在風(fēng)險投資圈里，有個經(jīng)典的投資人提問叫做“護(hù)城河”。

這個詞是巴菲特帶火的。老爺子說，那些帶來豐厚投資回報的企業(yè)，普遍都擁有足夠?qū)挕⒆銐蛏畹淖o(hù)城河，確保了競爭對手無法在短期內(nèi)搶走他們的業(yè)務(wù)，也讓對手與他們的競爭變成了一場非常不劃算的“消耗戰(zhàn)”，進(jìn)而幫助他們盡可能地遠(yuǎn)離市場波動，專注地投入到業(yè)務(wù)上——于是在老爺子巨大的“財富效應(yīng)”照耀下，每個風(fēng)險投資人都開始習(xí)慣性地在聊項目的時候，問一句“你們的護(hù)城河”是什么？

移動互聯(lián)網(wǎng)時代的創(chuàng)業(yè)者會說，護(hù)城河是他們無敵的“地推鐵軍”。電商時代的創(chuàng)業(yè)者說，護(hù)城河是他們極致的“供應(yīng)鏈管理”。新消費時代的創(chuàng)業(yè)者可能說，護(hù)城河是他們敏銳的市場洞察。

而對于人工智能時代的創(chuàng)業(yè)者來說，這個問題的最佳答案，大概率將是“數(shù)據(jù)”。

雖然人們一聊起人工智能創(chuàng)業(yè)，就本能地想到“算力”和“電力”，還編出了一句順口溜叫“人工智能的盡頭是算力，算力的盡頭是能源”。但歸根結(jié)底，無論是算力還是電力都是為“最終結(jié)果”服務(wù)的，而決定人工智能“最終結(jié)果”的正是“數(shù)據(jù)”。硅谷最頂級的AI投資人之一、A16z創(chuàng)始人馬克·安德森就在他的個人播客里非常直白地指出，AI時代真正的創(chuàng)業(yè)瓶頸并不是“算力”，而是“訓(xùn)練數(shù)據(jù)”，因為數(shù)據(jù)不僅是“有限的”，還是有“所有權(quán)的”。

他們還統(tǒng)計到了這樣一組數(shù)據(jù)，在2023年4月至2024年4月期間，由于網(wǎng)站嚴(yán)厲打擊將其文本、圖像和視頻用于人工智能訓(xùn)練，所有數(shù)據(jù)中有5%是無法被創(chuàng)業(yè)者們抓取的——如果僅統(tǒng)計“真正有訓(xùn)練價值的數(shù)據(jù)”，那么這部分無法被抓取的數(shù)據(jù)占到了整體的25%。

有傳聞稱，就連人工智能的頭部企業(yè)OpenAI也備受“數(shù)據(jù)困擾”，甚至不得不采取了這樣的“笨辦法”：他們設(shè)立了一個名為“人類數(shù)據(jù)團(tuán)隊”的部門，聘請數(shù)千名程序員、醫(yī)生、律師，讓他們親手撰寫問題的答案，以便訓(xùn)練人工智能。

可以說，誰有辦法在技術(shù)層面有效地解決“數(shù)據(jù)”問題，誰就真正找到了人工智能創(chuàng)業(yè)的金鑰匙。也正是在這樣的前提下，一支來自深圳的青年創(chuàng)業(yè)團(tuán)隊脫穎而出：

據(jù)投中網(wǎng)獲悉，視頻具身數(shù)采企業(yè)樞途科技（SynaData）于近日正式完成天使+輪融資，距離由東方富海及兼固資本領(lǐng)投的天使輪融資時隔僅僅兩個月。本輪由辰韜資本獨家投資，深藍(lán)資本擔(dān)任長期獨家財務(wù)顧問，融資資金將主要用于SynaData數(shù)據(jù)管線的進(jìn)一步提升和工程化、大規(guī)模數(shù)據(jù)集的生產(chǎn)和交付、以及人才團(tuán)隊的持續(xù)擴(kuò)充。

尋找數(shù)據(jù)集，難在哪里？

正如上文所說，雖然肉眼可見的是近幾年來人工智能模型能力越來越強、AI Agent應(yīng)用領(lǐng)域越來越廣泛、具身智能動作越來越復(fù)雜，但主流的數(shù)據(jù)生產(chǎn)方式，卻依舊停留在“人類手把手示范”的時代。如今全國各地遍地開花的具身智能訓(xùn)練中心就是一個非常具體的場景——在正式投入使用之前，需要大量工作人員用牽引遙控的方式，幫助機(jī)器人在特定的使用場景內(nèi)不斷重復(fù)指定動作，以此來積累足夠的數(shù)據(jù)。

