将投中网设为 " 星标⭐ "，第一时间收获最新推送

一个数据工程师的三次转向。

作者 张雪

本文字数 4451

手搓量丨 100%    AI 含量丨 0%

参加完 2026 世界物理 AI 大会后，刻行时空创始人黄阳明马不停蹄地就赶往了硅谷，而这种中美两地的多次往返，已经构成了他创业后的一种常态。

我们的对谈发生在他到硅谷的两三天后，当时他那边已是深夜，可即便奔波了一整天，在交流中依然能感受到他对数据，对产业的热情，甚至因为分享时太过兴奋，打扰到了同屋人的休息。

最近一年，我也接触了很多创业者，他们或是对技术侃侃而谈，或是深刻知悉产业痛点，当然，这些黄阳明也有提到，但作为一家创业公司的创始人，黄阳明是一位少数聊到公司文化的人。

再回到，我们关心的融资话题上，按理说，从背景上看，黄阳明符合今年资本追逐的典型画像：拥有海外大厂经验、自动驾驶行业老炮，多年深耕数据赛道。可体现到融资上，每一轮的规模都不算大，频次也不够高，参与的机构也多以产业方为主。

对此，黄阳明给出了两个理由，其一，" 投资永远不只是拿钱的问题 "。其二，他屏蔽掉了外界噪音，坚信传统的什么轮次就该做什么事，而不是一味地只顾拿钱。

聊起这些选择，他多次提到一个参照系：王兴兴。" 他的战略选择非常克制、非常专注，而且他的路线和国内有一些厂商的选择完全是相反的。"

在黄阳明看来，宇树的两步棋走得颇具远见，比如产业未成时先服务科研机构，因为 " 科研落地就是未来机器人的方向 "，再比如纷纷把机器人送进大工厂 " 打工 " 时，宇树愿意让利，选择做平台，让生态去做最后一公里的落地。

" 我看到行业里有一家这么有远见的公司在做这样的选择，对我的触动比以前任何时刻都更深刻。" 因为这一次他在场。这种在场感，也是理解刻行时空的前提。

他也坦承，下个阶段，刻行时空到了需要靠生态和资本推动规模化的阶段，在这个时候，他愿意敞开融资的窗口。

于是，我们看到，刻行时空刚完成了近亿元规模的 pre-A 轮融资，本轮投资方涵盖国资科创投资机构、多家头部具身智能公司，包括咏归基金、天机 TIANJI 等。本轮资金将重点投入到提升预部署环境、数据理解专用模型和加速数据基建上。

黄阳明向投中网透露，接下来还会有更多机器人公司进入它的股东名单。

从苹果到嬴彻，一个数据工程师的三次转向

黄阳明的履历在具身智能这一波创业者里算是异类。他不是机器人科班出身，也没有高校研究背景。不过细究黄阳明的职业轨迹，可以发现，他的经历几乎完整覆盖了中国数据基础设施演进的关键节点。

黄阳明职业生涯的起点在银行，做交易数据整合。那是大数据的蛮荒年代，谷歌刚发表 MapReduce 和 BigTable 论文不久，他是国内第一批用 Hadoop 的人，也是社区早期贡献者。

2015 年加入苹果后，他接手的第一个项目是苹果手表的健康大数据架构，这之中涉及到的数据有心跳、血压、运动中陀螺仪的晃动等等，数据第一次从结构化表格变成连续的多模态信号。后来因为做得好，他被调入苹果自动驾驶部门，负责基础设施架构。

" 数据其实代表了人对于这个世界的认知。" 黄阳明把数据分成三级台阶：结构化数据之后是非结构化数据，更难的一层，是连文字都无法描述的多模态数据，比如手表的生理信号、自动驾驶的路面与轨迹、机器人的操作过程，都属于第三级。

在他看来，每一轮 AI 革命，都是朝着更难抽象的数据迈了一步。再后来，他回国加入了嬴彻科技，从零搭建了一整套数据闭环系统。

从自动驾驶再往前看一眼，他意识到自动驾驶只是时空数据的一个特例，后面还有一个更大的市场。那一刻他觉得自己先看到了未来，于是就去做了一家数据基建公司。

2022 年 5 月，他带着同事好友创办了刻行时空，核心团队大多出自苹果、嬴彻、高仙机器人的数据工程一线，联合创始人、CTO 郑宇靖曾任高仙机器人与嬴彻科技的数据平台负责人。

