供给约束。这也在改变AI数据服务的商业模式。
过去，客户提供数据和规则，数据公司按照条数完成标注；现在，双方算法团队需要共同确定模型目标、设计任务、组织专家资源、构建数据集，并以模型效果作为项目验收依据。数据公司交付的已不再是简单的人力和数据量，而是一套融合算法、专家经验与工程能力的生产体系。文德数慧从2019年开展业务至今，先后经历自动驾驶、大模型和具身智能等多轮技术浪潮，目前业务覆盖大模型数据、自动驾驶数据和具身智能数据。
围绕数据类型、价值与生产方式的变化，以及合成数据的定位、具身智能市场集中趋势等问题，爱分析与文德数慧联合创始人孔思思进行了交流。
核心观点
- 大模型数据不缺预算，缺的是高质量数据的生产能力。算法人才、领域专家和组织能力，正在决定数据供给上限。
- 高质量数据正在从按条计费转向按模型结果验收。数据公司必须与客户共同定义任务，并对模型调优效果负责。
- 合成数据仅能补位，无法替代专家数据。高精度数据最终仍要经过模型效果验证和领域专家复核。
- 具身数据竞争的分水岭，正在从"真机产能"转向"场景覆盖度+Ego规模"。真机数据的稀缺性不在小时数，而在真实场景中不可复现的长尾；Ego数据正在被验证为跨具身泛化的可规模化来源。
- 具身智能会向少数头部玩家集中。数据服务公司需走向场景运营和解决方案，形成设备、数据与平台的闭环。
以下为本次访谈实录，在不改变原意基础上略有修改。
01、不押注单一赛道，才能穿越技术周期
爱分析：文德数慧在大模型、自动驾驶和具身智能三个业务板块中，哪个板块占比最高？
孔思思：占比最高的是大模型业务。我们服务国内主流的大模型厂商，既参与基础模型的数据建设，也参与垂直行业模型的数据建设。具身智能是我们一直布局且等待时机的方向，现在由独立的主体元澈智源承接相关业务。
爱分析：很多数据公司曾经全面押注自动驾驶，文德为什么没有这样做？
孔思思：如果整个公司与单一赛道深度绑定，一旦行业收缩，业务和财务都会受到直接影响。文德的稳健，源于对技术产业化节奏的判断。我们不赌赛道，我们赌的是头部客户的技术路线。只要头部客户在持续投入，无论风口是自动驾驶还是大模型，数据服务的底层需求不会消失。
爱分析：文德选择客户的标准是什么？
孔思思：我们长期深耕各行业的头部客户，核心团队具备长期服务大型科技公司的经验，熟悉头部客户的技术标准、采购体系和交付要求，这构成了文德的基本盘。文德最早的客户就是阿里、腾讯、美团等。对头部客户来说，双方反而更容易就事论事，沟通成本相对较低。他们看重的是供应商是否具备真正的技术能力和解决问题的能力。从自动驾驶到大模型，再到具身智能，市场都会经历从大量玩家涌入到少数头部企业胜出的过程。对数据服务公司而言，能否提前预判并进入头部客户的供应链，远比追逐某一阶段的热门赛道更为关键。
02、高质量数据不再按条交付，而是按模型结果验收
爱分析：文德数慧参与大模型训练的哪些环节？
孔思思：我们的业务覆盖预训练、后训练及强化学习，我们基本都参与。不同模型团队所处的阶段不同，部分团队仍在补充基础数据，例如整理高校教材、梳理知识点；部分团队已经开始向金融、法律、医疗等行业延伸；还有一些团队在做难度更高的后训练和强化学习数据。这些项目的数据量不一定很大，但对数据集质量和参与相关研究人员的专业能力要求非常高。
爱分析：高难度数据集具体难在哪里？
孔思思：最难的项目是客户可能只给一个方向，比如金融领域中的某个具体问题，题目需要我们自己构建。很多项目还要求来自真实业务场景，但必须完成脱敏。我们不仅要设计题目，还要给出完整的解题步骤，并为每一个环节设置评价标准：怎样算回答得好，哪里出现问题应该扣多少分。另一种情况是客户提供题目，我们组织专家完成解析，并围绕不同评价点设计评分细则。金融、法律、医疗和学科类的数据占比较高，目前涉及十几个大类。这些内容专业度很高。
爱分析：这与传统的数据标注模式有什么不同？
