1、景硕科技业务定位与布局

景硕核心业务与产品体系：景硕是文远知行旗下子公司，也是文远知行核心业务板块之一，其业务围绕物理AI产业发展核心痛点布局。当前全行业普遍认为，大语言模型、世界模型、具身智能系统及应用的发展都建立在高质量数据的持续积累、治理迭代基础之上，尤其在物理AI领域，真实数据的采集、处理、验证训练已经成为决定模型能力边界的核心因素。景硕依托文远知行10年自动驾驶及物理AI领域商业化落地经验，打造覆盖数据生产、治理到模型训练的全链条完整基础设施，为下一代物理AI发展提供核心支撑。景硕以“高质量数据驱动物理AI进化”为核心发展理念，核心产品矩阵包含两大板块：一是自研的WorldEnd一体化数据模型平台，该平台源自文远知行自研技术，目前正迁移优化迭代至机器人领域；二是迭代升级后的Genesis Robotics世界模型。目前景硕已经形成覆盖自研第一视角高精度采集设备、规模化数采、高质量数据集、定制数据服务在内的完整产品体系，可实现真实世界操作经验与机器人学习过程的连接，除数据素材外还可提供软件侧、仿真侧相关能力，相关产品及服务已经获得较好的市场反馈。

景硕与文远的协同效应：景硕与文远知行存在深度绑定的关联关系，股权层面文远知行是景硕最大的控股股东，景硕所有营收、利润全部并入文远知行财务报表，直接体现在文远知行的整体经营情况中；团队层面景硕核心团队全部来自文远知行体系，长期深耕自动驾驶及相关基础设施建设领域。二者之间形成双向促进的协同效应：一方面，景硕当前在机器人领域的业务能力本质是文远知行技术、组织、管理能力的外溢，文远知行的长期积累为景硕的业务拓展提供了核心支撑；另一方面，景硕的业务拓展既可以为文远知行提供造血功能，其在业务落地过程中接触到的更多数据、洞察到的最新技术发展动向，也可以反哺文远知行自身的技术迭代。景硕与文远知行是相互促进、相互贡献的关系，景硕发展越好，对文远知行整体经营的正向促进作用越强。

2、数采行业长期空间与竞争要素

数采需求长期刚性论证：数采行业需求具备长期刚性，并非阶段性红利，核心逻辑是AI技术迭代本质为数据驱动，大模型、物理AI等领域对高质量数据的需求将长期存续。从大模型发展历程来看，行业首先已消耗完互联网上的全部公共数据，当前随着大模型泛化能力实现质的飞跃，产业进入垂直领域落地阶段，coding、办公、法律等细分赛道对垂直领域专属知识数据的需求较此前更为旺盛。以自动驾驶行业为例，全行业已积累数百亿帧数据，发展至今超过10年，但从业者仍普遍需要更多长尾场景、极端工况等常规情况难以覆盖的数据支撑技术迭代；当前硅谷头部数据公司年AR规模已达110亿美元起步，也直观印证数据需求的高景气度。此外OpenAI推出Astra具身智能产品后，仅新增500万到1000万小时的相关数据就实现了智能涌现，进一步验证数据要素是AI能力提升的核心支撑。尤其需要注意的是具身AI领域存在独特的数据缺口：数字大模型有现成的互联网历史数据可调用，自动驾驶有汽车这个成熟工业载体可以天然形成数据收集闭环，但是人形机器人在具备用户期待的通用能力前，无法像汽车一样大规模进入千家万户，不存在天然的数据收集闭环，陷入“没有数据就没有优秀AI能力→没有能力就卖不出产品→卖不出产品就收集不到数据”的死循环，数据缺口已经成为具身AI落地的核心阻塞性问题，也将进一步催生长期、大规模的数采需求。