那一年自动驾驶正在降温，具身智能的热度还没起来。公司起初想做的是纯基建，提出时空数据容器化的理念，自研数据容器引擎与工作流引擎以及语义搜索引擎，支撑 EB 级规模的非结构化数据存取与治理。同年 8 月拿到线性资本的千万级天使轮融资。

创业四年多，行业概念已经从自动驾驶换到具身智能，再到现在的世界模型，但核心团队几乎零流失。黄阳明表示，他信奉硅谷 " 业务每半年翻倍的前提下，人员增长不超过 1.5 倍 " 的老经验，拒绝过快的招人节奏，保证了公司文化和价值观的一致性。

相对于核心团队的稳定，公司定位则经历了两次调整。

刻行在做数据基建公司的途中发现 " 数据都没有，怎么根据数据的 pattern 去优化基建 "，于是转向自己产数据。这一步带来的后果是商业模式从一种变成三种，卖基础设施，卖数据，卖数据生产能力。对一家初创公司来说，同时做好这三件事是很困难的。

第二次转向由此而来。通用的基建要让别人好用，就得花精力去改造适配，自用的基建只要让自己用得爽。黄阳明选择了后者，把基建的通用性降下来，把数据生产效率拉上去，再后来，为了避免 " 又卖基建又卖数据 " 的两线作战，基建退为内部工具，数据生产成为绝对重心。

黄阳明并不忌讳提到这段弯路，也拒绝把 2024 年之前的经历从叙事里抹掉。在他看来，赛道里多的是 " 数据热了才来做数据 " 的投机者，而刻行的转向恰恰证明 vision 没有变，" 我一直在走同一条路，边上怎么变，只要我相信我的终局是对的，我就往这条路走。"

专注数据，不做本体，也不做模型

这种专注也体现在刻行的产品体系里，刻行今天对外呈现的产品是两套系统和一套方法论。

StarBase 面向数据生产端，是从自己下场运营采集的最佳实践里长出来的生产管理工具，解决数据如何被规模化生产。coScene 面向数据应用端，做时空多模态数据的管理与应用，落地了控制台和数据平台，可视化播放器与测试平台，一共四大模块，解决数据如何被工程团队持续使用。

两者共享同一个底层数据引擎，核心单元是一个带语义、有起止时间的 "Scene"。黄阳明喜欢用挖矿打比方，StarBase 是矿坑里的生产系统，哪里有 " 煤 " 就部署到哪里；coScene 是中央精炼厂，把各处运来的原料加工、分级、治理成可交付的数据产品。

但真正构成壁垒的不是这两套软件，是一个模型。

黄阳明强调刻行不做本体，也不做具身模型。他训的是理解时空多模态的模型，用途指向数据本身。具体用来指导数采员怎么采、判断什么动作是好的数据、过滤不合格样本、标注语义、设计数据配比。它对时空的理解是本体无关的（embodiment agnostic），也就是说无论机器形态如何变化，这套判断力都成立。

这是刻行自认的飞轮，也是壁垒。根据黄阳明观察，现在北美有一些公司在做类似的业务，但国内坚持做的公司几乎没有。

过去一年，几乎每家数据公司都在做由真人佩戴第一视角设备采集、再通过重定向技术映射到机器人身上的数据，这种数据一度被视为具身智能的 " 平价燃料 "。但在这趟硅谷之行，黄阳明反复听到同一个信号——无本体数据，" 快撞墙了 "。原因在于无本体数据帮模型完成了一次能力跃迁，随后迅速进入平台期。" 它已经起到它的历史作用了。" 黄阳明对投中网说。

而这条路是黄阳明最早看、也最早放弃的。" 我至少是第一批知道这个事情会成为爆发点的人。" 他放弃的理由也很清晰，门槛低，" 带个摄像头都能采 "；必然快速贬值，因为所有人都能做；胜负手在商务地推与资本，而非技术。

" 这不是一家以技术见长的公司应该专注的地方。" 如今在硅谷，黄阳明把这句话等来了验证。

除了产业界传来的消息外，黄阳明还分享了一个细节，在硅谷他租了一辆特斯拉，一路开着辅助驾驶，但一次并道时的突然急刹仍让他措手不及。这让他想到，做了十年，全世界最领先的自动驾驶依然有处理不了的 corner case。