孔思思：几年前的合作方式，是客户提供模型训练所需的数据和规则，数据公司加工完成后交付，这是传统标注。现在完全不同。文德的算法团队会与客户的算法团队形成一个虚拟的联合实验室。客户下一步要在哪个方向实现商业化，需要针对哪些行业或能力调优，双方会共同讨论。我们再从模型目标倒推应该建设什么数据集。数据集完成后，文德先行内部验收，再交给客户验证效果。数据公司必须真正听懂算法团队要做什么，双方需在技术认知层面实现对等交流。仅具备标注产能而缺乏算法团队的企业，难以进入此类合作。
爱分析：商业模式也发生了变化吗？
孔思思：过去通常按数据条数计费，现在更多是按项目报价、按验收结果结算。客户验证数据集对模型调优是否产生正向作用，项目通过验收后按整体项目结算，不再逐条计价。报价主要考量行业属性、专家级别、资源稀缺性，以及双方技术团队与顾问的沟通成本。部分专家任务完成后即可结束，但当前多数高难度项目需专家与技术团队持续沟通，可能连续多日协同工作，双方投入均很高。文德内部建有测算模型，将专家成本、资源获取难度、技术投入及沟通工作量纳入报价体系，原有的计件制已不再适用。
爱分析：按项目交付，会不会增加亏损风险？
孔思思：这类项目反而是我们毛利相对较高的业务，因为很多项目采用邀约制。双方算法团队已经围绕模型目标磨合了一段时间，再据此定义数据项目并进行商务谈判，而非通过采购流程进行多轮比价。若仅依赖低价竞争，这类高投入项目无法推进。传统数据公司更接近Scale AI的规模化生产模式，现在一部分高难度数据业务已经更接近Surge AI的方式：围绕模型效果，与客户共同定义和完成项目。两种模式会并存，但真正体现技术价值的是后者。
03 、大模型厂商不缺预算，缺的是高质量数据的生产能力
爱分析：与自动驾驶相比，大模型厂商在数据上的投入发生了什么变化？
孔思思：大模型阶段后，头部模型厂商在数据上的预算基本没有明确上限。只要供应商能够提供需要的数据，而且这些数据能够帮助模型达到目标，客户就愿意投入。因此，大模型给数据市场带来了非常大的增量。但现在的问题不是客户没有预算，而是预算花不出去。
爱分析：为什么花不出去？
孔思思：高质量数据的生产效率无法与资金投入等比例增长。基础标注可以通过增加人员扩大规模，但高质量模型数据需要算法人员理解训练目标，也需要金融、法律、医疗等领域专家参与。算法能力、专家资源和项目组织能力都很难在短时间内复制。市场空间扩大了，但真正能完成高难度数据项目的公司反而变少了。过去自动驾驶阶段有很多数据服务商，现在还能进入头部大模型厂商核心供应链的已经非常集中。
爱分析：供给瓶颈是什么？
孔思思：一方面是算法团队。大模型和具身智能同步崛起，算法人才非常紧缺，即便企业提供翻倍薪酬，也未必能招到合适人员，新公司更通过股权与未来预期吸引人才。文德既要保留现有算法团队，亦需持续补充新人。二是垂直领域专家。数据公司、大模型厂商及新进入者均争夺金融、法律、医疗等行业专家资源，专家被市场快速分散，成为行业共同的瓶颈。真正困难的并非找到专业人士完成单一题目，而是找到具备专业能力、愿意持续参与数据生产、并能与算法团队反复沟通协作的人才。
爱分析：模型厂商为什么不自己建设数据团队？
孔思思：厂商内部会承担部分工作，但难以承担大部分数据生产。厂商可完成数据生产的起始与验证环节，而规模化交付仍需依赖外部专业团队。
爱分析：数据公司怎样把专家资源转化为稳定产能？
孔思思：不能只是建立一个专家名单。专家能不能参与、什么时候能够参与、是否愿意持续沟通，以及他的工作能否被拆解和验收，都是不同的问题。一个高质量项目可能需要调动几千甚至上万人的外围资源，但真正决定项目质量的是其中的算法团队、项目顾问和核心专家。数据公司要把客户的模型目标拆成专家能够执行的任务，再把专家产出的内容转化成算法团队能够使用和验收的数据，中间还要处理沟通、质量控制、交叉验证和交付时间等。这也是为什么大模型数据服务越来越不像传统的人力外包，而更接近一个由算法、专家和工程交付共同组成的技术服务体系。
04 、合成数据无法替代专家数据
爱分析：合成数据在大模型训练中能发挥多大作用？