数采行业核心竞争要素：数采行业的核心竞争要素是数据质量，而非部分观点认为的客户关系优先。核心逻辑是AI模型遵循“垃圾进、垃圾出”的底层规则，数据质量直接决定模型最终性能，如果供给的数据质量参差不齐、场景重复混乱，不仅无法帮助模型迭代，反而会对模型性能造成损害，此类供应商也无法和客户建立长期合作关系。商业合作的本质是价值交换，客户选择数采供应商的核心判断标准是其提供的数据是否能够切实提升自身模型的性能，即便和客户方团队有紧密的关系，只要数据无法为模型带来正向提升作用，也无法获得客户的订单。头部数采企业的核心竞争力就在于通过自研软件、算法以及成熟的运营经验，保障数据生产的高质量与高效率，这才是客户愿意买单的核心原因。

3、数采行业竞争格局与客户结构

国内数采行业发展趋势：国内暂未出现类似海外Scale AI这类大规模数采厂商，估值差异主要来自汇率差及市场对中资公司的预期差，海外头部数采厂商估值达20亿美元，国内同类数采公司估值以人民币计量，该差异并不影响行业实质需求，当前数采行业下游数据需求强烈且旺盛。从长期发展趋势看，行业分工将持续细化，头部基模、算法公司核心聚焦自身模型能力打磨，模型公司自行开展数采业务很难做好，数采业务外包是主流发展方向。当前国内已显现同类型大型数采独角兽持续涌现的趋势，未来国内肯定会跑出来多家具备强竞争力、高估值的数采领域龙头企业。

客户数据预算分配逻辑：客户数据预算分配逻辑清晰，国内多数客户普遍设有小型自研团队，配备自研设备或运营团队开展试验性数采工作，整体发展趋势向海外市场看齐，客户逐步倾向将数采需求交由专业供应商完成，聚焦核心模型研发。外包数采需求按项目公开竞标分配，国内数采厂商会与海外头部数采厂商全球同台竞技，竞争核心维度包括三点：一是数据质量，二是规模化生产能力，三是场景丰富度。国内数采厂商在上述三个维度均具备明显优势，整体竞争力强于海外同类型厂商，最终项目中标核心取决于供应商的整体效率、质量以及对自动驾驶、数据领域的行业know-how积累。

数采厂商差异化定位：数采厂商普遍具备差异化竞争标签，不同厂商核心优势各有侧重，当前国内发展较好的数采厂商主要有两类起源：一类是从自动驾驶领域演化而来，和当前巨深场景有较多可借鉴应用的地方；另一类是大厂AI算法工程师创业设立。景硕、文远的差异化定位清晰，依托10年积累的全闭环数据基础设施，覆盖从数据采集获取、自动化标注挖掘、仿真到模型训练迭代的全流程，具备真实数据运营+虚拟仿真的全链条能力。其产能支撑体系完善，拥有4000-5000名专职采集员负责基础数据采集工作，同时配备数十万级众包/专家网络承接更多众包类工作，规模化运营能力突出。

4、大模型发展对具身AI数据需求的影响

通用大模型与垂直模型的关系：OpenAI推出Astra后对具身AI行业产生震撼效应，清晰展现基础大模型向物理世界能力延伸的趋势，数据已成为行业核心资产，OpenAI为Astra新增500-1000万小时数据（以异构数据为主），推动基础能力实现智能涌现。长期技术演进路线明确：基础大模型厂商将持续投入打造通用智能，机器人大脑类厂商将聚焦模型部署落地，形成“基础大模型提供通用智能+机器人体小模型负责落地部署与后训练”的架构，最终实现机器人落地后采集真实世界正负样本、失误案例等数据，形成自我迭代的闭环。当前头部大模型公司的数据采购需求呈爆发式增长，今年数采需求至少100万小时，明年需求提升至至少1000万小时，整体呈10倍增长趋势；行业普遍预判基础大模型预训练至少需要上亿小时异构数据支撑，待基础大模型预训练完成、AI感知能力达标后，行业才会进入后训练、强化学习阶段。

