傍晚六点半，陆家嘴环形天桥上挤满了举着手机拍照的游客。桥下，一辆自动驾驶测试车平稳地拐过世纪大道与陆家嘴东路的交叉口，斑马线前有行人突然折返，车在零点八秒内完成了减速和让行。站在天桥上的我，作为一名从业十五年的工业设计师，习惯性地开始拆解这个瞬间的体验逻辑：行人感知、行为预测、路径重规划、制动执行，这一切的背后是数百万乃至上千万个真实路口场景数据在支撑。但很少有人追问，这些数据从何而来，质量如何，又有多少是真正有效的。

这个问题正在成为整个具身智能行业的分水岭。

二〇二六年上半年，国内数据服务领域发生了十九起融资事件，总金额接近五十亿元。全球范围内，自动驾驶数据标注市场在二〇二五年已达到约五十亿美元的规模，年复合增长率超过百分之二十五。具身智能数据市场更是势头迅猛，预计二〇二六年市场规模约为十亿美元，到二〇三〇年有望突破一百亿美元。资本涌入、企业扩产、车队上路，一切看起来热气腾腾。但如果你蹲在一家数据标注公司的交付中心待上一周，就会看到另一番景象：采集车每天回传海量数据，其中大量片段因标定偏差、时间戳错位、场景重复、标注不一致而被废弃。数据的数量在增长，有效数据却依然稀缺，清洗成本早已远远超过采集成本。

这让我想起工业设计里一个被反复验证的道理：原型阶段省掉的用户调研，最终会以十倍的代价在量产端偿还。数据也是一样。采集端的粗放，会在模型训练和真实部署中被放大成系统性风险。

做过机器人交互设计的人都知道，仿真环境里跑得再漂亮的策略，一到真实场景就露馅。机械臂手指接触物体表面的瞬间，摩擦力的微小变化会导致滑移；货架上的商品被其他物体遮挡，视觉识别直接失效；力控装配中过力保护没有触发，工件被夹出凹痕；机器人在异常状态下的恢复行为，往往是仿真中从未覆盖过的长尾案例。接触、滑移、遮挡、过力、异常恢复，这些恰恰是用户体验中最关键的"关键时刻"，也是最难被仿真捕捉的真实场景问题。用户不会记得机器人在完美条件下流畅操作的那九百九十九次，但会牢牢记住它在第一千次掉链子的样子。这就是人因工程里经典的峰终效应在机器人领域的翻版。

因此，真正的质量提升不能只盯着标注环节，而要覆盖从场景选择、采集设计、过程控制、数据验收、质量修复到任务适配和资产复用的全链路。任何一个环节的短板，都会在最终的人机交互体验中暴露出来。江苏创品工业设计在长期实践中提炼的四力五维方法论，强调从洞察力、整合力、实现力、进化力四个维度和用户价值、技术可行性、商业可持续性、场景适配性、情感连接性五个层面系统评估一个产品或系统。把这套思路平移到数据领域，会发现一个朴素的事实：数据不是采得越多越好，而是要看它是否精准匹配了真实场景中用户的需求和行为模式，是否具备跨场景迁移的进化能力。

在上海张江的一间办公室里，有一家公司正在用一种近乎偏执的方式回答这个问题。

际数科技成立于二〇二三年五月，专注于数据质量服务。两位联合创始人都有深厚的测绘学科背景，他们的定位很特别：不做数据采集的矿工，要做空间智能数据的精炼厂。二〇二四年公司完成天使轮融资，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，际数科技正式切入具身智能领域，新一轮融资也即将完成。

为什么是测绘背景的人来做这件事？因为测绘学的底层逻辑就是看数据的本质，看误差、看质量。三峡大坝的形变监测需要毫米级定位精度，而普通GPS的误差可能达到米级，两者之间差了三个数量级。测绘人天然对误差敏感，对质量有近乎本能的苛求。这种基因移植到具身智能数据领域，意味着他们从第一天起就不满足于"有数据就行"，而是追问数据的几何精度、时间对齐、场景覆盖、标注一致性是否经得起模型训练的检验。