孔思思：与具身智能相比，合成数据在大模型中的应用范围更广。一些多模态、图像类或者对精度要求没有那么高的数据，可以通过合成方式扩充。不同来源的数据需要转换为统一格式时，合成技术也可以发挥作用，把多种类型的数据处理成模型能够使用的形态。所以，合成数据有价值，但它更多解决的是基础扩充、格式转换和部分长尾问题。
爱分析：它能替代专家生产的数据吗？
孔思思：目前无法替代，尤其是在高精度和高专业度的任务中。我们做过一些数据集，其中近九成由团队和专家生产，少量尝试使用合成数据。合成虽能降低成本，但该部分数据往往难以通过客户验收。大模型数据交付具有严格的时间窗口，客户在特定训练节点使用数据，若未在规定时间内通过验收，错过训练与调优窗口，即便后续修正也可能丧失时效性。因此，能否合成并非核心，最终能否改善模型效果、按时通过验收才是关键。
爱分析：合成数据在哪些领域已经比较成熟？
孔思思：自动驾驶中的合成数据相对成熟，但大模型的高难度任务需要专家判断，具身智能的数据维度又更加复杂，仅靠合成很难还原真实环境。更本质的瓶颈不在渲染，而在接触物理与可变形物体的仿真保真度——布料、绳索、食物、液体的模拟要么极慢、要么极不准，而这些恰恰是操作任务的大头，再叠加视觉上的sim2real差距，图形学路线的合成在具身领域天花板是明显的。所以，现阶段更合理的定位是合成数据以补充为主，无法替代专家数据。高精度数据最终仍需经过模型效果验证和领域专家复核。但需要说明的是，"合成"的定义本身正在变化：生成式世界模型正在成为一种"学出来的模拟器"，最新的工作已经把三秒、三视角操作视频的生成时间压缩了约两个数量级，并明确表示这个质量已可用于规划与评估。这条路线绕开了手写物理引擎的全部难题，是我们持续跟踪的变量，我们的判断是短期内它替代不了专家数据，但不会低估它。
爱分析：文德会采购外部数据吗？
孔思思：会采购。我们的外部生态合作伙伴提供部分基础数据。随着数据服务流程延长，完整任务被拆分为多个环节，合作伙伴可能仅负责基础素材，并不知晓数据最终用于何种模型或任务。
05 、具身数据会向头部集中，数据厂商必须走向解决方案X
爱分析：具身智能很像当年的“百模大战”，文德怎样判断这轮机会？
孔思思：我们已经经历过自动驾驶和大模型两轮市场变化，这两个市场最后真正跑出来的只有少数几家，具身智能很可能也会经历相似的过程。所以，我们选择客户非常谨慎。目前正式签约并稳定交付的，基本都是已经进入Pre-IPO阶段的头部企业。我们会考察客户的融资背景、本体的出货量和研发上的持续投入能力。头部三四家相对更确定，再往后的企业就很难判断。
爱分析：具身智能分为“大脑”和“小脑”，文德主要服务哪个方向？
孔思思：与其说"大脑"和"小脑"，我们更习惯按训练流程来分：Ego数据用于预训练，UMI数据用于预训练与中期对齐，真机数据用于后训练与场景对齐。按能力划分，我们的重心确实在"大脑"侧；但三类数据我们都在生产，因为今天主流的具身基础模型都是端到端的，语义理解与动作生成在同一个模型里，梯度是打通的，"大脑/小脑"这个二分法本身正在失效。目前部分机器人产品更偏向展示功能，与工业和服务场景相比，这类场景的数据需求相对碎片化。具身智能最终需要进入工业、康养和真实服务场景，解决人的工作和生活问题。真正能够长期落地的，是机器人能不能在真实场景中持续工作。所以，我们主要服务的是让机器人听懂自然语言指令、理解场景语义、分解复杂任务、进行多步推理，以及在执行过程中对环境和自身状态做出逻辑判断，并能够真实场景中“用”起来。
爱分析：这些场景需要什么类型的数据？
孔思思：我们目前同时生产真机数据、Ego（第一人称）数据、UMI数据和少量合成数据。其中UMI是一种手持夹爪加广角相机的采集方式，通过SLAM解算末端位姿；它的特殊价值在于采集端与机器人末端形态一致，具身差距在硬件设计层面就被消掉了一部分。这里有两个趋势值得关注。一是真机数据的产能门槛正在快速抬高。拥有少量机器人无法形成真机数据生产能力，元澈智源目前有超300台本体设备，可进行24小时数据生产。二是Ego数据正在经历一场根本性的变革。