机器人技术路线对数据的要求：当前机器人领域技术范式尚未完全收敛，大模型普及前行业曾出现World Model、VLA等多种技术路线，即便当前基础大模型的技术框架已相对收敛，但与具身智能相关的后端算法仍处于探索阶段，不过数据范式已率先收敛，预训练阶段行业普遍采用异构（ego）数据。异构（ego）数据即无本体数据，通过人类佩戴轻便设备采集日常生产生活数据，经处理、对齐、自动化标注后即可用于模型训练，与传统遥操、真机采集等数采方案相比，前者具备强通用性与泛化性优势：a.传统遥操、真机采集方案因机器人成本高导致数采效率低、成本高，难以规模化；b.真机采集的数据存在retargeting问题，很难泛化到其他机器人本体的模型训练中，无法支撑规模化迭代。景硕从去年底开始布局ego数据业务，目前已拿到大量订单，收入表现扎实，布局节奏匹配行业技术发展方向。

5、ego数据发展趋势与行业影响

ego与5米数据的发展定位：异构数据是唯一可实现规模化能力升级的技术路径，目前行业内仍有客户采购5米数据，但从技术发展逻辑、现有实验结果、产品demo及公开评测指标来看，5米数据属于过渡阶段的数采方案，难以支撑模型能力实现质的飞跃，ego数据是当前行业主流布局的长期可规模化核心发展方向，除该路线外行业暂未找到其他可有效升级模型能力的可行路径。

ego数据价格与利润率趋势：当前ego数据行业价格竞争十分激烈，价格本质由成本决定，核心并非人工采集的运营效率，而是整套软件的处理效率，核心影响因素为单GPU单小时的数据生产、处理效率，以及自动化标注等环节的软件自动化程度。价格下降并非利空，反而有助于降低行业应用门槛推动普及；客户采购时优先关注数据质量，包括场景多样性、数据对齐质量、算法精度、标注精度等维度，高质量数据可获得明显溢价，在满足质量要求的前提下客户对价格敏感度较低。景硕凭借符合甚至超出客户预期的高质量数据，获得了高于行业平均的溢价水平，未来兼具成本控制能力与高质量产品供给能力的企业将在竞争中脱颖而出。

大模型入场对具身行业的影响：大模型入场布局具身智能赛道，对主打具身智能大脑、算法研发的创业公司存在一定冲击，这类公司的定位将逐步向落地部署方向切换，或将伴随估值调整、融资规模下降的情况。但对景硕这类定位为数据及基础设施服务商的企业而言是明确利好，头部大模型厂商的数采预算投入更高，将彻底打开数采行业的市场空间。当前具身AI行业仍处于发展早期，相比已有10年发展历程的自动驾驶赛道成熟度更低，大模型入场有望推动具身AI行业迎来ChatGPT时刻，加速模型能力质的飞跃与落地场景拓展，对整个具身行业及数据基础设施厂商均为长期利好。

6、数采行业项目模式与定价机制

项目获取模式：数采行业项目获取为混合模式，主要分为公开招标与点对点邀约两类，伴随行业内企业的品牌曝光与技术投入增加，客户对供应商的认知度提升，当前点对点定向合作邀约数量较多。无论采用哪种合作模式，项目推进均有标准化前置流程：客户首先要求供应商提交数据样本，双方就核心指标进行充分沟通核对，核心指标涵盖数据质量精度、具体参数标准、整体数据规模、后续可供应产能等维度，项目合作的核心决策依据为供应商的数据质量与交付能力，项目合作前需提交数据样本、质量指标、产能规划等信息供客户验证。

行业定价机制：数采行业暂无统一的标准化定价规则，定价按照数据质量、标注复杂度、指标要求的差异实行阶梯式报价，整体分为三个档位：第一档为高质量数据，包含丰富标注信息、多维度指标要求及配套产品要求，定价处于最高区间；第二档为中等质量数据，定价处于中间区间；第三档为低质量数据，主要满足客户前期测试类需求，定价处于最低区间，高质量数据价格可达低质量数据的数倍。不同项目的报价体系及客户价格预期存在差异，头部供应商依托核心产品优势可获得更高议价权，其中景硕生产的高质量数据集竞争力较强，可获得行业较高溢价。

