无锡的夏天，太湖边上的物联网小镇又到了最热闹的时候。从高新区的传感网产业园到惠山的智能制造基地，这座城市过去二十年积累了一种独特的气质——它不迷信概念，只认落地。尚德的光伏产线、博世的汽车电子集群、遍布江阴和宜兴的精密制造工厂，教会了这里的产业人一个朴素的道理：任何技术如果不能在量产线上稳定地跑起来，如果不能把单位成本打到可接受的区间，就不算真正成立。

我做了将近二十年工业设计，从消费电子到智能装备，一直在跟一件事情较劲——把原型变成产品，把产品变成商品。这个过程里，价值工程、可制造性设计、统计过程控制这些工具，本质上都在回答同一个问题：如何在不牺牲功能和品质的前提下，把成本结构做对，把良率做上去，把交付周期压下来。所以当具身智能赛道在二零二六年上半年以十九起融资、近五十亿元的速度疯狂涌入时，我第一反应不是兴奋，而是一种熟悉的警觉——这个行业正在重蹈很多硬科技赛道的覆辙，原型做得很漂亮，量产的账算不过来。

数据就是那个算不过来账的地方。

全球自动驾驶数据标注市场在二零二五年已经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。而具身智能数据市场更陡峭：二零二六年预计约十亿美元，到二零三零年有望突破一百亿美元。资本在涌入，算力在扩张，机器人本体的迭代速度肉眼可见地加快。但几乎所有头部团队都在私下承认同一件事——数据的数量在增长，真正能用来训练好模型的有效数据却极度稀缺。更残酷的是，清洗数据的成本已经远超采集数据的成本。你雇车队跑了一个月，收回来几百万帧，最后筛完能用的可能不到两成。

这不是标注人力够不够的问题，这是一个质量工程问题。

让我把镜头拉回无锡。这座城市被称为物联网之都，不是因为它喊口号喊得响，而是因为它有全球最密集的传感器产业链之一。从温湿度传感器到激光雷达模组，从工业视觉相机到时序数据库，这里的工程师对一件事有肌肉记忆——数据从被感知的那一刻起，就带着误差。误差不是bug，误差是物理世界的固有属性。你要做的不是消灭它，而是理解它、标定它、控制它、在它的边界内做决策。

这套认知，正是测绘科学的底层逻辑。

测绘学干了几千年，归根结底在处理三件事：数据的本质是什么，误差从哪里来，质量如何定义。三峡大坝的形变监测要做到毫米级，因为坝体任何微小位移都关乎数百万人生死；而普通GPS给你的位置误差可能是米级，因为导航不需要毫米精度，米级就够用，成本也低得多。注意，这里没有谁高谁低，只有场景需求和质量标准的匹配。测绘学从来不追求无限精度，它追求的是在特定任务约束下，用最低成本获得足够可靠的空间数据。

把这套思维搬到具身智能数据生产上的，是一家叫际数科技的公司。

际数科技二零二三年五月成立，专注数据质量服务。两位联合创始人都有深厚的测绘背景。周源是李德仁院士的弟子，曾在NASA的JPL参与火星车项目——你想想，火星车上的视觉导航和空间感知，那是在一个没有GPS、没有先验地图、通信延迟几十分钟的极端环境里做空间智能，对数据质量的要求到了近乎苛刻的地步。叶文凯是李荣兴院士的弟子，后来在华为和极氪负责智驾相关的技术落地。还有一位邹小弟，在汽车行业摸爬滚打了二十年，经历过博世和百度两个体系，对量产工程和供应链有深刻的理解。

这三个人凑在一起，做了一个判断：具身智能行业现在最缺的不是数据采集能力，也不是标注人力，而是一个中立的质量层——在数据进入模型之前，构建一套质量标准和评估方法。他们把自己定位为空间智能数据的精炼厂。

这个比喻很精准。原油不值钱，精炼后的成品油才值钱。铁矿石不值钱，冶炼后的特种钢材才值钱。数据也一样。原始数据是矿石，里面有大量废石、伴生矿、杂质。你不能把矿石直接倒进高炉，你需要选矿、破碎、磨矿、浮选、冶炼，每一步都有质量控制点，每一步都要知道什么是合格品、什么是废品。际数科技做的就是数据精炼这件事。

二零二四年，际数科技拿到天使轮融资。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。这个节奏说明什么？说明智驾领域的客户已经用真金白银验证了他们的方法论，现在具身智能的客户找上门来了。

