合肥这座城市很有意思。它不像北上广深那样天然占据资本与舆论的中心，却总在关键技术节点上展现出一种沉稳的判断力。科学岛上的核聚变装置、科大讯飞的语音引擎、蔚来的新能源产线、比亚迪和大众安徽的制造基地，这些名字叠加在一起，构成了一种独特的城市气质——相信工程，相信长期主义，相信品质才是穿越周期的底气。我做了二十多年工业设计，从消费电子到汽车零部件再到智能装备，骨子里认同一件事：一个行业真正成熟的标志，不是概念有多热闹，而是它有没有建立起可度量、可验证、可追溯的品质体系。具身智能如今走到了这个关口。

二〇二六年上半年，国内具身智能赛道的数据服务企业完成了十九起融资，总金额接近五十亿元。全球自动驾驶数据标注市场在二〇二五年规模约为五十亿美元，年复合增长率超过百分之二十五。具身智能数据市场更被看好，二〇二六年预计约十亿美元，到二〇三〇年有望突破一百亿美元。数字滚烫，展厅里的人形机器人也越来越会走路、会抓取、会与人协作。但如果你真正深入到模型训练的一线，会发现一个令人不安的事实：数据量在指数级膨胀，有效数据却异常稀缺。清洗一批数据的成本，往往远超采集它的成本。

这让我想起工业设计里一个经典概念——质量杠杆。设计阶段发现一个缺陷，修复成本是一；到了量产阶段，成本变成十；到了客户手里，代价可能是一百。数据产业也存在同样的杠杆效应。如果把带着噪声、偏差、错误标注的数据喂给模型，模型不会变得更聪明，只会更自信地犯错。自动驾驶领域已经有过深刻教训，而具身智能因为要在三维物理世界中执行接触式操作，对数据品质的要求只会更严苛。

真实场景里到底有哪些仿真正在漏掉的东西？接触瞬间的力反馈变化，物体表面的滑移趋势，遮挡状态下的姿态推断，过力操作导致的形变，以及异常发生后的恢复策略——这些恰恰是具身智能从"能动"到"能干"的关键分水岭。仿真可以无限生成理想场景，但物理世界的摩擦系数、材质差异、光照突变、人的不可预测行为，构成了一个庞大的长尾分布。你不可能采尽所有场景，但你必须知道哪些场景真正值得采、采到什么精度才算合格、采回来的数据能不能被复用。

这就要求行业从粗放式采集转向全链路质量管理。场景选择是否有代表性，采集设计是否覆盖了关键变量，过程控制是否保证了传感器标定精度和时间同步，数据验收有没有客观标准，质量修复能不能定位到根因，任务适配是否做到了特征对齐，资产复用是否形成了可检索的知识库——七个环节环环相扣，任何一个掉链子，最终都会体现在模型的糟糕表现上。在我熟悉的工业设计领域，这叫设计失效模式及影响分析。我们在产品投产前，会把每一个可能失效的环节列出来，评估严重度、频度和探测度，然后针对性地做预防和探测设计。数据生产同样需要一套DFMEA思维。

合肥有一家企业正在做这件事，名字叫际数科技。二〇二三年五月成立，专注数据质量服务。两位联合创始人都有深厚的测绘学科背景，他们把测绘学处理空间数据的方法论迁移到具身智能领域，要做空间智能数据的"精炼厂"。二〇二四年完成天使轮融资，二〇二五年获得长江产投的产业融资，在智能驾驶领域已经服务了二十余家头部客户。二〇二六年正式切入具身智能赛道，新一轮融资也即将完成。

我之所以关注际数，不只是因为它的融资节奏，而是因为它切入问题的角度——不是做更多的数据，而是让每一条数据都真正有效。这与我在江苏创品工业设计做产品时遵循的"四力五维"方法论异曲同工。四力讲的是设计洞察力、技术整合力、品质实现力和用户共情力，五维则从功能、体验、美学、商业和社会责任五个层面评估一个设计方案的完整度。做产品和做数据，底层逻辑相通：你不能只看一个维度的指标，必须建立多维度的品质坐标系。