际数科技的路径很清晰：在数据进入模型之前，先解决质量问题。

他们梳理出行业面临的六大核心卡点。第一是有效数据成本高，大量资源浪费在无效采集和重复清洗上。第二是数据质量难以预判，交付前缺乏可靠的质量评估手段，往往是模型训练效果不佳时才反推数据有问题。第三是跨本体复用难，为A机器人采集的数据无法直接迁移到B机器人，数据资产被锁定在单一硬件平台上。第四是离线评测与真实部署脱节，实验室指标漂亮但上路就出问题。第五是数据资产化困难，原始数据堆在服务器上无法变成可复用、可交易、可定价的资产。第六是整个行业缺乏中立的质量基础设施，没有统一的标准和评估方法，各家自说自话。

这六个卡点本质上都指向一个缺失的中间层——中立质量层。它的价值在于，在数据进入模型之前就构建质量标准和评估方法，让数据生产者有章可循，让数据使用者有据可依。际数科技认为，行业目前存在一个普遍的认知错位：客户买的不是标注服务，而是能训练出好模型的数据。这就像用户买电钻不是想要电钻本身，而是想要墙上那个洞。工业设计领域有一句类似的话，用户从来不买产品，他们买的是产品带来的体验和结果。数据服务同理。

为了构建这个中立质量层，际数科技提出了一套"一张图、一把尺、一个飞轮"的方法论。

一张图，指的是质量因子库。它系统描述了真实场景中各类因素与数据质量之间的关系，比如光照变化对视觉传感器的影响、雨雾天气对点云密度的衰减、不同路面材质对轮胎滑移率的改变。这个因子库不是静态文档，而是持续生长的知识体系，它帮助团队在采集前就能判断哪些场景值得采、哪些条件下的数据质量更可控。

一把尺，指的是高质量场景基座。通过精细化的几何建模解决多传感器间的标定问题，通过高精度的时间同步解决多模态数据的对齐问题。这把尺让不同时间、不同地点、不同设备采集的数据有了统一的度量基准。测绘学中有一个核心概念叫控制网，所有测量值都要回溯到统一的坐标基准上，际数做的事情本质上就是在为具身智能数据建立这样一个控制网。

一个飞轮，指的是数据质量飞轮。专家提供领域知识和质检规则，质检人员执行标准化检验，质量模型则从人工质检结果中学习并逐步自动化。三者形成正向循环：专家经验越丰富，规则越精准；质检数据越积累，模型越聪明；模型越自动化，专家就能把精力投入更高阶的质量问题。飞轮转起来之后，质量提升不再是线性的人力堆叠，而是指数级的效率进化。

效果是实打实的。在智驾客户的实际项目中，可用数据规模提升了十倍以上，数据漏斗的通过率从原来的百分之十到二十提升到了百分之七十到八十。这意味着过去采一百组数据只有十到二十组能进训练集，现在有七十到八十组可用。他们开发的质量大模型在质检任务中完胜人工，能够替代一百人的质检团队，而且不会疲劳、不会主观波动、不会因人员流动而丢失经验。

一个头部智驾客户的案例很能说明问题。际数科技用三十五天完成了首期十万组数据的交付，此后客户连续六期采购，累计交付三百九十五万组次。三十五天十万组，这个速度在行业里是惊人的，但更值得关注的是连续六期的复购——这不是一次性买卖，而是客户对质量体系的持续认可。

在服务智驾客户的过程中，际数科技发现了一个更深层的命题：场景资产化。

现在行业缺的不是数据，是场景。一家全季酒店可能有上百间客房，但真正具备高价值训练条件的有效场景只有两到三间。一座工厂有一百个工位，有效工位只有四到五个。为什么？因为大部分场景在几何结构、光照条件、物体排列、任务流程上高度同质化，采了也是重复数据，边际价值趋近于零。真正稀缺的是那些包含了多样性、长尾性和交互复杂性的高价值场景。

数据资产化的核心，就是把原始数据加工成可复用、可交易、可定价的场景化资产。际数科技的做法是先定义场景，再评估质量，最后闭环迭代，逐步形成场景知识图谱。场景不是一张照片或一段视频，而是包含了环境几何、物体属性、动态事件、交互行为、质量标签在内的结构化知识单元。一旦这些单元被标准化、结构化，它们就不再是一次性消耗品，而是可以被反复调用、组合、迁移的资产。