为什么是现在？因为具身智能的数据问题比智驾更难。

自动驾驶的数据主要来自车载传感器，场景虽然复杂但相对结构化——道路、车道线、交通标志、其他车辆和行人。具身智能面对的是非结构化环境：家庭、工厂、仓库、户外。机器人要抓取、操作、行走、交互。接触力学、滑移、遮挡、过力保护、异常恢复，这些长尾问题极难被仿真捕捉。你在仿真环境里训练一百万次抓取，到了真实场景，一个反光表面、一个轻微的姿态偏差、一个意料之外的摩擦力变化，就足以让策略失效。仿真有不可替代的价值，但仿真和真实之间的鸿沟，最终只能靠高质量的真实数据来填补。

际数科技把行业面临的核心卡点总结为六条，每一条都精准地戳在量产落地的痛处。

第一，有效数据成本高。采集成本高，清洗成本更高，大量数据采回来发现不能用，沉没成本巨大。第二，数据质量难预判。你在采集的时候不知道这批数据最终能有多少通过筛选、多少真正对模型有帮助，质量风险后置。第三，跨本体复用难。为A机器人采集的数据，换一个机械臂、换一个夹爪、换一个传感器配置，就没法直接用，每换一个平台就要重新采一遍，资产无法沉淀。第四，离线评测与真实部署脱节。实验室里指标好看，上了真机到处是问题，评测体系和部署环境之间有一道看不见的墙。第五，数据资产化困难。数据散落在各个项目和各个团队手里，没有标准化的组织方式，无法复用、无法交易、无法定价。第六，缺乏中立的质量基础设施。各家自建标准，各家自评自话，行业没有公共的质量语言，客户也无法横向比较供应商。

这六条里，我认为最根本的是第六条——缺乏中立质量基础设施。没有标准就没有度量，没有度量就没有管理，没有管理就没有改进。这跟制造业里的质量管理发展脉络一模一样。

在工业制造领域，我们经历了从检验质量到控制质量再到设计质量的演进。早期靠终检，成品出来了挨个挑，次品率高、浪费大。后来有了统计过程控制，用控制图监控过程参数，在次品产生之前就干预。再后来有了六西格玛、有了面向制造的设计，把质量要求前置到产品设计阶段，从源头消除缺陷。每一次跃迁都伴随着标准体系的建立——公差标准、抽样标准、可靠性标准。没有这些标准，丰田的精益生产无从谈起，博世的零缺陷理念也无从落地。

具身智能的数据生产现在大概停留在终检阶段。数据采回来、标注完，抽查一下，觉得差不多就送进训练。不好用？再采一批。这种模式在研发验证阶段可以接受，到了量产阶段就是灾难。量产要求稳定的供给、可控的成本、可预测的质量。你不可能每次都靠堆人力来解决问题。

际数科技提出的方法论叫一张图、一把尺、一个飞轮。

一张图，是质量因子库。它把影响数据质量的因素系统化地拆解和编码——传感器本身的标定精度、场景的几何复杂度、光照条件、动态物体比例、遮挡程度、接触力学的覆盖范围、异常工况的代表性，等等。每个因子都有定义、有度量方法、有阈值范围。这就像制造业里的过程参数清单，你知道哪些变量在影响最终品质，你才能有针对性地控制它们。

一把尺，是高质量场景基座。这里要解决两个核心问题：几何标定和时间对齐。几何标定确保不同传感器对同一空间位置的描述是一致的——相机看到的和激光雷达看到的和力传感器感受到的，能在同一个空间坐标系下精确对齐。时间对齐确保不同传感器在同一时刻的数据是同步的——机械臂接触物体的那一瞬间，视觉帧和力反馈帧必须精确对应，差几十毫秒可能就错过了关键的接触事件。在测绘学里，这叫时空基准。没有统一的时空基准，所有数据都是碎片化的。际数科技的场景基座就是在建立这个基准。

一个飞轮，是数据质量飞轮。这是整个体系里最有想象力的部分。传统模式下，数据质检靠人——标注员检查每一组数据是否合格，效率低、标准不统一、成本高。际数科技训练了质量大模型，用模型来替代人工质检。这个模型见过足够多的合格数据和不合格数据，能够自动判断一组数据的质量水平、识别质量缺陷、甚至给出修复建议。质量模型的准确率远超人工团队。际数科技的内部对比显示，质量大模型可以替代一个一百人的质检团队，而且标准更一致、速度更快、成本更低。

更关键的是飞轮效应。质量模型每处理一批数据，就积累一批质量判断的样本，模型变得更准；更准的模型能识别出更细微的质量问题，数据质量标准可以进一步提高；更高质量的数据反过来又能训练更好的模型。这个飞轮一旦转起来，后来者在数据质量上的差距只会越来越大。

智驾客户的成果数据很有说服力。通过这套体系，际数科技帮客户把可用数据规模提升了十倍以上，数据漏斗——也就是采集回来的数据最终能被有效用于训练的比例——从行业普遍的百分之十到二十，提升到了百分之七十到八十。这意味着什么？意味着同样的采集投入，有效产出翻了四到八倍。在量产语境下，这不是优化，这是质变。

