际数科技想做的是用测绘的精度，重新定义空间智能的数据底座。
作者丨苏迪
编辑丨张丽娟
全季酒店上百间房，布局、装修、家具一模一样，机器人练完一间和练完一百间没有区别。工厂流水线一百个工位，不重复的有效操作只有四五个。家庭场景很多房子都是大白墙空房间，加入各种采集道具，一个屋子的有效采集时长也只有十到二十小时。
此刻正是具身智能行业最热闹的时候，但高价值场景高质量数据却非常稀缺，这是周源在一线看到的真相。
" 缺数据 " 是具身智能行业最响的口号，但当所有人都在拼命怼数据量的时候，没人认真算过一笔账。" 你采回来的 1000 小时原始数据，经过清洗、筛选、质检的层层漏斗，最终能进模型训练的，往往只剩 100 到 200 小时。" 周源说到。
这一幕，智驾行业刚刚演练过一遍。" 端到端大模型的数据飞轮都转了一年多了，很多车主反而觉得自家的车变笨了。" 周源说。问题不是算法倒退，是数据质量问题像胶一样混在海量数据里，再也拆解不出来。
" 智驾和具身，本质上是同一个问题。" 他说，"只要 AI 在物理空间里移动、交互、博弈，数据质量就是刚需。规模越大，这个刚需越痛。"
周源是际数科技的创始人。这家成立刚满三年的公司，已经服务了 20 多家头部智驾客户，其中不乏国际知名车企。他们的办法不是多采，而是在数据进模型之前，先建一个 " 中立质量层 "，把数据利用率拉高四倍，让 2 个运维人员的产出顶 300 个人工标注师。
现在，周源想把同一套方法论搬到人形机器人上。有统计，2026 年，具身智能数据市场预计将达到 10 亿美元；到 2030 年，这个数字有望突破 100 亿美元。
被数据折磨过的三个人
际数科技的创始团队，以测绘背景为主。
创始人周源，师从测绘泰斗李德仁院士，武汉大学测绘工程博士、同济大学测绘与地理信息博士后。他是真在极端环境里干过活的人，去过 NASA 的 JPL 做火星车项目，在贫瘠的地表上找能让传感器稳定定位的基准点。
后来，他一直在用测绘技术帮智驾团队解决数据质量问题。但他发现一个困惑：做模型的人都很骄傲，很难跟你讲他们真正的痛苦。你问他数据有什么问题，他说 " 还行 "。你磨半年才知道，原来他们真正缺的是某个特定场景下的特定数据。
CTO 叶文凯，是周源的师弟，也是周源北美导师回国后的开山弟子，不仅做过南北极雪地稳定观测点筛选，还曾在华为与极氪智驾团队深度参与高阶智驾开发。他是数据的 " 用户方 "，曾在华为和极氪做智驾感知，天天被数据质量折磨。数据不好，模型就崩，要去兜底，又兜不住。
邹小弟走的是另一条路。他在博世干了十五年销售，后来又去百度 IDG 负责自动驾驶解决方案的交付，深知数据工程交付环节中质量的重要性。他太清楚客户嘴上说的和实际需要的之间有多大的 gap 了。
" 操碎了心。" 周源这么形容他。
三个人，一个从技术端解问题，一个从市场端挖需求，一个在使用端受折磨。2022 年 10 月，天使投资人撮合周源和邹小弟见了一面。两人在办公室聊了一下午，发现彼此的痛苦和困惑完全吻合。而周源和叶文凯本来就是师兄弟，早就认识。
" 我们三个人，从前端到中台到后端，在吃数据苦头这件事上，正好是一个三角形。"2023 年 5 月，公司正式成立。
但真正让这家公司与众不同的，不是他们吃过的苦，而是他们看待数据的方式。测绘人看数据，从来不只看 " 准不准 "，他们看的是 " 误差从哪里来 "。
测绘这个学科，外人看来就是画地图。但测绘人自己知道，画地图只是结果，真正要解决的是误差。
修一座长江大桥，从江苏往上海修和从上海往江苏修，两段桥体要在江心合拢，合拢精度要求是毫米级。GPS 信号的原始误差是米级的，测绘人要做的是抽丝剥茧地分析每一层误差的来源，是大气折射、卫星钟差还是多路径效应，然后一层层剔除，最后拿到那个确定性的结果。
这种 " 误差分析 " 的思维方式，被际数科技完整地搬到了数据标注行业。
周源做了一个类比，特别直白。AI 行业现在对数据质量的评判方式，是用模型的最终表现来倒推。数据喂进去，模型跑出来效果好不好？好，数据就好；不好，数据就不好。这在 GPT 时代勉强行得通，因为语言模型的训练管线相对短，出了问题还能归因。
但进入空间智能，比如自动驾驶、具身智能场景，训练管线长得吓人。数据经过采集、清洗、标注、对齐、质检几十个环节才进模型，最后模型表现不好，你根本不知道是哪个环节的数据出了问题。
测绘人解决问题的逻辑正好反过来：在数据进入下游之前，就把质量问题干掉。
2 人顶 300 人，数据利用率翻四倍
