过去一年，资金正疯狂涌入具身智能的数据与模型基础设施方向。
海外，专注机器人训练数据的Mecka AI在成立不到一年内连续完成两轮共6000万美元融资；软银、英伟达、三星联手向机器人模型公司Skild AI投入14亿美元，把估值推高到140亿美元以上。
国内，蚂蚁、滴滴、红杉、国方等机构接连出手，据投资界统计，仅2026年上半年国内具身智能赛道融资就超过460亿元，数据基建成为其中最拥挤的方向。而在这条全球竞速的赛道上，从文远知行体系中走出的景烁科技，已悄然服务100+海内外企业，成为最值得关注的玩家之一。
景烁科技，2024年5月成立，文远知行全资子公司，CEO是文远知行001号员工。
左：景烁科技CEO霍达，文远知行001号员工；右：景烁科技President&COO韩明
成立不到两年，营收过亿，收入已覆盖支出。它走的路和其他人不太一样：数据和模型，两件事同时在做。用创始团队的话说：做行业的铺路人，不做运动员。
不造本体，不做和客户抢生意的应用层模型，但一定要有自己的模型。因为在物理AI这件事上，只做数据是做不成基础设施的。
物理AI的大河，正在汇聚
2026年，比"大模型"更热的词是"物理AI"。它要让AI从服务器和屏幕里走出来，在真实物理世界中感知、理解、推理并执行动作。
训练目标不再是预测下一个文字，而是预测动作施加后的下一个物理状态。自动驾驶是物理AI第一个大规模落地的场景。两者不是两个赛道，而是同一条大河的不同支流。当然，难度不在一个层级。自动驾驶解决的是单一任务的泛化，让车从A点安全到B点，任务复杂但边界清晰。
具身智能解决的是跨任务的泛化，同一个机器人在厨房要拿鸡蛋、开冰箱，在工厂要拧螺丝、做质检。终极形态是拿到新任务，看一眼就能干，像人一样。从第一层爬到第三层，靠的不是"会开车"。真正可迁移的，是自动驾驶十年沉淀下来的感知、数据闭环与仿真验证体系。
它本就是通用机器人的核心技术底座，而这套底座里最硬的一块，是一个能理解物理世界的模型。
特斯拉、小鹏、小米这些自动驾驶玩家几乎同时转身布局人形机器人，要复用的从来不是造车能力，而是这套底座。
GENESIS-Robotics：凭什么叫统一"世界模型"
2026年，几乎每家做具身智能的公司都说自己有世界模型。
但李飞飞在《世界模型的功能分类法》里把世界模型按功能拆成了三层：渲染器只负责生成影像，模拟器要理解几何与物理法则，规划器才能据此做出决策。三层的差距，一只玻璃杯就能看出来。让模型生成"一只玻璃杯从桌沿滑落"，渲染器能给你一段无可挑剔的画面，光影材质运动模糊全都对。
但追问它：杯子落地会不会碎？碎成几块？桌子高10厘米和80厘米结果一样吗？它答不出来，因为它学的是像素之间的相关性，不是物理世界的因果性。而机器人需要的，恰恰是后两层。让机器人学会错误的物理规律，代价是砸坏一个杯子，或者更糟。GENESIS - Robotics的做法是把三层能力收进同一个架构。
基于Transfusion范式，视觉token与动作token在统一表征空间里联合训练，输出三项能力。世界理解：编码物理因果，预测交互后的状态变化。数据合成：基于物理一致性批量生成高保真场景和长尾样本。物理感知策略生成：输出操作策略基线，服务于数据验证与客户冷启动，最终策略由客户自己迭代。三项能力共享同一套物理表征，这是"统一"能够成立的前提。模型在合成数据时学到的物理规律，策略网络立刻就能用；策略执行中暴露的物理误判，也反过来修正世界理解。不是三条平行流水线，而是互为训练信号。GENESIS不是从零开始训的，它对物理世界的理解能力，是文远知行在真实道路上被海量里程和极端场景反复校准出来的。
全球RoboTaxi第一股、智驾大赛六连冠本身就是公开验证。
如今这套模型IP独家授权给景烁，在具身领域大部分公司都在从零训练世界模型的赛道上，这是一个几乎无法被追赶的时间差。
三层架构：数据与模型如何咬合成飞轮
有了模型，数据的意义才变了。行业里大多数玩家的做法是：招人、采集、标注、按小时交付，数据是终点。
景烁的做法是让数据和模型互相喂养，数据喂模型，模型反过来放大数据、校验数据。这套飞轮由三层产品承载：底层WorldEngine，数据模型一体化平台。核心机制是反向模型验证：每批数据入库前先拿去训练基准模型，在标准测试集上量出真实性能增益，没有可度量增益的不入库。
七层清洗管线把原始数据有效率从48%拉到70%，这就是"数据成本降低50%"的真正来源。中枢GENESIS - Robotics，向下承接真实数据作为训练养料，向上以合成能力把1份真实数据放大百倍，同时为WorldEngine的质检提供模型侧标尺。模型迭代效率提升10倍。顶层SkillForge，Physical AI数据资产引擎。从采集硬件到资产封装一条线贯通。
采集端核心设备EGOK，专为Ego-Centric数据设计：400W像素双目相机加近红外多目阵列，毫米级手部关键点追踪，亚毫秒级延迟，轻量机身，支持热插拔电池与全天候续航，满足长时间连续采集需求。
采集完的数据加工成标准化Skill Pack技能包，目前覆盖四大领域、50+场景、1000+任务变体，累计沉淀超50万小时高质量数据、5000万余条结构化任务片段、200+标准技能包。这套东西跑起来效果如何？挑几个最硬的数字：真实家庭场景中，仅接入Ego数据，任务成功率从45%升到63%，净增18个百分点，不做任何额外调优。
全新任务只需3条演示样本就能拉起20个百分点以上的提升。在十余款主流机器人本体上交叉验证，zero-shot及跨场景任务成功率有15%–25%的绝对提升。客户冷启动周期从数月压缩到数周。而且Ego数据在40倍量级上仍未饱和，Scaling Law依然成立。规模越大回报越高，天花板还没到。
谁在买单
景烁成立不到两年，已与全球TOP10科技公司全部建立合作，拥有100+全球客户与生态伙伴。
营收过亿，收入覆盖支出，业务复合增速约70%。在具身智能赛道普遍烧钱的2026年，一家基础设施公司先跑通盈亏平衡，这件事本身就是最好的产品验证。
再看它站的位置：多范式采集不绑定任何一家本体厂商，不造机器人、不碰应用层，所以能同时接互为竞品的多家客户的单。
而要接得下来，靠的是10余个全球交付中心和5000多名数据专家撑起的产能，以及一支研发占比超90%的百人核心团队。
具身智能还在等自己的"ChatGPT时刻"。在那之前，总得有人先把数据体系和模型底座垫好。景烁干的就是这件事。路已经铺好，车随时可以上路。
10个月宝宝每天需要喝多少奶粉？