而痛點即市場空間。近年來，人工智能領(lǐng)域里也涌現(xiàn)了大量的“數(shù)據(jù)集供應(yīng)商”，其中不乏明星公司。比如被Meta以300億美元估值收購的Scale AI，定位就是人工智能數(shù)據(jù)標(biāo)注和標(biāo)記服務(wù)。此外，像Snowflake、Databricks這些傳統(tǒng)數(shù)據(jù)庫供應(yīng)商也在近幾年完成了轉(zhuǎn)型，本著“近水樓臺先得月”的優(yōu)勢推出了經(jīng)過清洗、結(jié)構(gòu)化、經(jīng)過預(yù)處理的即用型數(shù)據(jù)集，進(jìn)而吃盡了人工智能的增長紅利——據(jù)最新的報道顯示，Databricks已經(jīng)啟動了最新一輪融資，估值達(dá)到了1340億美元（約合人民幣9466.3億元），相較于去年年底的上一輪融資直接翻倍。

但問題在于，目前這些數(shù)據(jù)供應(yīng)商們所采取的技術(shù)路線，均存在著自身難以解決的難點。

例如Scale AI采用的人機(jī)協(xié)作采集和標(biāo)記路線雖然門檻低、起步快，但隨著產(chǎn)品應(yīng)用得更加廣泛，再加上抓取的內(nèi)容需要進(jìn)行大量的清理、去重和規(guī)范化才能使用，這種技術(shù)路線對應(yīng)的成本將幾何倍增加，對大型數(shù)據(jù)集需求的擴(kuò)展性有著明顯的天花板。而Snowflake、Databricks這些專業(yè)數(shù)據(jù)供應(yīng)商雖然能保證數(shù)據(jù)質(zhì)量與合規(guī)問題，但數(shù)據(jù)更新的及時性以及核心數(shù)據(jù)的完整性都大打折扣。

上圖來自A16z，研究樣本是“AI客服”。A16z分析師指出，在現(xiàn)有的數(shù)據(jù)采集技術(shù)路線下，訓(xùn)練AI客服的時候，最開始的投入還是具備“性價比”的，能夠做到“一分耕耘一分收獲”——20%的成本投入能覆蓋約20%的客戶用例。但在跨越20%之后，每多覆蓋一個用例，所需的數(shù)據(jù)收集和清理成本會急劇上升，最終在覆蓋40%客戶用例的水平上出現(xiàn)停滯，很難出現(xiàn)提升。

再回到上文我們提到的“具身智能訓(xùn)練中心”案例�！叭斯び�(xùn)練”雖然看起來很“原始”，但對于尚處發(fā)展初期的、不得不兼顧成本與發(fā)展需要的具身智能企業(yè)們來說，并沒有太多選擇。以至于具身智能的創(chuàng)業(yè)者們逐漸進(jìn)入了另一種困境：

一方面，行業(yè)在訓(xùn)練中心上的投入規(guī)模越來越大、訓(xùn)練中心的數(shù)量越來越多；另一方面由于各本體形態(tài)、結(jié)構(gòu)差異巨大，通過自建訓(xùn)練中心采到的數(shù)據(jù)往往只能用于自家訓(xùn)練，無法跨廠商復(fù)用，形成大量“數(shù)據(jù)孤島”。

如果用細(xì)分領(lǐng)域內(nèi)最大的數(shù)據(jù)集進(jìn)行橫向?qū)Ρ龋款i更加一目了然：

? 文本：15T Tokens

? 圖像：6B Image-Text Pairs

? 視頻：2.6B Audio/Visual Features

? 具身智能：僅2.4M Episodes

也就是說，沒有規(guī)�；�、可泛化、可遷移的高質(zhì)量數(shù)據(jù)，是人工智能應(yīng)用目前最大的瓶頸，而具身模型則是人工智能細(xì)分賽道中，受到這個瓶頸制約最嚴(yán)重的那一個，也與具身智能今年以來熱鬧的融資節(jié)奏形成了一個非�！按萄邸钡姆床睢�

像人類一樣，學(xué)會“看”

那么樞途科技提出的解決方案是什么呢？

樞途科技成立于2024年，公司成員平均年齡不到28歲，核心研發(fā)成員來自于清華大學(xué)、上海交通大學(xué)、美國佐治亞理工、卡內(nèi)基梅隆大學(xué)、斯坦福大學(xué)、香港科技大學(xué)等海內(nèi)外頂尖高校實驗室，對具身智能數(shù)據(jù)采集及處理、具身智能模型架構(gòu)設(shè)計有深入的探索和顛覆式的思考；