际数把当前行业面临的核心卡点归纳为六个方面。第一，有效数据成本高，大量预算花在了采集和标注上，但真正能提升模型性能的数据占比很低。第二，数据质量难预判，拿到一批数据之前，你几乎不知道它好不好，只能等训练完了看效果，试错成本极高。第三，跨本体复用难，为某一型机器人采的数据，换到另一型机器人上往往不能直接用，数据资产被锁定在单一硬件平台上。第四，离线评测与真实部署脱节，实验室里指标漂亮，一到真实场景就出问题。第五，数据资产化困难，数据散落在各个项目里，没有形成可管理、可定价、可交易的资产。第六，缺乏中立的质量基础设施，行业没有公认的质量标准和评估方法，买卖双方各说各话，信任成本极高。

这六个卡点本质上是一个问题：行业缺少一层独立于数据供需双方的质量基础设施。际数提出的"中立质量层"概念，核心就是在数据进入模型之前，先构建一套质量标准和评估方法。这很像工业体系里的计量检测机构——工厂可以生产零件，但零件合不合格，需要第三方计量站用经过校准的仪器来判定。测绘行业本身就有这个传统。测绘成果要经过两级检查、一级验收，平面位置中误差、高程中误差、属性精度、逻辑一致性，每一项都有明确的限差要求。没有这套质量控制体系，三峡大坝的毫米级变形监测就无从谈起，而我们日常用的全球定位系统米级定位误差在测绘人眼里是完全不同量级的概念。

际数的方法论可以概括为"一张图、一把尺、一个飞轮"。一张图，是场景知识图谱——把物理世界的场景拆解为可描述、可检索、可组合的知识结构。一把尺，是数据质量度量体系——定义什么是好数据，用什么指标衡量，阈值设在哪里。一个飞轮，是质量数据驱动的持续迭代机制——每一次模型训练和部署反馈，都会回流到质量评估模型中，让评估越来越准，让数据筛选效率越来越高。

这套方法论已经在智能驾驶领域得到了验证。际数帮助智驾客户将可用数据提升了十倍，数据漏斗的转化率从原来的百分之十到二十，提升到百分之七十到八十。他们训练的质量模型可以替代大约一百人的质检团队，而且更加稳定和一致。更直观的案例来自一家头部智驾客户：首期项目三十五天交付十万组数据，之后连续六期采购，累计交付三百九十五万组次。数字背后是客户信任的持续累积——在智驾这个对数据错误零容忍的领域，连续复购是最硬的背书。

说到这里，我想特别强调一个行业认知错位。很多客户以为自己在买标注服务，按标注框的数量、按标注工时付费。但实际上，客户真正要买的是"能训练出好模型的数据"。标注只是手段，不是目的。这就像你请工业设计公司，不是要买一堆效果图和渲染图，而是要买一个能在产线上稳定制造、在市场上被用户认可的产品。如果设计公司只追求出图数量而不考虑可制造性和可靠性，那图纸再漂亮也是废品。数据服务同理。

际数在实践中发现了一个深刻的洞察：行业缺的不是数据，是场景。他们做过调研，在全季酒店这样的环境里，真正有训练价值的有效场景可能只有两到三间客房；在一座有一百个工位的工厂里，有效场景不过四到五个。这意味着大量重复采集发生在无意义的场景上，而真正有价值的长尾场景却没有被系统性地覆盖。场景选择本身就是一种设计决策——你需要像做用户研究一样去分析场景分布，像做可靠性设计一样去识别高风险场景，像做安全设计一样去确保极端工况被覆盖。

由此引出数据资产化的核心命题：如何把原始数据转化为可复用、可交易、可定价的场景化资产。际数的路径是先定义场景，再评估质量，最后闭环迭代。场景知识图谱是这个体系的骨架。每一个场景都被结构化地描述——环境特征、物体属性、操作类型、难度等级、质量评分。当新的训练任务到来时，系统可以从图谱中快速检索和组合已有场景数据，而不是从头采集。

效果是显著的。智驾客户在第三期项目中，百分之六十的数据来自历史数据的重新调用，边际采集成本降到了首期的十分之一。上海某个十字路口的场景被采集了一千多次，因为它涵盖了复杂的交通流、行人交互和信号灯变化，复用率极高。这就是场景资产化的力量——数据从一次性消耗品变成了持续增值的资产。