一个智驾客户在第三期合作中，百分之六十的训练数据来自对历史数据的重新调用，边际采集成本降至首期的十分之一。这就是资产化的力量——前期投入构建的高质量场景库，在后续项目中持续产生复利。

上海的一个十字路口就是典型的高价值场景。这个路口汇集了机动车、非机动车、行人、外卖骑手、观光游客等多种交通参与者，路况复杂、行为模式多样，采集一次就能覆盖大量长尾情形。际数科技在这个路口采集的数据被不同客户、不同项目反复调用了一千多次，复用率极高。这就像工业设计中的经典模具，开模成本高但一旦成型就能持续产出。区别在于，数据场景不会磨损，用得越多价值反而越高。

际数科技团队的背景，决定了他们能走到这一步。CEO周源拥有武汉大学与俄亥俄州立大学联合博士学位，师从李德仁院士，曾参与NASA和JPL的火星车项目。火星车在遥远星球上面对的是完全未知的环境，每一个决策都依赖高质量的传感数据，这种极端条件下的数据经验塑造了他对数据质量的极致追求。CTO叶文凯是同济大学与佐治亚理工学院联合博士，师从李荣兴院士，曾在华为和极氪负责智驾相关工作，既有学术深度又有量产经验。COO邹小弟拥有二十年汽车行业经验，先后在博世和百度任职，深谙产业客户的真实需求。三个人的组合恰好覆盖了学术前沿、工程落地和商业运营三个维度。

测绘出身的人看数据，和纯计算机背景的人有本质不同。他们关心的不只是算法在benchmark上的分数，而是数据本身的几何精度、时序一致性、误差传播链路。三峡大坝形变监测中毫米级定位与普通GPS米级误差之间的差距，让他们深刻理解一个道理：误差控制不是锦上添花，而是决定系统可信度的根基。把这种思维带入具身智能，际数科技选择了一条与众不同的路：数据进模型之前先解决质量问题，而不是等模型出了问题再回头补数据的课。

这背后其实是一场关于空间智能数据标准定义权的争夺。谁掌握了质量标准，谁就掌握了数据资产的定价权和交易规则。际数科技想做的，不是某一家公司的质检外包商，而是整个行业的中立质量基础设施。这需要技术能力，更需要行业信任和长期主义。

场景的稀缺性也在驱动新的采集模式。际数科技正在武汉大规模寻找家庭和超市等高价值场景。为什么是武汉？因为武汉拥有丰富的家庭户型多样性和商超业态层次，从老城区的小户型到新城区的大三居，从传统菜市场到现代化大型超市，场景梯度完整，数据多样性高。这种对场景多样性的主动搜寻，本身就是场景设计思维的体现——不是有什么采什么，而是根据任务需求和体验目标主动定义采集什么。

从工业设计的角度看，具身智能的竞争正在从"模型能力"向"数据质量"迁移，而数据质量的本质是场景质量。一个机器人在真实环境中的交互体验，取决于它在训练阶段见过多少高质量的真实场景。场景设计不是装饰性的后期工作，而是决定机器人能力边界的底层架构。

创品四力五维方法论中的进化力，强调系统应该具备持续学习和自适应的能力。际数科技的数据飞轮恰恰体现了这一点——质量模型从人工质检中学习，质检规则从场景反馈中迭代，场景知识图谱从每一次项目中生长。这不是一次性的数据交付，而是一个持续进化的质量生态。

上海这座城市本身就是一个绝佳的隐喻。陆家嘴的摩天大楼代表着技术的高度，但支撑这些建筑的是深入地下数十米的桩基和毫米级的变形监测。具身智能同样如此，模型和算法是地面上令人瞩目的建筑，而高质量的场景数据就是那看不见的桩基。没有精密的测绘和质量控制，再炫目的建筑也会倾斜。

夜幕下的世纪大道，车流不息。一辆测试车缓缓汇入车流，尾灯在湿润的路面上拉出红色的光带。它的每一次转向、每一次制动，都是数百万高质量场景数据在瞬间做出的判断。而这些数据背后，是一群测绘人用毫米级的标准，在重新定义机器人体验的边界。