他們的共識是，在所有AI技術(shù)浪潮里，真正的拐點從來不是“功能變強”，而是“學(xué)習(xí)方式改變”——從監(jiān)督學(xué)習(xí)到自監(jiān)督學(xué)習(xí)，從大規(guī)模文本到通用多模態(tài)語料，正是每一次學(xué)習(xí)方式的迭代帶來了成本結(jié)構(gòu)被改寫、能力邊界被重新定義。

而人類作為目前已知學(xué)習(xí)能力最強的生物，人類對于動作、技能的習(xí)得并不是依靠別人手把手教會我們每一個動作，而是通過觀察大量行為，自然習(xí)得動作背后的規(guī)律。因此他們認(rèn)為，如果要真正有效地解決具身智能現(xiàn)在面臨的困境，那么就要想辦法幫助機(jī)器人用更高效的方式理解物理世界的行為和動作；要找到一種媒介將物理世界行為轉(zhuǎn)化為虛擬世界數(shù)據(jù)，讓機(jī)器人有能力從這些數(shù)據(jù)中習(xí)得物理世界的常識與行為模式，這個媒介就是“視頻數(shù)據(jù)”。

當(dāng)然“視頻數(shù)據(jù)”并不是一個全新的技術(shù)概念。時間回到今年5月，特斯拉工程主管米蘭·科瓦奇（Milan Kovac）通過X平臺宣布，Optimus將正式告別傳統(tǒng)的動作捕捉和遠(yuǎn)程操控訓(xùn)練方式，全面轉(zhuǎn)向基于視頻數(shù)據(jù)的“純視覺”AI訓(xùn)練模式。他強調(diào)：“我們的目標(biāo)之一是讓Optimus直接從人類執(zhí)行任務(wù)的互聯(lián)網(wǎng)視頻中學(xué)習(xí)。這些視頻通常是隨機(jī)攝像頭捕捉到的第三人稱視角�！�

此外，國外的Skild AI提出了利用視頻數(shù)據(jù)解決數(shù)據(jù)瓶頸的方法；國內(nèi)的逐際動力、千尋智能、BeingBeyond都提出采用視頻數(shù)據(jù)來提升機(jī)器人的智能水平，具身智能產(chǎn)業(yè)正在迅速達(dá)成一個共識，即傳統(tǒng)依賴遙操作和動捕技術(shù)的數(shù)據(jù)采集路徑，因其高成本和難以規(guī)�；奶匦�，已成為制約具身智能發(fā)展的關(guān)鍵瓶頸。

樞途的差異化在于，他們構(gòu)建了一套名為SynaData的自動化數(shù)據(jù)管線，將海量真實世界視頻轉(zhuǎn)化為適用于具身智能的通用訓(xùn)練數(shù)據(jù)，讓模型能夠從中提取動作邏輯、空間模式和行為線索——并最終遷移到不同的機(jī)器人形態(tài)與任務(wù)場景中。

技術(shù)上，從普通的人-物交互2D視頻中提取模型訓(xùn)練所需的“具身數(shù)據(jù)”，最重要的一步是對視頻進(jìn)行高精度的升維重建，SynaData通過結(jié)合海量先驗知識庫與多模態(tài)融合算法，將視頻中缺失的深度信息、空間結(jié)構(gòu)與物體形態(tài)精準(zhǔn)還原，提取高精度的人體骨架三維連續(xù)動作序列、物體平移旋轉(zhuǎn)軌跡、物體mesh等關(guān)鍵數(shù)據(jù)模態(tài)，并將收集到的人物交互數(shù)據(jù)以通用的標(biāo)準(zhǔn)化形式存儲，成為能夠賦能全行業(yè)不同玩家的Raw Data。

重建精度是決定數(shù)據(jù)價值的絕對核心：當(dāng)機(jī)器人執(zhí)行交互動作時，操作誤差往往決定了任務(wù)成敗。SynaData已將視頻重建誤差從傳統(tǒng)方法普遍存在的±5cm降低至±5mm，實現(xiàn)了數(shù)量級的精度突破。毫米級的重建能力，使得視頻數(shù)據(jù)真正具備了“可被機(jī)器人直接學(xué)習(xí)”的質(zhì)量標(biāo)準(zhǔn)，也讓數(shù)據(jù)從“不可控樣本”變成“可擴(kuò)展生產(chǎn)要素”，推動行業(yè)進(jìn)入數(shù)據(jù)自主生成和復(fù)用的新階段。