这套方法论被际数科技提炼成三个东西：一张图、一把尺、一个飞轮。
一张图，是质量因子库。
通俗点说，就是他们花大量时间研究了一件事：在不同的物理环境里，不同的物体、材质、光照条件，对不同传感器的观测精度会产生什么影响？哪些场景对传感器是 " 友好 " 的，哪些是 " 不友好 " 的？哪些观测是稳健的，哪些是会引入误差的？
掌握了这张 " 质量地图 "，他们就能在数据采集之前，提前知道哪些场景值得采、哪些场景采了也是废数据。这不是事后筛选，是事前规划。
多模态数据处理动态工作流
一把尺，是高精度场景基座。
际数科技把一个物理场景，比如一个十字路口、一条隧道、一个加油站，做到精细建模。然后利用高精测绘技术，对道路等静态要素进行厘米级精度的扫描与 " 原子化 " 拆解。当客户的采集车进入这个场景，车上所有传感器的数据，像图像、点云、轨迹都能与这个 " 数字孪生 " 场景进行精确的时空对齐。
与传统人工逐帧、逐点标注不同，际数科技先把图像、点云、轨迹等数据统一到同一空间坐标和时间序列中，再由数据智能体完成场景识别、标签生成、质量校验和异常回刷。源头对了，后面所有环节的质量才有保障。
如果说传统人工标注相当于画家根据一张照片，凭借主观视觉和手工画出所有细节，际数科技的 " 数据标注数据 " 技术则是制作一个精确的实物石膏模型，从而可以直接从任何角度进行精确 " 拓印 "。
周源举过一个例子。他们在上海安亭发现了一个十字路口，看起来平平无奇，但路口里有一个加油站，而且是很多货运车辆的加油站。大量货车开进去加油再开出来，制造了大量 " 非典型 " 的博弈场景。这个路口的数据，授权给了好多家客户，累计路口采集了上千趟。一个场景，反复复用，这就是 " 一把尺 " 的价值。
这就是际数科技正在做的事。用测绘的精度，重新定义空间智能的数据底座。在智驾领域，这套方法论已经跑通；现在，他们正把它迁移到具身智能。
在周源看来，两者的底层逻辑是一样的——只要是在空间中移动、与空间交互的智能体，都需要在数据源头解决质量问题。区别只在于，具身智能涉及的模态更多，触觉、力觉都进来了，挑战更大，但机会也更大。
一个飞轮，是质量数据的飞轮。
这是最精妙的一环。传统标注公司用高质量数据训练模型，际数科技反其道而行之，他们用 " 有问题 " 的数据训练自己的质量模型。
什么意思？在数据管线的质检环节，大量数据因为各种质量问题被筛掉，比如过暗、过曝、遮挡、时间不同步、语义模糊。这些 " 废数据 " 在别人那里直接丢弃，但在际数科技这里，它们成了训练质量模型的 " 教材 "。
模型学习质检专家会判断哪些可以修复、哪些必须放弃、哪些虽然不完美但在某些任务上仍然可用。服务客户的次数越多，对数据资产库与算法模型的反哺越强，数据复用的边际成本也会越低。质检活动越频繁，质量模型就越强。
周源还举过一个红绿灯的例子来说明数据质量的复杂性。理想情况下，AI 系统识别红绿灯只需要识别出红、绿、黄、不亮、断电黑灯、状态不明五类。但在真实世界里，黄昏昏黄的光线、信号灯前的遮挡物，会让 AI 观测出几百种情况。数据质量不高，一旦偏差多了，危险行为随时可能发生。而这种复杂性，恰恰是质量飞轮要解决的问题。
这套方法论带来的量化结果，相当惊人。
际数科技对外披露的数据是：2 名技术运维人员交付的效率，相当于 300 人规模的人工标注产出，标注效率提升 150 倍。
但比效率提升更重要的，是数据利用率的质变。
他们的质量模型不仅能检测质量问题，还能评估问题的严重程度，甚至修复一部分问题。有些数据在 A 任务上不合格，但在 B 任务上完全可用。通过精准的质量评估，他们把客户的数据利用率从 10%-20% 提升到了 70%-80%。可用数据规模直接提升了一个数量级。
判断一家数据公司是不是传统外包，不能只看它第一次交付了多少数据，更要看客户需求变化后，这些数据是否还能继续产生收入。
2024 年，一家头部智能驾驶算法企业找到际数科技。客户要生产一批高精度车道感知数据，项目难点不是普通标注，而是多模态自洽。激光雷达上的标注结果，需要精准反投到 7 路环视图像；车道线、路沿、路障等静态要素，还要同时满足空间精度、完整性和分类准确度要求。
在找到际数之前，客户已经自建数据平台，并依托真值车开展了半年多的生产能力建设，但始终没有达到下游算法团队的验收要求。
