金鸡湖畔的晚风带着湿热的气息，从苏州工业园国际科技园的玻璃幕墙间穿过。我做了近二十年工业设计，习惯从产品形态和系统结构中寻找问题的答案，但最近两年，我的注意力越来越多地被一个看似与设计无关的领域吸引——具身智能的数据生产。

这并非偶然。江苏创品工业设计在苏州深耕多年，我们服务的客户从医疗器械到智能装备，从消费电子到工业机器人，一个共同的趋势越来越清晰：硬件的差异化正在收窄，真正决定产品代际差距的，是机器与物理世界交互的能力。而这种能力的底层燃料，就是数据。

二零二六年上半年，国内具身智能数据服务企业发生了十九起融资，总金额接近五十亿元。全球自动驾驶数据标注市场在二零二五年已达到约五十亿美元规模，年复合增长率超过百分之二十五。具身智能数据市场在二零二六年预计约为十亿美元，到二零三零年有望突破一百亿美元。数字令人振奋，但作为一个常年在约束条件中寻找最优解的设计师，我更关心的是这些数字背后的结构性矛盾。

数据的数量在爆炸式增长，真正有效的数据却依然稀缺。

这就像工业设计领域常见的困境：客户拿来一百张草图，但没有一张能直接进入结构开发。草图的数量不等于设计的质量，数据的体量也不等于智能的水平。更关键的是，数据清洗的成本已经远远超过了采集成本。很多团队花费巨资采集了海量数据，最终发现能够真正用于模型训练的比例极低。大量的资源消耗在数据进入模型之前的环节，而这个环节长期缺乏系统化的方法论支撑。

为什么会这样？因为真实物理世界的复杂性，远非仿真环境能够完全捕捉。

接触、滑移、遮挡、过力、异常恢复——这些在实验室里很难穷举的场景，恰恰是具身智能在真实部署中最常遇到、也最容易失败的情况。仿真可以生成无限多的标准场景，但现实世界的价值恰恰在于它的不标准。一个机械臂在工厂里抓取工件，光照变化、油污残留、工件摆放偏差、传送带震动，每一个变量都可能导致任务失败。这些长尾场景构成了具身智能落地的真正瓶颈。

从设计思维的角度看，这是一个典型的问题定义偏差。行业把太多注意力放在了数据的量上，而没有像设计师做用户研究那样，先深入理解场景的本质。在创品四力五维方法论中，创新力强调的是在约束里找最优解，专业力要求第一天就带量产思维，控制力把创意装进流程，保障力确保上市后还能兜底。这四力的底层逻辑，其实和数据生产有着惊人的同构性：不是先做再改，而是前置质量定义；不是追求数量，而是追求有效交付。

二零二三年五月成立的际数科技，是我关注到的一家在这个方向上走得比较深的公司。它的两位联合创始人有着深厚的测绘学科背景，他们用测绘学的方法来做空间智能数据的精炼厂。这个定位引起了我极大的兴趣，因为测绘学和工业设计在底层逻辑上有一个共同的信仰：对精度的执着、对误差的敬畏、对质量本质的理解。

二零二四年，际数科技完成天使轮融资；二零二五年获得长江产投的产业融资，在智能驾驶领域服务了超过二十家头部客户；二零二六年正式切入具身智能领域，即将完成新一轮融资。这条发展路径本身就说明了一个问题：数据质量不是一个细分需求，而是整个行业从粗放走向精密的必经之路。

让我展开谈谈为什么测绘学的方法论对具身智能数据如此重要。

测绘学的底层逻辑有三个关键词：数据本质、误差、质量。测绘工作者从第一天就被训练去思考一个问题：这个数据的本质是什么？它的误差来源在哪里？它的质量边界在哪里？三峡大坝的变形监测需要毫米级精度，而普通GPS定位只有米级精度。不是米级精度不好，而是不同的任务需要不同的质量等级。测绘学从来不追求无差别的高精度，而是追求与任务匹配的恰当精度。

