具身智能数据供给：从混沌到秩序的五层编译管线实践
2026/05/22 11:10阅读量 3
智域基石CTO徐良威在2026AI Partner大会上指出，具身智能落地需要高质量结构化数据，而非简单堆数据。他提出五层数据编译管线模型，包括质检、对齐、语义提取、大规模处理等步骤，并强调构建数据底座生态，实现本体、模型、产业协同。
事件概述
在2026AI Partner·北京亦庄AI+产业大会上，智域基石联合创始人兼CTO徐良威分享了具身智能数据供给的工业级实践。核心观点：具身智能的数据是时间、空间、任务意图紧密耦合的多模态资产，不能像大语言模型那样单纯堆数据，必须走质量优先的工业化路径。
关键挑战
- 2026年机器人已从实验室走向真实产业场景，面临动态、多模态、强时序关联的物理世界。
- 杂乱的、毫无规则的数据堆在一起难以训练出可靠模型，每个环节（采集、质检、标注、闭环）都需要质量把控。
- 两条主流技术路线（VLA模仿学习和世界模型）虽然模型架构不同，但底层都需要同一类资产：真实世界中的结构化高质量数据。
五层数据编译管线
徐良威提出了从原始数据到可用数据资产的标准化工序：
- 数据质检：检验raw data是否满足基本处理要求。
- 数据对齐：完成多模态信号在空间、时间上的结构化对齐，使数据可被算法索引。
- 语义与因果提取：从结构化数据中提取意图对齐和因果关系。
- 大规模数据处理：针对上亿甚至上千亿小时数据建设快速检索能力。
- 交付：将处理好、对齐好的数据交付给模型公司，最终服务于本体部署与产业落地。
生态构建而非项目制
当前行业仍以项目制运作（模型未收敛、本体百花齐放、产业逐步切入）。智域基石的目标是将数据能力从一次性交付升级为基础设施，通过对接本体、模型、产业，形成数据闭环：数据→模型→本体→产业→反馈→数据。只有让本体方、模型方、产业方各司其职，高质量物理世界的数据才能真正流通，支撑具身智能规模化落地。