客户需求趋势：海内外客户的数采体系建设存在明显差异，国内客户普遍配备小型自研数采团队，主要开展试验性的数据采集、处理工作；海外客户更聚焦于自身模型研发环节，仅安排少量项目经理、交付经理对接供应商。当前全行业数采需求缺口较大，海内外客户的数采需求均以采购现成数据集为核心，若现有供应商的数据集无法覆盖需求缺口，客户会进一步提出定制化生产需求，定制化需求核心指向产能扩充，要求供应商定向生产指定规模的数据。当前头部机构客户的数采需求持续释放，数采需求整体呈爆发式增长态势。

7、数采产品形态与核心竞争力

产品标准化与定制化布局：当前已形成标准化产品与定制化项目并行的产品结构，自有标准化产品体系，会提前与客户沟通标准化数据集是否匹配需求，从目前反馈来看，标准化数据集通用性较强，多数客户需求重合度较高，同一份数据往往能满足多家客户需求。与此同时，因当前市场对数据产品需求规模较大，公司仍有闲置产能可承接定制化项目，针对客户特定需求专门生产对应数据，定制化需求主要针对特定场景与产能缺口，可覆盖客户个性化需求，最大化释放产能价值。

第三方供应商核心竞争力：对于第三方数据采集供应商而言，数据质量、多样性、产能三者均为核心能力要求，当前行业处于发展前期，客户既需要数据覆盖多样场景，对单一场景的需求量也十分可观，例如家庭、公司、工厂等不同细分场景均有大量需求。公司以高质量数据为核心追求，不刻意选择规模优先或场景优先的发展路径，依托全闭环数据处理软件系统，可智能指导采集工作规划，平衡数据规模与场景多样性，这套系统可清晰掌握整体数据分布、规模、处理流程等全链路情况，结合自研算法与AI能力，能主动给采集人员下发工作任务与后续规划，全链条数据处理软件能力是公司的核心壁垒。

8、机器人数据需求演进与ego瓶颈

机器人长尾数据需求：机器人领域不同发展阶段的数据需求存在差异：具身机器人做demo阶段，corner case就具备重要价值，典型场景包括叠衣服、拿取杯子、物品拾取放置等操作中的失败及恢复场景，这类数据对模型优化支撑作用十分关键。当前机器人数据需求以预训练阶段的异构数据为主，行业核心需求集中在扩大异构数据规模、提升数据多样性与质量。corner case（失败场景）数据将在后训练/落地阶段成为核心需求，随着预训练效果不断优化，模型进入后训练或落地部署阶段后，corner case数据的需求会更加凸显，获取难度更高、对模型落地的支撑作用也更为关键。

ego数据的发展瓶颈：ego数据当前主要存在两大发展瓶颈：a. 未来ego数据有望加入触觉、嗅觉、声音等多模态传感器数据。长期来看ego数据需要结合触觉方案，人类操作物品时的力触觉反馈是判断感知的重要支撑，比如捏玻璃瓶与塑料瓶的触感差异能帮助快速完成识别判断，现阶段多数企业暂未大规模应用触觉信息，客户也暂未提出相关要求，但长期来看多模态传感器数据的加入是重要发展方向。b. 当前核心优化方向是软件处理效率与算法精度。当前算力需求虽不及大模型训练，但仍需投入较多算力资源，行业需持续提升整套软件的运行效率与算法精度，优化算法能力降低算力消耗，实现单卡处理更多数据，覆盖手部重建、全身姿态还原等多场景需求。目前相关技术仍存在较多难点，依托文远的整套技术能力，后续有机会实现更好的优化效果。