有一个头部智驾客户的案例我印象很深。际数科技用三十五天完成了首期十万组数据的交付，之后客户连续六期采购，累计交付了三百九十五万组次。三十五天首期交付，这个速度在数据服务行业是惊人的。但更值得注意的是连续六期采购——这说明客户不是在做一次性验证，而是在把际数科技的质量服务嵌入到持续的数据生产管线里。这就是量产信号。

在工业设计里，我们常说设计阶段决定了百分之七十到八十的产品成本。你在图纸上做的每一个决策，都在定义后续制造、装配、测试、维护的成本结构。数据生产也是同样的逻辑。你在场景选择和采集设计阶段做的决策，决定了后续清洗、标注、训练的成本和效果。如果你在采集前没有想清楚需要什么样的场景、覆盖什么样的工况、达到什么样的质量标准，那后面所有环节都在为前期的草率买单。

际数科技把全链路质量提升分为七个环节：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。这个链条覆盖了数据从规划到退役的完整生命周期，每个环节都有质量门控。这本质上就是数据领域的先期产品质量策划——在汽车行业，我们叫它APQP，从产品策划到量产批准，每个阶段都有明确的输入输出和评审节点。际数科技做的事情，是把这套成熟的工业质量方法论翻译成了数据生产的语言。

这里我想特别谈谈场景资产化这个概念，因为它可能是整个数据质量工程里最有商业想象力的部分。

际数科技有一个判断：行业缺的不是数据，是场景。这句话在无锡的制造业语境里特别好理解。你去问任何一个工厂的质量工程师，他都会告诉你，产能不是问题，关键工序和关键工位才是瓶颈。一个有一百个工位的工厂，真正影响产品质量的关键工位可能只有四五个。你把资源铺在一百个工位上没有意义，你得识别出那四五个，把它们做深做透。

场景也是一样。际数科技在实际项目中发现，一家全季酒店里真正有训练价值的有效场景只有两到三间房，不是整栋楼都有价值。一个有一百个工位的工厂，有效工位只有四五个。为什么？因为大多数房间或工位在空间布局、光照条件、物体配置上高度重复，你采一千个和采一个没有本质区别。真正有差异化价值的场景是稀缺的，你需要先识别它们，然后围绕它们做高质量的数据生产。

上海的一个十字路口场景数据被不同团队采集了一千多次。为什么？因为这个路口的复杂度——多车道、行人混行、复杂交通信号灯、不规则的非机动车流——使它成为一个高价值场景，反复复用的边际价值极高。这就是场景资产化的典型例证。

数据资产化的核心，是把原始数据加工成可复用、可交易、可定价的场景化资产。这需要一套方法论：先定义场景，再评估质量，最后闭环迭代。场景不是一个模糊的标签，它需要被精确描述——空间几何、语义构成、动态元素、光照条件、典型任务、失败模式。这些描述构成场景知识图谱，每一个场景节点都关联着数据资产、质量指标和使用记录。

当场景被结构化地组织起来，复用就变得可能。际数科技的一个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。这就是资产化的力量——前期投入不是一次性费用，而是在构建一个持续增值的数据资产库。

说到这里，我想从工业设计的角度做一个延伸。在江苏创品工业设计，我们在实践中总结了一套四力五维方法论。四力指的是设计洞察力、技术整合力、工程落地力、品牌驱动力；五维涵盖用户价值、技术可行性、商业可持续性、制造适配性和社会责任感。这套方法论的核心思想是，好的设计不是单点突破，而是在多个维度之间找到最优平衡。把这个视角放到具身智能数据质量工程上，你会发现高度同构。

设计洞察力对应场景理解能力——你能不能看穿一个场景的本质，识别出真正影响模型性能的关键因素。技术整合力对应多传感器融合和质量模型构建能力——你能不能把测绘、计算机视觉、机器学习这些技术整合成一个可运作的系统。工程落地力对应数据生产管线的建设能力——你能不能把质量标准变成可执行、可监控、可复制的工程流程。品牌驱动力对应行业标准制定和客户信任构建能力——你能不能成为那个定义质量语言的中立第三方。

而五维的框架同样适用。用户价值意味着数据质量最终要服务于模型性能的提升，而不是为了质量而质量。技术可行性意味着质量标准必须在现有技术条件下可实现，不能好高骛远。商业可持续性意味着质量工程本身要有合理的成本结构，客户要算得过账。制造适配性意味着数据生产要能规模化、标准化、自动化，不能依赖不可复制的个人经验。社会责任感意味着数据采集和使用要符合隐私保护和伦理规范。