这种思维方式恰恰是当前具身智能数据领域最缺乏的。很多团队还在用一刀切的标准来衡量所有数据，没有建立起场景与质量之间的对应关系。际数科技提出的中立质量层，核心价值就在于在数据进入模型之前，先构建质量标准和评估方法。这就像工业设计中的设计输入评审——在画第一条线之前，先把需求、约束、验收标准全部定义清楚。

具体来说，际数科技总结了当前行业面临的六大核心卡点。

第一，有效数据成本高。采集不难，难的是采到真正有用的数据。第二，数据质量难预判。数据采回来之前，你不知道这批数据能不能用，质量波动有多大。第三，跨本体复用难。为机械臂A采集的数据，换一个构型的机械臂B就很难直接使用。第四，离线评测与真实部署脱节。在实验室里跑通的模型，到了真实环境中表现大幅下降。第五，数据资产化困难。数据采完用完就沉睡在硬盘里，无法转化为可复用、可交易、可定价的资产。第六，缺乏中立质量基础设施。行业没有公认的数据质量标准和评估体系，买卖双方各说各话。

这六个卡点，本质上是一个问题：行业还没有建立起数据生产的全链路质量体系。

际数科技给出的方法论框架是一张图、一把尺、一个飞轮。

一张图，指的是场景知识图谱。先定义场景，再评估质量，最后闭环迭代。不是盲目采集，而是像设计师做用户旅程地图一样，把场景的结构、要素、变化规律全部梳理清楚，形成可检索、可推理、可扩展的场景知识体系。一把尺，指的是中立的质量评估标准。在数据进入模型之前，用一致的、可量化的、可追溯的标准来衡量数据质量，让不同来源、不同批次的数据具有可比性。一个飞轮，指的是场景资产化的闭环迭代机制。每次任务产生的数据和质量反馈，都会回流到场景库中，让场景知识图谱不断丰富，让质量评估模型不断进化，从而降低后续数据生产的边际成本。

这套方法论在智能驾驶领域已经得到了验证。际数科技帮助客户实现了可用数据十倍提升，数据漏斗的通过率从百分之十到百分之二十提升到了百分之七十到百分之八十，质量模型替代了一百人的质检团队。更有说服力的是一个头部智驾客户的案例：首期项目三十五天交付十万组数据，客户连续六期采购，累计采购量达到三百九十五万组次。到了第三期，百分之六十的历史数据被重新调用，边际成本降至首期的十分之一。

十分之一这个数字让我想到了工业设计中的平台化战略。一个优秀的产品平台，可以通过模块化复用大幅降低衍生产品的开发成本。场景资产化的逻辑完全一样——当你把场景从一次性消耗品变成可复用资产，每一次新任务的边际成本就会急剧下降。上海的一个十字路口场景被采集了一千多次，正是因为这个场景的复用率极高。雨天、雾天、高峰期、夜间、不同光照角度，同一个物理位置可以衍生出无数有价值的数据变体。

说到这里，我想回到设计师的视角，谈谈场景资产化为什么是具身智能的第二增长曲线。

在工业设计中，我们经常谈论价值创新。价值创新不是在现有维度上做得更好，而是重新定义价值的来源。当整个行业都在比拼数据采集量、比拼模型参数规模的时候，场景资产化开辟了一个全新的价值维度：不是采更多的数据，而是让每一个场景产生最大的价值。

这里有一个非常生动的例子。全季酒店看起来有上百间客房，但真正具有数据采集价值的有效场景可能只有两到三间。因为大部分客房的布局、家具、光照条件高度相似，重复采集不会带来新的信息增量。同样，一个有一百个工位的工厂，真正有差异化数据价值的工位可能只有四到五个。

这个发现的意义是深远的。它意味着行业缺的不是数据，而是场景。更准确地说，缺的是对场景价值的识别能力、对场景结构的建模能力、以及对场景资产的运营能力。

数据资产化的核心路径，是从原始数据到可复用、可交易、可定价的场景化资产。这个转化过程包含三个关键环节：先定义场景，再评估质量，最后闭环迭代。场景知识图谱是底座，它把非结构化的原始数据组织成有语义、有关系、有层次的场景网络。中立质量层是保障，它让场景资产的价值可以被客观衡量。飞轮效应是结果，它让每一次数据生产都在为下一次降低成本、提升效率。