9、前沿技术对数采行业的影响

量子科技的应用可能性：针对量子科技在AI基础设施、数采领域的应用及前瞻布局，以及量子科技与智能网联汽车融合的发展前景相关问题，当前反馈显示，暂未观测到量子计算在数采及智能网联领域存在明确应用场景，目前量子科技与数采行业的整体结合度较低，因对量子计算领域了解有限，其余相关问题暂未给出明确结论。

10、数据复用价值与行业订单特征

数据时效性与复用价值：当前数据集业务本身属于可“一鱼多吃”的模式，高质量异构数据无明显时效性问题，不存在“保鲜度”困扰，不会被轻易淘汰或需要完全更新，只要数据质量达标，各类模型均可适配使用，可多次对外销售复用。自动驾驶领域积累的相关数据在具身领域具备复用价值：自动驾驶场景下采集的视频类、视频与MU结合类数据，数据范式与具身领域接近，一方面可帮助数据类企业优化自身数据处理模型效果；另一方面可输入基础模型训练，支撑机器人、物理场景相关模型优化。不过当前暂未看到具身领域客户大量采购智驾数据的情况。

具身AI核心应用场景：此前市场提及的具身AI落地场景包括冰激凌售卖、零售店服务、叠衣服、打螺丝、修汽车、酒店客房打扫等，目前来看暂未出现特别创新的落地场景，家庭场景是最具潜力的长期落地方向，核心需求覆盖保洁、看护、叠衣服、捡袜子、收鞋子、洗碗等各类家务、看护类需求，也是最具落地挑战的场景。除此之外当前主流落地场景还包括两类：一是工厂场景，覆盖各类生产操作类需求；二是消费场景，包括咖啡厅、超市的相关服务类需求。

行业订单结构特征：行业内部分厂商对外宣传的夸张大额订单多为长期框架合同，对应金额为长期合作总规模，并非短期可兑现收入。头部数据企业在手订单规模达数十亿级，订单交付周期为1-2年，行业整体处于供不应求状态，国内外相关创业公司仅发展1-2年就可实现较高规模增长，行业订单整体呈爆发式增长态势。海外头部数采相关厂商年AR水平较高，其中mcore年AR约20亿美元，其他同领域厂商规模分布在1亿美元到10亿美元区间，整体增长态势显著。

Q&A

Q：景硕科技的业务定位、核心产品以及与文远知行的股权和财务关系是什么？

A：景硕科技是文远知行旗下的子公司和主要业务之一，依托文远知行在自动驾驶和Physical AI领域10年的商业化落地经验，构建了覆盖数据生产、治理到模型训练的完整基础设施。核心产品包括一体化的数据模型平台WordEnd和自研世界模型Genesis Robotics，提供第一视角高精度采集设备、规模化数采、高质量数据集和定制数据服务，以高质量数据驱动物理AI进化。股权和财务方面，文远知行仍是景硕科技最大的控股股东，景硕科技的营收和利润均会并表体现在文远知行的整体经营情况中，两者在业务进展、造血功能和技术能力迭代上相互促进。

Q：数采行业的长期发展空间如何，以及该行业最关键的成功要素是什么？

A：数采行业的长期发展空间非常持续且长久，并非阶段性事情。大模型和Physical AI对数据的需求非常旺盛且持续，从基础大模型到垂直领域，再到自动驾驶的长尾数据以及具身智能的初始数据，需求都在不断增加。特别是物理AI领域缺乏像汽车那样的天然数据闭环，数据缺口是一个阻碍落地的核心问题，因此各家都在解决数据问题，本质需求非常大。该行业最关键的成功要素是提供高质量的数据，而不仅仅是数据量或客户关系。数据质量直接决定模型质量，如果数据质量参差不齐会对大模型有害，难以建立长期合作。景硕科技和文远知行通过独特的软件、算法和运营经验来保证数据高质量，客户买单的核心原因在于高质量数据能真正推动模型能力提升。

