在2026年，哪个领域将成为热点？
具身智能和物理世界的模型技术今年已吸引超过300亿元的投资，前者代表了实际应用中的人工智能产品，后者则为这些AI提供了训练环境，两者共同构成了物理人工智能的核心组成部分。
虽然物理AI旨在融入真实世界，但仿真路线虽然能以低成本提供大量数据，却难以克服Sim2Real这一核心障碍。而依赖现实数据，则面临成本过高的问题，使得大规模应用变得困难。
因此，在这种矛盾中，行业开始探索虚实结合的方式，为物理AI供应海量的数据资源，并且最近出现了业界首个专门为此服务的平台。
开年以来短短两个月内，具身智能领域已经完成了超过20次融资活动，平均每三天就会有新的投资注入。整个行业的累计投资额已突破了200亿元大关。
大量的资金流入促进了技术进步，使机器人开始从实验舞台转向工厂，并逐步进入家庭生活。
然而，在实际应用中，复杂的非结构化场景需要机器人具备强大的泛化能力。而这又依赖于海量的高质量数据支持。
目前，具身智能领域面临的一个主要挑战就是缺乏足够的高质量数据。与语言模型不同的是，物理AI无法利用互联网上的大量文本和图像信息，它需要包括物理反馈在内的多模态数据。当前行业提供的数据量远不能满足需求，差距可能达到一千万倍以上。
业内目前针对这一问题提出了三种主要解决方案：
- 实际采集真实环境中的数据：成本极高且效率低下
- 虚拟仿真生成数据：虽然生产速度快，但存在Sim2Real的障碍
- 提取互联网视频资源：尽管可用的数据量庞大，却难以有效利用，并且缺失物理模态信息
近期行业内更倾向于采用虚实结合的方法来克服这些难题，通过这种方式为物理AI提供数据基础。首个此类平台近期在浙江德清正式发布。
无问智科近日在德清举行了一场业内瞩目的发布会。地平线创始人余凯博士亲自出席，并且多家行业领军企业也参与其中。
在众多专家的见证下，无问智科CEO刘盛翔发布了首个物理AI数据基座平台“无垠”。这是行业内首次提出“数据基座”这一概念。“数据基座”的核心功能包括：
- 高质量的数据体系：汇集大量真实场景采集和大规模高保真的合成数据
- 有价值的场景生态系统：利用顶尖的仿真技术实现大规模场景泛化与模拟，联合合作伙伴构建丰富的仿真和实际应用场景
- Real2Sim2Real全闭环工具链：实现从数据收集、模型训练、场景评估到市场应用的全流程无缝对接
这三大核心能力分别满足了具身智能玩家在不同层面的需求。
- 数据层：通过多源异构采集与多模态合成，解决了数据稀缺及质量不佳的问题
- 场景层：从训练环境的一比一复刻到德清全域、长三角的高价值真实场景覆盖，实现虚实结合全覆盖
- 工具链层：以先进的技术和工具打造Real2Sim2Real全链条闭环系统，打通数据收集与测试验证间的每个环节
- 应用层：最终实现了从训练到落地的持续优化循环
“无垠”平台作为首个此类数据基座，在发布会上获得了超过140位行业嘉宾的认可。其主要优势在于解决了行业内高质量数据缺失的问题，目前已积累了超千TB的数据量。
为什么无问智科能产生如此庞大的数据集？关键在于其独特的虚实结合技术路线。
真实数据的采集方式包括VR遥操作、外骨骼远程操作、UMI、动作捕捉等多种模式，涵盖了多种机器人应用领域。
此外，“无垠”平台提供了一套跨体态数据迁移工具链，解决了行业内数据不统一和封闭开发的问题。
真实场景的采集需要大量设备和技术支持，因此仅靠真实数据难以实现大规模的数据积累。为此，无问智科通过其高保真的生成式仿真技术，能够将现实世界中的物体以一比一的比例还原至虚拟环境中，并进行任意修改，极大地提升了数据量。