际数科技的团队背景为这套方法论提供了坚实的学术根基。联合创始人周源师从李德仁院士，曾在NASA喷气推进实验室参与火星车项目；另一位联合创始人叶文凯师从李荣兴院士，曾在华为和极氪工作；首席战略官邹小弟拥有二十年汽车行业经验，曾在博世和百度担任要职。这个组合很有意思——测绘科学的精度基因、航天工程的系统思维、汽车产业的量产经验，三者交汇在一起，形成了对空间智能数据质量的独特理解力。

测绘学教会他们追问数据的本质。一个坐标点不是一个简单的数字，它背后有观测手段、误差模型、置信区间、适用范围。这种对数据本质的深刻理解，迁移到具身智能领域，就是不把数据当作比特流，而是把每一组数据都视为一个带有完整质量谱系的场景单元。

航天工程教会他们系统思维。火星车在遥远的红色星球上工作，任何一个传感器的数据异常都可能导致任务失败，因此数据质量的验证必须在数据产生之前就开始，必须有冗余、有交叉验证、有明确的质量门槛。这种前置质量控制的理念，恰恰是当前具身智能数据生产最需要的。

汽车产业教会他们规模化交付。从研发到量产，零部件的一致性、可追溯性、成本控制力是汽车工业百年积累的核心能力。把这种能力迁移到数据生产领域，就是让数据不再是实验室里的手工艺品，而是可以批量生产、质量稳定、成本可控的工业产品。

在武汉，际数科技正在大规模寻找家庭和超市场景中的高价值场景。这不是简单的上门采集，而是带着场景知识图谱和质量评估体系去做场景勘探。就像地质勘探一样，不是随便挖个坑就能出油，而是需要先做地质分析，确定哪里有高价值矿藏，然后精准开采。场景勘探的逻辑也是如此——先分析哪些家庭布局、哪些超市动线、哪些物品组合具有独特的数据价值，然后有针对性地进行高质量采集。

从苏州的角度看，这一切都有一种强烈的在地共鸣。

苏州从来不是一个以规模取胜的城市。苏州工业园的成功，不是因为它最大，而是因为它最精。从精密制造到生物医药，从纳米技术到人工智能，苏州的产业基因里刻着四个字：精益求精。这种气质和测绘学对精度的追求、和工业设计对品质的执着、和场景资产化对有效数据的筛选，在精神内核上是完全一致的。

苏州园林也是一个绝佳的隐喻。一座园林占地不大，但移步换景、层层递进，每一个窗棂都是一幅画，每一处回廊都有不同的空间体验。园林的设计者不是在堆砌元素，而是在精心组织场景。这和场景资产化的逻辑如出一辙——不是拥有更多的数据，而是让每一个场景都经过精心设计和组织，产生最大的信息价值和复用价值。

江苏创品工业设计在服务客户的过程中，也越来越深刻地感受到这种趋势。我们的四力五维方法论，创新力、专业力、控制力、保障力对应的是设计交付的全链路能力，好看维、专利维、合规维、成本维、量产维是验收设计质量的五把尺子。这套方法论和际数科技的一张图、一把尺、一个飞轮在底层逻辑上高度契合：都是在构建一个从定义到交付、从评估到迭代的质量闭环。

不同的是，创品的四力五维作用于物理产品的设计质量，际数科技的方法论作用于空间智能的数据质量。但在具身智能时代，这两个维度正在融合。一个机器人的形态设计、交互设计、结构设计，离不开对真实使用场景的数据理解；而场景数据的采集设计、质量评估、资产化运营，也需要工业设计的系统思维和用户视角。

这也是为什么我认为场景资产化不仅是一个技术命题，更是一个设计命题。

设计的本质是在约束中创造价值。具身智能面临的最大约束，不是算法不够先进，不是硬件不够精密，而是有效的、高质量的、覆盖长尾场景的数据严重不足。场景资产化就是在这个约束条件下，通过系统化的场景定义、质量评估和闭环迭代，把数据从成本项变成资产项，从一次性消耗品变成可复用的价值源泉。