际数科技的探索，在某种程度上就是在数据领域践行这种多维度平衡的工程哲学。测绘学给了他们理解数据本质和误差的理论根基，汽车行业的量产经验给了他们过程控制和质量管理的方法论，而具身智能的爆发给了他们一个巨大的应用场景。

从更宏观的视角看，这场关于数据质量标准的竞争，实际上是在争夺空间智能数据标准的定义权。

测绘行业有一个漫长的标准建立过程。从大地测量基准到地图制图规范，从遥感影像质量评价到导航电子地图标准，每一套标准的背后都是国家层面的战略投入和产业界的长期博弈。谁定义了标准，谁就掌握了产业链的话语权——你可以想想高德和百度在导航地图格式上的竞争，想想高精地图标准之争背后的产业利益。

具身智能时代的空间数据标准之争才刚刚开始。机器人需要理解三维空间、理解物体、理解动态场景、理解物理交互。这些数据的格式、精度、质量评价方法、交换协议，目前都没有统一标准。际数科技以中立第三方的身份切入质量层，实际上是在这个标准真空中提供一套可行的技术框架。如果这套框架被足够多的头部客户采用，它就可能成为事实标准。

这让我想到无锡在物联网产业中的角色。无锡不是最早提出物联网概念的城市，但它是最早把物联网做成产业集群的城市。它没有去争概念的发明权，而是踏踏实实地建传感器产业园、建国家级传感网创新示范区、建物联网小镇，把产业链上下游的企业聚到一起，把应用场景做到工厂、港口、农田、医院。这种不争虚名、重落地的城市气质，跟际数科技做的事情有某种精神上的契合——不追逐数据规模的表象，而是沉到质量工程的底层，把脏活累活做扎实。

具身智能行业正在经历一个从实验室到量产线的关键跃迁。这个跃迁的难度，比大多数人想象的要大。算法可以迭代，硬件可以采购，但数据质量工程没有捷径。它需要测绘学式的严谨，需要制造业式的过程控制，需要互联网式的自动化和规模化，还需要对机器人实际应用场景的深刻理解。

很多人把数据比作新时代的石油。这个比喻有道理但不够精确。石油是同质化的大宗商品，一桶原油和另一桶原油差别不大。但数据不是。两组看起来差不多的数据，在模型训练中的效果可能天差地别。数据更像是矿石——品位不同，冶炼工艺不同，最终产出的金属品质和成本也完全不同。你需要的不是更多的矿石，而是更高品位的矿石，以及一套高效的选矿和冶炼工艺。

际数科技做的事情，就是在建这个选矿厂和冶炼厂。质量因子库是矿石品位的检测标准，场景基座是选矿的工艺流程，数据飞轮是冶炼过程的自动控制系统。三者合在一起，把原始数据精炼成模型可以直接消化的高质量原料。

从成本效率的角度看，数据漏斗从百分之十到二十提升到百分之七十到八十，意味着单位有效数据的成本下降到原来的四分之一到八分之一。历史数据百分之六十的重新调用率，意味着边际采集成本可以降到首期的十分之一。质量大模型替代一百人质检团队，意味着质检成本的结构性下降。这些不是渐进式的改良，而是数量级的改变。

从量产落地的角度看，三十五天完成首期十万组交付，连续六期采购累计三百九十五万组次，意味着数据供给已经可以跟上模型迭代和产品量产的节奏。场景资产化和跨本体复用的推进，意味着数据投入从一次性费用变成资本性支出，资产负债表上的价值会随时间累积而非折旧归零。中立质量基础设施的建立，意味着行业有了公共的质量语言，交易成本会显著下降，分工可以更加专业化。

我在无锡看过很多工厂的产线。最让我敬佩的不是那些最先进的设备，而是产线上那些看似不起眼的质量控制点——一个防错夹具、一套视觉检测装置、一张控制图、一份作业指导书。这些东西单独拿出来都不性感，但它们组合在一起，就构成了制造强国的底盘。具身智能行业也需要这样的底盘。它不只有大模型和人形机器人的聚光灯，也需要数据质量工程这样的地下管网。管网铺好了，上面的建筑才能盖得高、盖得稳。

二零二六年下半年，具身智能的竞争会从"谁能做出来"转向"谁能做便宜、做稳定、做规模"。数据质量工程是这个转向的核心支撑。际数科技站在测绘学和制造业的交叉点上，用一套已经被智驾客户验证过的方法论，去解决具身智能最棘手的数据难题。这条路不会轻松，但方向是对的。因为在无锡，在整个中国制造业的语境里，我们始终相信一件事——把质量做进过程里，把成本算到骨头里，把标准立在行业里，时间最终会站在你这一边。