Q：客户的数据预算如何在内部团队与外包供应商之间切分，外包供应商的选择和分工模式是怎样的，以及为何中国目前尚未出现类似Scale AI的大型数采厂商？

A：中国目前正逐渐涌现出接近Scale AI类型的大型数据公司，估值差异部分源于汇率和市场认知，在强烈的行业需求下中国肯定能跑出几家估值很大的强数据公司。在预算切分和分工模式上，虽然大多数中国客户有自己的小团队进行试验性数据采集，但趋势是头部基模或算法公司逐渐将数据需求外包给在规模化运营、数据处理经验和管线能力上更聚焦的供应商，因为模型公司自己做数据很难做好。客户一般不会按品类或场景拆分供应商，而是让多家供应商根据具体项目一起竞标。在全球竞争中，中国同类型公司在数据质量、规模化生产能力和场景丰富度上具有明显优势。此外，不做模型的公司很难做好数据，景硕科技和文远知行由于自身进行模型训练和落地部署，更清楚需要什么样的高质量数据以及如何提高数据效率，从而在竞争中具备领先优势。

Q：头部数采厂商之间是否存在差异化的竞争标签，景硕科技和文远知行的核心竞争标签是什么？

A：头部数采厂商之间并非完全同质化，各家公司都有自己独特或擅长的竞争标签。景硕科技和文远知行的核心标签是聚焦10年积累的整套基础设施闭环，涵盖从数据采集、自动化标注、自动化挖掘到仿真、训练及持续迭代的完整流程。在此基础之上，公司具备强大的真实数据运营和规模化生产能力，拥有4000到5000位专职采集人员以及数十万规模的众包和专家网络。在真实数据之下，公司还具备基于仿真世界生成虚拟数据的能力。

Q：如何看待通用大模型与机器人垂直模型之间的关系，以及目前客户对这两类模型的数据需求情况如何？

A：通用大模型在物理世界的能力延伸效果显著，长期来看基础大模型公司会持续投入，使基础模型具备强大的垂直领域和物理AI能力。在技术演变上，创业型机器人大脑公司未来可能更聚焦于模型的部署和落地，将机器人作为工具由大模型调用，并在落地后通过小模型收集真实世界反馈形成数据闭环和自我迭代。目前基础大模型公司纷纷入场并大量投入获取物理世界真实数据，行业普遍认为无本体的ego数据在scaling law上已得到验证，头部客户正在大规模采购此类数据，预测单个公司至少需要上亿小时的数据起步。只有基础模型在预训练阶段打好基础，下一阶段才会真正进行后训练和强化学习。

Q：目前哪一类客户的数据需求更多，通用大模型的数据需求在近期是否有明显提速？

A：目前需求呈现爆发式增长和明显提速的主要来源于国内外的头部基础大模型公司。这些公司在数据上的投入持续加大，今年单家公司的数据需求至少达到100万小时，明年预计至少达到1000万小时，整体呈现出约10倍的增长趋势。

Q：机器人行业不同技术路线对数据的要求有何不同，景硕科技如何满足这些要求？

A：尽管机器人行业的具身相关算法和技术路线尚未完全收敛，仍在探索中，但数据范式已经收敛。特别是在预训练阶段，行业基本都采用异构数据，通过让人类佩戴轻便设备在正常生活工作中采集数据，再进行高质量处理、对齐和自动化标注。这种数据通用性和泛化性好，能带来模型能力的质的飞跃。相比之下，之前的遥操真机数据因成本高、效率低且存在难以泛化到其他机器人本体的retargeting问题而无法实现规模化。景硕科技正是看到了这一技术发展方向，从去年年底开始布局ego数据，从而较快获得了大量订单和扎实的收入。

Q：机器人本体采集的数据是否已经失去发展机会？

A：不能绝对说机器人本体采集的数据已经失去机会，目前仍有客户需要此类数据。但从整体逻辑和实验评测结果来看，无本体的异构数据是唯一有可能真正实现规模化的方法。如果异构数据无法使模型能力产生质的飞跃，目前很难想到更优的替代方案，因此本体采集的数据更多被视为一个过渡状态。