視頻數(shù)據(jù)在被升維后，仍需解決“能否遷移到不同本體上訓(xùn)練”的關(guān)鍵問題。具身智能領(lǐng)域長期存在的挑戰(zhàn)，是缺乏一種可靠的跨域Retargeting能力，能夠把“人類動作點”與“機(jī)械臂/人形機(jī)器人結(jié)構(gòu)”進(jìn)行逐點映射，使其在動力學(xué)差異和結(jié)構(gòu)差異下仍能穩(wěn)定執(zhí)行動作。

SynaData通過動態(tài)結(jié)構(gòu)適配算法，將human-to-humanoid的模仿學(xué)習(xí)誤差降低超過50%，任務(wù)成功率提升40%。這一能力讓不同機(jī)器人可以共享同一數(shù)據(jù)源，也讓“數(shù)據(jù)跨本體復(fù)用”成為現(xiàn)實，從根本上打破了數(shù)據(jù)孤島。

在實際驗證中，樞途SynaData已經(jīng)跑通RDT、π0.5、智元Go-1、Diffusion Policy、ACT等主流開源VLA具身模型，是業(yè)內(nèi)唯一完成多家第三方模型端到端驗證的數(shù)據(jù)公司，并已在多家頭部具身獨角獸公司完成數(shù)據(jù)驗證，商業(yè)化閉環(huán)全面跑通。

更具想象空間的是，SynaData的數(shù)據(jù)管線不僅能夠提取標(biāo)準(zhǔn)幾何與軌跡信息，更能利用現(xiàn)實世界中更豐富的模態(tài)，將模型從“模態(tài)不足”的限制中解放出來，使下一代具身模型能夠成長出更豐富、更強大的抽象與理解能力。

樞途也正是基于這樣的能力，自成立以后很快就得到了資本市場以及產(chǎn)業(yè)方的廣泛關(guān)注：

2024年12月，樞途科技拿到了自成立以來的第一筆融資，投資方為奇績創(chuàng)壇創(chuàng)始人陸奇博士；

2025年8月，英偉達(dá)在其官方公眾號“NVIDIA英偉達(dá)中國”中，將SynaData視為“NVIDIA全棧技術(shù)加速樞途科技構(gòu)建具身訓(xùn)練數(shù)據(jù)新范式”，認(rèn)為其實現(xiàn)了2D視頻到3D數(shù)據(jù)的高速重建，以及3D數(shù)據(jù)至具身多模態(tài)訓(xùn)練數(shù)據(jù)的高速提取，并將所提取的具身多模態(tài)訓(xùn)練數(shù)據(jù)與 Isaac Sim平臺進(jìn)行了融合，實現(xiàn)了從視頻3D重建、軌跡等多模態(tài)數(shù)據(jù)提取、仿真環(huán)境融合、VLA模型訓(xùn)練的全棧批量化視頻數(shù)據(jù)具身模型訓(xùn)練閉環(huán)；

2025年9月，樞途科技獲得了2025高通創(chuàng)投-紅杉中國創(chuàng)業(yè)大賽冠軍。隨后，樞途科技公布了規(guī)模為數(shù)千萬元人民幣的天使輪融資，由東方富海及兼固資本聯(lián)合領(lǐng)投。

從“資源”變?yōu)椤盎A(chǔ)設(shè)施”

從楊立昆、李飛飛們近段時間大談的“世界模型”，再到特斯拉、樞途科技發(fā)力的“視頻數(shù)據(jù)”，我們可以看到在人工智能的發(fā)展曲線上，數(shù)據(jù)不再只是支撐模型的輔助資源，而逐漸成為能否規(guī)�；⒛芊衤涞�、能否持續(xù)進(jìn)化的關(guān)鍵基建。

尤其是對于具身智能而言，作為人工智能最具象化的承載，也是人類下一階段無可爭議的發(fā)展方向，其對數(shù)據(jù)的要求遠(yuǎn)高于其他模態(tài)：場景更復(fù)雜、交互更多樣、動作更連續(xù)、物理規(guī)律更細(xì)膩。因此，誰能率先建立可擴(kuò)展的數(shù)據(jù)體系，誰就掌握了行業(yè)的供給側(cè)入口。

這些前提決定了樞途科技的涌現(xiàn)是一個開始：2025年勢如潮水的創(chuàng)業(yè)潮、融資潮代表的更多是“未來增長的共識”，而并非“產(chǎn)業(yè)發(fā)展程度”的肯定——人工智能以及具身智能想要成為一個完整的、正向循環(huán)的、有通暢產(chǎn)品開發(fā)路線的產(chǎn)業(yè)，就需要不依賴單一本體、不受限于單一場景，站在產(chǎn)業(yè)鏈上游的大量“基礎(chǔ)設(shè)施”建設(shè)者們。