目前，“无垠”平台已经拥有了百万级的可模拟交互对象，涵盖了所有场景和类型。这种先进的仿真能力不仅能补充真实数据采集的不足，还支持后续的各种评估需求。
虚实结合以获取海量数据是“无垠”的一大亮点，但这并不是全部。
“无垠”获得广泛认可的另一原因是它为整个行业提供了核心价值。除了提供高质量的数据，“无垠”平台还能帮助具身智能玩家打通训练、评估和落地的整体流程。
在训练阶段，“无垠”提供的数据不仅量大，还涵盖了物流仓储、家庭服务等多个场景，有助于构建更强大的模型。
评测是具身智能进化的关键环节。“无垠”平台提供了专业的仿真评估框架，支持在模拟和现实环境中进行任务测试，并给出反馈。
“无垠”平台从数据收集到训练再到商业应用的全链条服务，吸引了众多优秀企业加入其生态系统。目前，“无问智科”已与五十多家企业建立合作关系。
其中特别值得一提的是“无问智科”与地平线和地瓜机器人之间的深度合作。“地平线+地瓜机器人+无问智科”的组合将为具身智能的发展提供完整的基座能力，打通从研发到量产的最后一步，助力这一领域迎来类似ChatGPT的重大突破。
无问智科的成功在于其创始团队对物理AI领域的深刻理解。
公司成立于2022年11月，创始人刘盛翔是中国早期自动驾驶技术的先行者之一。他曾经在百度建立了中国首个自动驾驶数据与测试验证体系，并参与起草了相关法规和国家标准。
在百度的经历使刘盛翔意识到高质量数据对自动驾驶的重要性。当ChatGPT引发大模型时代的到来时，他敏锐地察觉到了物理AI缺乏高质量数据的痛点。
为解决这一问题，刘盛翔与前百度同事于春磊博士共同创立了“无问智科”，专注于物理AI的数据难题。
△图片由AI生成
创业两个月后，“无问智科”迎来了首个合作伙伴——地平线。创始人余凯博士曾在百度与刘盛翔共事多年，被后者创业理念所打动，并成为公司首席顾问和投资者。
近年来，许多自动驾驶领域的明星企业也开始转向具身智能领域，显示出市场对该转型的认可和支持。
然而，两个领域也存在显著差异。自动驾驶可以低成本地收集大量数据，但缺乏标准化的数据采集方案及高质量数据的生产工具链是当前具身智能面临的主要挑战之一。
物理AI的发展自黄仁勋在2025年提出概念后迅速扩展，成为今年科技领域的热点话题。众多大厂纷纷加入这一浪潮，显示出“下一波人工智能革命将由物理AI引领”的共识已深入人心。
新的技术趋势呼唤新的基础设施建设。就像移动互联网需要云计算和数据中心一样，具身智能也需要数据基座来加速其实用化进程。
地平线是自动驾驶头部玩家，创始人兼CEO余凯博士早年和刘盛翔在百度一起共事。据悉刘盛翔创业后，与余凯进行了三小时的长谈，这场对话打动了余凯，他成为了无问智科的首席顾问。在余凯的推动下，地平线不仅和无问智科达成了深度合作，还成为了无问智科的首位投资人，并在后续轮次持续加码。
许多曾经的自动驾驶明星，也在这段时期纷纷下场，入局具身智能，一时间受到热捧，市场展现出对自动驾驶玩家转向的认可与信任。毕竟两个赛道技术有交集，供应链高度重合，自动驾驶玩家的经验与沉淀，能在具身智能领域复用。
但两个赛道也存在着很多差异。比如自动驾驶有低成本、高效率采集数据的方法，因此行业重点可以放在如何处理和使用数据上。而具身智能目前仍然没有标准化地数据采集方案，没有大规模采集数据的方法，没有生产和使用高质量数据的工具链。因此，一个专业的第三方数据基础设施，对整个行业的意义非凡，价值深远。
物理AI，这是黄仁勋在2025年亲手点燃的烽火，在今年已成燎原之势。一众大厂纷纷入局，这意味着“AI的下一波浪潮是物理AI”已成为共识。
新的科技浪潮呼唤新的基建。正如移动互联网需要云计算，LLM催化数据中心繁荣，具身智能也需要数据基座，加速AI走向真实世界。