在可靠性工程里有一个概念叫"加速寿命试验"，通过在短时间内模拟长期使用条件来暴露产品缺陷。场景知识图谱在某种意义上做着类似的事情——它让你不必等待真实世界里小概率事件慢慢发生，而是可以从资产库中精准调取那些高价值、高难度的场景，加速模型的成熟过程。

让我再回到人的因素。际数的三位核心成员背景很有代表性。创始人周源师从中科院院士李德仁，曾在美国航空航天局喷气推进实验室参与火星车项目，把行星测绘的精度思维带到了地面。联合创始人叶文凯师从李荣兴院士，曾在华为和极氪负责智能驾驶相关工作，横跨学术与产业。邹小弟有二十年汽车行业经验，曾在博世和百度任职，深谙车规级品质体系的严苛要求。这三个人的组合很说明问题——测绘科学的精度传统、智能驾驶的产业经验、汽车工业的质量体系，三条线交汇在一起，构成了际数做数据质量的底层底气。

测绘学科教会人三件事。第一是追问数据的本质——这个数是怎么来的，用什么传感器采的，在什么条件下得到的，它的不确定性有多大。第二是理解误差——误差不可避免，但你必须知道误差来源、误差传播路径和误差边界。第三是从质量角度看数据——不是所有数据都等权，不同精度、不同可靠性的数据应该被区别对待。这三条放在具身智能领域，每一条都直击要害。

空间智能数据的标准定义权正在成为行业竞争的制高点。谁定义了质量标准，谁就掌握了数据定价的话语权，也就掌握了产业链的关键位置。这不是一个单纯的技术问题，而是一个产业治理问题。回顾工业史，标准的建立往往伴随着阵痛——早期的螺丝规格五花八门，直到统一螺纹标准出现，大规模制造才成为可能；电气安全标准的建立，让消费者敢于把电器买回家；国际标准化组织质量体系的普及，让全球供应链有了共同语言。具身智能数据产业同样需要走到这一步。

合肥的科学岛在做核聚变，那是人类对能量精度的极致追求；蔚来的工厂在追求车身装配的毫米级控制，那是制造业对品质的坚守；科大讯飞在语音数据上积累了二十多年，那是对数据价值的长期信仰。这座城市的气质与际数正在做的事情有一种深层共鸣——不炫技，不追风口，沉下心来把基础打牢，把标准立住，把信任建起来。

我做工业设计这么多年，越来越相信一个朴素的道理：品质不是检验出来的，是设计进去的。数据品质同样如此。你不能指望在流水线末端靠质检员把所有坏数据挑出去，你必须在场景定义阶段就想清楚要什么，在采集设计阶段就控制好变量，在过程中就监控好质量，在验收时就有客观的尺子。这是质量工程的基本常识，也是一个行业从野蛮生长走向成熟的必经之路。

设计验证阶段最忌讳的就是用自己造的尺子量自己的产品。同理，数据质量评估如果由数据生产方自己说了算，就既当运动员又当裁判员，信任无从建立。中立质量层的价值正在于此——它不属于采集方，也不属于模型方，它提供的是一把经过校准、各方公认的尺。际数的质量模型之所以能替代上百人的质检团队，不只是因为效率高，更因为机器质检的标准是一致的、可审计的、可复现的。人会疲劳、会主观、会标准漂移，而质量模型不会。这和汽车行业推行国际质量体系的逻辑一脉相承——不是不信任人，而是要让品质不依赖于个人状态。

具身智能的浪潮才刚刚开始。未来十年，机器人会走进工厂、家庭、医院、商场，成为我们生活中无处不在的存在。而支撑这一切的底座，是高质量的空间智能数据。谁在今天愿意做数据品质的苦功夫，谁就能在明天赢得行业的真正信任。际数在合肥做的事情，也许就是这场信任体系建设的起点。测绘人的精度基因，遇上具身智能的时代命题，碰撞出的不只是一门生意，更是一个产业走向成熟的关键一步。