问题就出在数据源头。不同传感器各有观测盲区，标定误差、时间同步误差、遮挡和分辨率问题又会彼此耦合。即使增加人工，也很难稳定保证数十万组数据在不同模态之间保持一致。数据迟迟不能达标，直接卡住了下游算法团队：没有可靠数据训练模型，也无法建立可信的评测基准，算法开发周期因此不断向后推迟。
际数接手后，用 15 天对齐复杂的数据规格和使用需求，5 天完成 POC，又用 15 天完成首期十万组数据的生产与交付，完整项目周期约 35 天。
首期交付后，客户立即追加了 60 万组订单。此后双方合作从单月项目延长为连续多期采购。从 2024 年 6 月至 2025 年 10 月，双方六期合作累计完成 395 万组次多模态数据交付。
拿下 20 家智驾头部客户后，高质量空间数据的规模化路径
理解了这个方法论和它带来的量化效果，一个绕不开的问题自然浮现：既然数据质量这么关键，本体厂商和大模型公司为什么不自己干？
周源喜欢用一个比喻：发动机厂不该去做石油化工。做本体和大模型的厂商应该研究怎么造八缸、十二缸的发动机，把能效比做得更高、运动做得更丝滑；但前提是，有人先把石油精炼成高品质汽油，把杂质控制好。
本体厂商自己做不了这件事，有三层约束。
第一层是组织惯性。每家厂商的历史包袱、团队能力、组织架构完全不同。有的感知和算法团队合并，有的分开；有的用两段式端到端，有的用一段式，有的上了 VLM。数据需求高度个性化，甚至同一家客户在一年之内技术路线变迁，对数据的定义都会发生显著变化。自建 SOP 的结果往往是：清洗成本反而高于采集成本。
第二层是逻辑陷阱。用自有模型验证自有数据，等于循环论证。际数科技举了一个例子：一堆符合二次曲线的点，你拿三次曲线去拟合，效果看起来也 OK，但不代表底层分布真是三次的。数据量小的时候，过拟合被掩盖了；数据飞轮转起来，新数据一进去就露馅。更麻烦的是，你根本拆解不出来到底是模型选错了、训练错了，还是数据本身就有问题。
第三层是规模诅咒。单一厂商的采集装置、传感器方案、管线流程都是独特的，它只能观测自己的数据在自己的模型里表现如何，无法研究跨场景、跨模态、跨传感器的共性质量问题。而质量因子库、场景基座、专家飞轮，恰恰需要跨多方、长时间积累。
" 所以中立质量层必须在数据进入模型之前，就建立一套独立的评估体系和治理方案。" 周源说，" 不要让质量问题伴随着数据传到下游去。" 而这件事天然适合由第三方来做，因为第三方不绑定任何一家的管线和模型，能够横向对比，找到共性的质量规律。
更重要的是，数据作为无形资产，天然具备复售属性。传统模式下，客户花钱买标注服务，数据用完即弃，永远在重新采集、重新标注、重新质检。但在周源的规划里，际数科技最终交付的不是标注服务，而是一套"高质量空间智能数据基础模型"。客户买的不是一张张标注好的图片，而是"能直接训练出好模型的数据"。
基于这套已验证的逻辑，际数科技跑出了三条清晰的商业模式。
早期靠项目制切入种子客户，打磨产品；成熟之后的场景租赁，把高价值场景变成可复用的数据资产，客户可以按场景按时间订阅，在里面完成传感器标定、数据清洗和高价值动作的定义；技术含量最高的是高定制化数据集复售。
这里有个关键的商业判断：如果你手上攒着一套数据想卖给多家，本质上并没有很强的边际效应。际数科技的做法，不是 " 一套数据卖十家 "，而是 " 一个场景基座、十套不同规格的数据 "，从而让客户拿到自有的规则数据去匹配自研的算法。而不是反其道而为之，采买数据后，让算法跟着数据跑。
这套打法在智驾领域已经验证。
现在，他们正把这套方法论迁移到具身智能。目前，际数科技已经切入人形机器人数据，并与多家头部具身企业启动合作。周源对今年的目标很克制：不设营收目标，先找一到两家可靠的种子客户，陪伴客户把项目做起来，把真实需求和痛点摸透，再建立一套真正能落地、可衡量的数据质量标准。
融资节奏同样稳扎稳打。2024 年天使轮，2025 年武汉长江产投产业轮融资，公司从上海被招引到武汉，下半年还会启动新一轮融资。
当然，如果只看到数据标注，那就低估了际数科技的终局。物理 AI 的终极形态，是 AI 在物理世界里自由移动、交互、决策。这个终局的核心瓶颈不是算力，不是算法，是高质量的空间数据。谁能在数据进入模型之前把好质量关，谁就卡住了整个产业链的上游。而际数科技想做的正是用测绘的精度，重新定义空间智能的数据底座。
在 NASA 做火星车项目时，周源学会了一件事：在贫瘠的地表上，找到那个能让传感器稳定定位的基准点，比采集一万张模糊的照片更重要。现在，他想在具身智能的数据荒原里，做同样的事。
登录后才可以发布评论哦
打开小程序可以发布评论哦