Q：Ego数据的价格竞争情况如何，景硕科技如何应对价格竞争并维持利润率？

A：Ego数据市场的价格竞争非常激烈，但价格的本质取决于成本，而成本不仅依赖于人工采集的运营效率，更关键的是整套软件的处理效率，如单GPU单小时的数据处理量、自动化标注程度等。景硕科技和文远知行不参与低质量数据的价格战，而是通过提升场景多样性、数据对齐质量、手部重建算法精度和标注精度来提供高质量数据，从而在市场上获得良好的溢价。在当前供不应求且需求急剧增加的阶段，客户的首要要求是场景丰富度和质量标准，当数据质量满足甚至高于客户预期时，价格便不再是核心阻碍，具备高质量和成本控制能力的公司能够脱颖而出。

Q：基础大模型入场对具身智能行业格局有何影响，景硕科技如何应对可能的行业融资额下降趋势？

A：基础大模型公司入场对具身智能行业整体是利好，能够带来类似ChatGPT时刻的智能飞跃，但对具身领域内专注于算法或大脑的创业型公司会带来一定冲击。对于景硕科技这类定位为数据和基础设施提供商的公司而言则是明显利好，因为大型基础模型公司具备更强的资金实力，能够跟上巨大的数据投入需求，从而彻底打开市场空间。在行业发展初期，模型能力的快速飞跃将推动更多落地场景的出现，这对整个行业以及数据基础设施公司都是积极的发展信号。

Q：数采行业的项目获取方式以及供应商与客户之间的定价机制是怎样的？

A：数采行业的项目获取采用混合模式，既包括客户招标，也有大量因公司品牌曝光而获得的点对点定向邀约。在合作前期，客户通常会要求供应商进行试标、试采并提供数据样本，以评估数据质量、精度、规模和产能等指标。定价方面，行业内没有统一的标准小时价格，而是根据客户的具体需求和数据质量要求实行阶梯式报价。包含丰富标注和严格指标要求的高质量数据，其价格通常比低质量数据贵数倍。景硕科技凭借高质量的数据集获得了良好的市场溢价和较高的价格，并在与客户沟通中具备较强的议价能力。

Q：客户在数据需求上有哪些趋势变化，以及客户是否有自建数采体系的趋势？

A：在自建数采体系方面，大部分中国客户拥有自己的小团队进行试验性的数据采集和处理，而海外客户更聚焦于模型研发，通常由项目经理与供应商对接。在需求趋势上，由于目前数据缺口巨大，国内外客户均以直接采购现成数据集为主。当现成数据集无法满足其庞大需求时，客户会进一步与供应商洽谈定制化生产，主要对产能提出专门要求。随着大型机构公司的入场，客户对数据量的需求正呈现出爆发式增长的趋势。

Q：数采行业未来是否会形成标准化产品，还是将长期以定制化数据为主？

A：数采行业既有标准化产品，也包含定制化生产。景硕科技拥有一套标准化的巨大通用数据集，从客户反馈来看，这些标准数据基本能满足各家客户的通用需求。同时，由于当前市场对数据的渴望度和需求量极大，标准数据集往往无法完全满足缺口，因此公司也会承接大量项目定制业务，专门为客户进行定向数据生产。

Q：对于第三方数采供应商，扩大数据规模与提高数据质量和多样性哪个更重要？

A：对于第三方数采供应商而言，扩大数据规模与提高数据质量和多样性同样重要。在行业前期，客户既需要涵盖家庭、公司、工厂等各类场景的多样性数据，同时对每一类特定场景的数据需求量也非常巨大。景硕科技通过一套完整的软件系统来分析整体数据的分布和处理情况，并借助AI能力主动向采集人员下发任务和规划，从而在保证高质量的前提下，有效提升数据的多样性和覆盖面，同时不断积累数据规模。