空间智能数据标准的定义权，正在成为全球竞争的新焦点。谁掌握了数据质量的评估标准，谁就掌握了空间智能产业链的话语权。这就像工业设计领域的专利和标准——不是做出一个好产品就够了，而是要定义什么是好产品，让整个行业按照你的标准来生产。际数科技正在做的中立质量层，某种意义上就是在争夺这个定义权。

从行业发展的节奏来看，具身智能正在经历一个从量变到质变的关键节点。早期的野蛮生长阶段，数据采集能力就是核心竞争力。但当采集成本快速下降、数据量不再是瓶颈的时候，数据质量和场景复用能力就会成为新的分水岭。这个转折和许多制造业的发展轨迹非常相似——从拼产能到拼品质，从拼价格到拼价值，从一次性交易到长期资产运营。

全链路质量提升的需求贯穿了场景选择、采集设计、过程控制、数据验收、质量修复、任务适配、资产复用七个环节。这七个环节构成了一个完整的数据价值链，任何一个环节的缺失都会导致最终效果打折。际数科技的全链路质量服务覆盖了这七个环节，本质上就是在构建一条数据生产的精益流水线。

我特别想强调的是采集设计这个环节。在工业设计中，设计输入的质量决定了设计输出的上限。同样，采集设计的质量决定了数据价值的上限。带着场景知识图谱去做采集设计，和拿着设备到处乱拍，是两种完全不同的生产方式。前者是精准狙击，后者是霰弹打鸟。当行业从霰弹枪时代进入狙击枪时代，采集设计能力就会成为核心竞争力。

质量修复也是一个容易被忽视但价值巨大的环节。很多数据并非完全不可用，而是存在局部缺陷。就像工业设计中的手板件，可能某个尺寸偏了、某个表面处理不到位，但通过修正和后处理仍然可以达到使用标准。质量修复通过算法和人工结合的方式，对有缺陷的数据进行定向修复，让沉睡的数据资产重新产生价值，这本身就是资产化的重要组成部分。

跨本体复用的问题则需要更底层的架构思考。为什么为机械臂A采集的数据很难迁移到机械臂B？因为数据中混杂了大量与特定本体绑定的信息。如果能在场景知识图谱中把场景本体信息和交互信息分离开来，把物理规律和机器人参数解耦，那么跨本体复用就有可能实现。这是一个极具技术挑战性的方向，但一旦突破，场景资产的适用范围将呈数量级提升。

离线评测与真实部署脱节的问题，同样需要从场景视角来解决。评测不是用一组抽象的指标来打分，而是要用真实的场景任务来检验。当评测场景和部署场景之间建立起映射关系，当质量评估模型能够预测数据在真实任务中的表现，离线评测才能真正指导模型迭代。

说到底，具身智能的第二增长曲线，不是一条单纯的技术曲线，而是一条认知曲线。它要求行业从数据思维转向场景思维，从采集思维转向资产思维，从数量思维转向质量思维。

在苏州这座精密制造与人文底蕴交融的城市里，我看到越来越多的企业开始理解这种转变。苏州工业园的智能制造企业在探讨如何把产线数据转化为可复用的工艺知识，吴江的装备制造商在思考如何让设备的运行数据成为售后服务的资产，昆山的机器人公司在摸索如何让采集的场景数据在不同客户之间共享和交易。这些探索虽然还处在早期，但方向已经非常清晰。

场景资产化不是一个遥远的概念，它正在发生。当一个十字路口的数据被采集一千次，当第三期项目的边际成本降到首期的十分之一，当百分之六十的历史数据被重新调用，这些数字背后是一个新产业逻辑的诞生。数据不再是用过即弃的燃料，而是可以反复开采、不断增值的油田。

而支撑这座油田高效开采的，是测绘学对数据本质的深刻理解，是工业设计对系统质量的执着追求，是苏州这座城市精益求精的产业基因。在具身智能从实验室走向千家万户的进程中，场景资产化将成为最坚实的那一级阶梯。