黄阳明用这个体验解释自己对具身智能落地节奏的谨慎，也顺手解释了刻行时空几乎所有反直觉的选择：不做本体，不做具身模型，主动放弃了今年最火的无本体采集生意。

关于仿真，刻行划的边界很清楚。不做渲染引擎，也不做物理引擎和求解器，只做把现实世界采集的数据转化成仿真场景这一件事。

仿真不是真机的替代品，是把一次真实交互在虚拟环境里放大成多次的工具。他引用过一组公开研究的数字来说明真机数据有多难产，DROID 项目组织 50 名采集者，用 12 个月拿到约 350 小时真机交互数据，覆盖 564 个场景。

拿产业的钱，等 " 被动 " 的时代

在商业模式上，刻行是三种方式的相互咬合，货架式数据交付、定制化生产，以及数据处理能力交付。用他们自己的话说，刻行正在从 " 卖厨具的 " 变成 " 做菜的 "，全链路吃下数据从生产、治理、合规到交付的生意。

从策略看，黄阳明强调 " 我宁愿高价、卖得少一点，也不走人海战术 "。

放弃规模，换来的是定价权。刻行数采场景的特别之处在于，搭建了有实际功能的空间，200 多个场景、600 多种任务，像电影道具组一样轮换布景、灯光、道具，同时做全身数采、灵巧手数采和长程任务，用最新机型采集。高质量意味着高成本，培训出来的专业数采员、全量的人工质检与标注，都推高了价格。

在刻行看来这笔投入不浪费，人做过质检之后，判断好坏的信息直接进了模型，下一批的人工成本就会下降。

结果反映到订单也很直观，据透露，其首批交付的宇树真机数据通过率接近 100%，而这是模型加真人全量质检与标注的结果。上个月，刻行宣布启动合同金额超过 2 亿元且总时长约 30 万小时的海外真机数据交付，首批逾千小时多本体数据完成验收，通过率也接近 100%。

"Garbage in, garbage out"，黄阳明说，数据质量直接决定模型能力，" 你一味进数据垃圾，出来的模型也垃圾 "。

生态搭建上，刻行选了一条少见的数据资产化路径。今年 7 月，由上海技术交易所、刻行时空与宇树科技共同承建的 " 高质量真机数据示范平台 " 在上海启用，这是国内首个全链路合规的具身智能数据示范平台。

而出海被写进了刻行的第一天，黄阳明的判断朴素且直接，" 真机在中国最便宜、最多，场景也最多，机器在哪儿最便宜？肯定在中国。"

他给刻行的角色定位是 " 把美国 0 到 1 的 1 搬回来，点燃中国 1 到 100"。如何理解这句话？美国模型公司起步早、缺本体和数据，中国有产能与场景，而跨境合规链路，是刻行最早打通的护城河之一。

对宇树的深度绑定，黄阳明称之为 " 市场的选择 " 而非站队，" 市场选择了宇树，我们希望让数采更符合市场的需求。" 早在 2024 年，他就注意到了宇树在海外开发者社群中的影响力，海外客户基于宇树平台的软件适配和研究项目在增加，而在特定的任务和部署场景，供应链，预算与时间约束下，用规模化数据支撑算法研究非常困难，在他看来，这个缺口就是刻行的位置。

在刻行的角色划分里，机器人公司是上下游伙伴而非甲方，这也是其股东名单的底层逻辑——让机器人公司投资，本质是让生态成为利益共同体。

今年 1 月，穹彻智能与乐聚智能以及线性资本参与新一轮融资，前两家是产业方，老股东线性资本持续加注。

在黄阳明看来，投资永远不只是一个拿钱或者缺钱的问题，是一个和产业建立连接的过程。他希望凑齐能力，打通从生产端到应用，从数据加工到合规再到海外最终客户的全链路。他也直言不讳这个选择的代价，刻行的融资节奏在同赛道里偏慢，资方不是市面上最一线的那几家。

下一步刻行押注的是 " 被动采集 "，刻行判断明年机器人进入真实场景部署后，数据从部署态回流，像特斯拉影子模式一样，采到的将是最有价值的 corner case。但这种部署也是有条件的，需要场景明确、容错率高、小样本可开动。

访谈的最后，他重复了那句话 " 数据的价值不在被采集、被存储，而在被使用 "。无论哪家机器人公司最终胜出，数据供给都是绕不开的刚需。而黄阳明要做的，是继续在那个最不显眼的位置上，等风来。

投中网原创

随手点赞，戳个在看▼