Q：机器人领域目前是否已经产生对corner case数据的需求，还是仍处于极度缺乏基础数据的状态？

A：尽管从制作demo的角度来看，corner case对具身智能很重要，但目前行业的需求仍主要聚焦在预训练阶段，即大量获取异构数据、追求数据多样性和质量的阶段。随着异构数据预训练的不断完善，当模型进入后训练或实际落地部署阶段时，对corner case等失败场景数据的需求将会变得更加关键，且获取难度也会更大。

Q：目前ego数据在实现scaling的过程中还有哪些难点和瓶颈需要解决？

A：目前ego数据在实现规模化的过程中主要面临两个难点。第一是多模态传感器的结合，长期来看可能需要将触觉甚至嗅觉、听觉等信息与ego数据结合，以提升物理世界中的判断和感知能力，尽管目前客户尚未提出明确的触觉要求。第二是整体处理效率和算法精度的优化，这是当前的核心挑战。公司需要不断提升软件效率和算法能力，以提高单张算力卡处理更多数据的能力，从而在控制算力成本的同时实现更高效的数据处理。

Q：量子计算技术在AI数采领域是否有应用或前瞻布局，以及与智能网联汽车融合的前景如何？

A：公司目前对量子计算技术了解有限，在当前的AI数采业务中尚未看到该技术有特别好的应用场景，也没有进行相关的前瞻布局或观察到明显的融合趋势。

Q：数采行业的数据是否具有时效性和保鲜度问题，以及过往积累的自动驾驶数据在具身智能领域是否有重复利用价值？

A：数采行业的数据实质上是一鱼多吃，目前尚未发现保鲜度或时效性问题，高质量数据不会被轻易淘汰或需要完全更新，模型均可持续使用。关于过往积累的自动驾驶数据，其在具身智能领域具有重复利用价值。自动驾驶中采集的视频及与IMU结合的数据，不仅对具身模型公司有帮助，对数据公司而言更能用于训练自身的数据处理模型。由于两者的数据范式接近，将这些数据送入基础模型进行训练，对物理AI或机器人的能力提升均会产生积极效果。

Q：具身智能和机器人厂商是否会大量采购自动驾驶数据用于模型训练？

A：实际上，专注于具身智能和机器人的厂商，大量采购自动驾驶数据的情况并不多。因为具身智能采集的异构数据更多侧重于操作类和室内相关场景，与自动驾驶数据的场景侧重点有所不同，因此目前并未观察到具身智能厂商大规模采购自动驾驶数据的趋势。

Q：具身智能领域目前有哪些具有创新性和关注价值的新应用场景？

A：目前具身智能领域尚未出现特别多极其新颖独特的应用场景。个人最看好且认为最具挑战的是家庭场景，如家庭保洁和看护等。此外，工厂场景也有大量客户在布局，消费类场景如咖啡厅和超市的应用也较多，但整体上仍以这些常规场景为主，客户训练的任务也多集中在叠衣服、捡袜子、洗碗等日常操作。

Q：数采行业的订单签订模式是怎样的，为何部分友商披露的订单金额极高但实际兑现较少？

A：部分友商披露的极高订单金额通常是因为签订了长期的框架合同，合同总金额较大，因此在宣传时数字显得夸张。而在实际业务中，头部数采公司的实际营收规模通常在数十亿级别，业务开展更为扎实。从美国市场来看，头部公司的年度经常性收入可达约20亿美金，其他规模较小的公司也有3亿至10亿美金不等的规模。整体而言，该行业的订单量正呈现爆发式增长，许多中美创业公司在短短一两年内便实现了大幅度的业绩增长。

Q：数采行业数十亿规模的订单，其交付周期通常是多长？

A：数采行业数十亿规模的订单，其交付周期通常在1年到2年之内。

温馨提示：内容源于第三方以及公开平台，仅供用户参考，恕本平台对内容合法性、真实性、准确性不承担责任。如有异议/反馈可与平台客服联系处理（微信：_LYSD_）