今年2月，英伟达联合伯克利等机构的EgoScale工作，用两万余小时带动作标签的第一人称人类视频，首次验证了灵巧操作上的缩放定律；到8月，Dyna Robotics的Dyna-2把规模推到一百万小时，并首次证明了零样本的跨具身迁移缩放定律，模型在预训练中从未出现过的机器人数据上，性能随人类数据规模可预测地提升。半年之内连续两个量级的验证，行业信号已经非常明确。更关键的是根据最新具身框架Dyna-2的消融结论：未标注的纯视频本身就是一条独立的缩放轴。固定带标签数据量不变、只增加仅用于视频预测的纯视频，模型在未见过的机器人数据上的误差仍单调下降。这意味着Ego数据的定位彻底变了，它不再是真机数据的廉价替代，而是获得跨本体通用物理先验的一种可规模化路径。
爱分析：真机数据的价值体现在哪里？
孔思思：真机数据必须由真实本体设备在不同真实场景中采集的数据，机器人在执行任务时形成的数据，需要完成采集、回传、处理和再训练，整个链路都与具身本体相关。Ego数据的价值不只是"规模"，更是"跨具身"。最新Dyna-2模型的消融里有一个很关键的对照：增加纯视频数据对模型在人类数据上的表现几乎没有帮助、甚至略有损害，收益几乎全部体现在跨具身泛化上。换句话说，Ego视频买的不是便宜的替代品，而是一套与本体无关的物理先验——这是真机数据无论堆多少都换不来的。当Ego数据规模化之后，机器人可以在进入真实场景之前，先通过人类演示视频完成大量的基础能力学习。具身数据也不只有视觉感知，还包括触觉、角度、深度等信息，这些数据维度比自动驾驶更加复杂。在真实环境中，这些信息都不容易完整表达，合成数据就更难还原。因此，两者的分工正在变得清晰：Ego数据负责预训练阶段的规模与跨具身先验，真机数据负责后训练阶段的场景对齐与长尾覆盖。真机数据依然更为珍贵、现阶段也更难被替代，但它的珍贵之处正在从"时长"转向"真实场景中不可复现的长尾"，同一个巡检动作，在雨天、逆光、地面反光、人群密集这四种条件下就是四份数据，这是实验室里造不出来的。而Ego数据正在从"可选项"变成"必选项"，增量空间巨大。
爱分析：具身智能客户现在有足够的付费能力吗？
孔思思：从实际合作情况来看，头部客户的付费意愿和支付能力均处于健康水平。今年，我们在具身数据业务上已实现数千万元的确认收入，且不只是合同金额。参照自动驾驶和大模型的发展轨迹，我们判断，具身智能赛道同样将经历大规模整合，最终形成由少数头部企业主导的格局。届时，市场需求将高度集中至这些胜出的头部公司，每一家所需的数据量将呈指数级增长。所以，我们在赛道选择上始终坚持聚焦头部客户。头部客户不仅当下需求量充足、商务条件优越，更关键的是它们具备持续研发投入能力和长期商业化前景，能够穿越行业周期。
爱分析：文德和元澈怎么分工？
孔思思：两家公司面向不同的技术体系。文德数慧主要服务大模型数据，对硬件需求较少；元澈智源面向具身智能，需依托真实设备、场景建设与持续运营。双方分别设有独立的研发团队。元澈智源今年已积累超过15万小时真机数据，另有大量UMI与Ego数据。这些数据将成为重要资产，但元澈智源的目标并非简单重复出售数据，而是进一步发展为具身智能解决方案公司。
爱分析：为什么元澈智源还要要去做解决方案？
孔思思：一个真实场景不可能仅靠数台机器人即可解决问题，还需相关的配套硬件，以及平台、软件与多设备之间的联调，单纯增加机器人数量无法自动形成完整方案。元澈智源正在运营宜宾机器人公园（宜宾山湖天地公园），园区内整合了机器人巡检、机器人体育竞技场景、空地一体配送、机器人娱乐互动等多种服务能力，覆盖了具身智能在公共空间中的典型任务谱系。以巡检场景为例，机器人不仅需完成常规路径巡视与环境监测，更需具备对异常事件的实时感知与跨系统响应能力。当巡检机器人检测到儿童摔倒等突发状况时，能够即时识别事件类型、判断紧急程度，并将信息同步推送至园区医务室及相关管理终端，实现从感知到决策再到行动的全链路闭环。这一项目也是元澈智源验证解决方案能力的样板。而且，不同本体厂商的设备需在同一场景中协同作业，数据持续回流以改进现有能力。与单一本体厂商相比，元澈智源可兼容多种机器人本体与场景数据，并与合作方共同享有采集数据的相关权益。
