刻行时空获近亿元融资，专注具身智能真机数据生产与治理

刻行时空近日披露完成新一轮近亿元融资,由咏归基金领投,深圳长盈鑫投资有限公司、常州智融等跟投,资金将重点投向预部署环境建设、数据理解模型研发以及“采集、训练、仿真、推理”全链路基础设施。这一轮融资在具身智能行业整体趋冷的背景下尤为引人注目——它不仅验证了真机数据作为关键生产资料的商业可行性,更凸显出一条区别于主流创业路径的务实路线:不造机器人本体,也不直接训练通用大模型,而是聚焦于多模态时空数据的工程化生产与质量管控。

根据公开信息,融资前刻行时空已签署一份合同金额超2亿元、总时长约30万小时的海外真机数据订单。需要明确的是,30万小时为合同约定的交付总量,并非已完成规模;目前已确认首批逾千小时数据完成交付并验收通过,其中基于宇树机器人本体的数据通过率超过99%。这一高通过率背后,是其对数据质量控制的严格标准:从采集设备同步精度、时间戳对齐到任务失败场景的保留完整性,均设定了可量化的质检指标。

刻行时空成立于2022年,早于本轮具身智能创业热潮。创始人黄阳明拥有苹果、赢彻科技与高仙的从业背景,核心团队普遍具备自动驾驶与机器人数据工程经验,带入行业的不是某种硬件或算法,而是处理复杂时空多模态数据的系统能力。公司早期产品coScene并非面向训练数据市场,而是解决已部署机器人的运维痛点。

以高仙清洁机器人项目为例,传统模式下故障日志分散、地图包需手动下载、问题复现困难,工程师难以高效定位根因。刻行通过预设错误码、自动上传故障时段数据与运行诊断程序,帮助客户筛查超90%的重复性问题,一个6至7人团队每周节省约80小时运维工时,效率提升70%。在苏泊尔智能烹饪项目中,平台自动采集、裁剪并共享温度、压力与时长等菜谱曲线数据,使标准菜谱研发周期从3周缩短至1周,电控开发由2周压缩至2天,质检时间从5天减至1天。这些案例表明,刻行早期出售的并非人形机器人训练素材,而是一套跨研发、测试与协作的数据工作流工具。

2025年与智元绝尘合作时,该工具链开始明确连接运维与算法迭代。系统仅针对定位丢失、电梯进入失败、避障失效等关键事件触发数据采集,无效数据减少70%,故障排查时间从数天降至数十分钟,算法迭代周期缩短20%。这条“先做脏活、再向上游延伸”的路径,使其比纯数采场公司更理解研发人员如何查找、回放与使用故障数据——这构成了其核心差异点。

进入真机数据业务后,刻行将原有能力拆解为三层相互衔接的技术系统:

第一层是数据生产管理。StarBase平台负责将客户订单拆解为批次与任务,统一调度不同机器人本体、采集员、场景与标注流程。其预部署环境已覆盖200+场景、600+任务类型,通过动态调整道具、起始位置、光照条件、任务顺序及插入意外事件,刻意制造多样性,目标不是让机器人反复成功,而是捕获全身协同、长任务衔接与失败恢复等稀缺样本。

第二层是数据治理与理解。coScene平台支持MCAP、ROS bag、HDF5等多种格式,实现多模态数据的采集、存储、检索、标注、可视化与回放。机器人数据包含图像、雷达、关节状态与控制指令,任一路时间戳错位都将导致训练样本失效,因此时间轴对齐是基础要求;刻行还在研发高精度姿态追踪与多维标注模型,将任务语义、空间关系、本体感受与上下文纳入标签体系,并依据质检结果反向优化采集策略。

第三层是评测与仿真扩展。Real2Sim模块旨在将一次真实交互扩展为多次仿真测试,在虚拟环境中改变变量、识别薄弱环节,再回归真机验证与补采,形成闭环。仿真用于扩大覆盖广度,真机用于校正物理误差,最终成效仍需以模型在统一测试集上的性能提升为准,而非单纯生成合成数据量。

这套系统支撑了三种商业模式:交付已有数据集、按需定制生产、以及提供数据处理平台与方案服务。公司选择的切入口高度具体——较早关注宇树机器人在海外开发者生态中的应用,随后联合宇树与上海技术交易所共建湾谷示范场,专注生产全身运控与长时序复杂操作数据。它不参与本体制造或通用大模型开发,而是承担场景设计、软硬件适配、数据生产与交付,从而避免与潜在客户正面竞争,并能同时服务多家本体与模型厂商。

值得注意的是,当前行业对具身数据价值仍存分歧。一方面,Agile Robots等硬件厂商正加速量产(2026年计划生产2000台人形机器人),并强调真实场景数据对模型泛化能力的关键作用;另一方面,部分观点质疑数据是否真能稳定提升模型性能,认为当前标注成本高、场景泛化难、任务定义模糊等问题尚未根本解决。刻行时空的实践提供了一种中间路径:先确保数据可生产、可确权、可交付,再通过持续反馈验证其对模型的实际增益。

在合规层面,跨境数据交易涉及隐私、安全与知识产权多重挑战。刻行通过标准化采集协议、脱敏处理流程与本地化质检节点,降低了海外订单落地难度。其与宇树共建的示范场亦具备数据主权清晰、场景可控等优势,为后续规模化复制提供了范式。

目前,具身智能仍处于从实验室走向真实场景的关键过渡期。硬件成本下降、算力提升与算法进步构成三重推力,但高质量真机数据的供给瓶颈仍未完全突破。刻行时空的融资与订单进展表明,当数据生产被当作一项严谨的工程而非一次性采集任务时,其商业价值正在显现。下一步考验在于:这些数据能否在多个客户模型上复现一致的性能提升,进而形成正向循环——这将是具身智能从“能动”迈向“会想”的重要一步。