杰西卡 發(fā)自 凹非寺
量子位 | 公眾號 QbitAI

AI行業(yè)，最稀缺的搶手貨變了。

李飛飛提出“空間智能”后，行業(yè)正在形成一個越來越明顯的趨勢判斷：大模型之后，世界模型、具身智能正成為資本和產(chǎn)業(yè)關(guān)注的新焦點。

然而，AI開始轉(zhuǎn)向理解并作用于真實的物理世界之時，一個尷尬的現(xiàn)實也隨之浮現(xiàn)：

訓練這些模型所需的真實物理世界交互數(shù)據(jù)，極度稀缺——缺到甚至有業(yè)內(nèi)觀點認為，需求與供給之間，可能存在近十萬倍的差距。

因為過去的大模型，靠海量文本和圖片就能完成語言理解與生成，但具身智能需要的是“決策→行動→反饋”的完整鏈條——這些靜態(tài)、缺乏因果和交互的數(shù)據(jù)，很難再滿足需求。

行業(yè)迫切需要一種全新的數(shù)據(jù)：來自真實物理世界、帶有因果邏輯、能持續(xù)產(chǎn)出的交互數(shù)據(jù)。

于是，高質(zhì)量的物理世界數(shù)據(jù)，成為當下戰(zhàn)略級的稀缺資源；而能為行業(yè)持續(xù)、低成本、大規(guī)模生產(chǎn)物理世界數(shù)據(jù)的玩家，也逐漸被推上風口。

有意思的是，業(yè)內(nèi)人士告訴量子位，AI時代最大的物理世界數(shù)據(jù)入口之一，很可能正在從一個很多人意想不到的行業(yè)里誕生，那就是出行平臺。

你可能并不知曉，平日里常用的出行服務平臺，除了出行服務之外，正在用數(shù)據(jù)新業(yè)務“賺外快”。

出行平臺，流行起用數(shù)據(jù)“賺外快”？

出行服務行業(yè)，最近逐漸流行起一門新的生意：手握海量真實道路一手數(shù)據(jù)源的平臺們，正通過數(shù)據(jù)資產(chǎn)化、服務化等方式，開辟第二增長曲線。

而且這些平臺中，已經(jīng)有玩家成功變現(xiàn)，初步驗證了商業(yè)化路徑的可行性。

最先對外披露具體數(shù)據(jù)的，是廣汽集團旗下的出行服務平臺——如祺出行。

如祺出行在2025年財報中披露，以AI數(shù)據(jù)業(yè)務為主要收入來源的技術(shù)服務板塊，已成為公司增長最快的板塊。

而這個AI數(shù)據(jù)業(yè)務，指的是如祺出行的數(shù)據(jù)業(yè)務板塊（以下簡稱“如祺數(shù)據(jù)”），最早布局于2023年。

彼時，如祺出行在2023年5月獲批了乙級測繪資質(zhì)，開始將那些搭載激光雷達、高精度慣導、周視與環(huán)視攝像頭等傳感器的智能駕駛數(shù)據(jù)采集車，投入常態(tài)化運營。

這些車輛在提供出行服務的同時，也在合規(guī)采集真實的駕駛和道路數(shù)據(jù)。而如祺數(shù)據(jù)也在采集數(shù)據(jù)的過程中，不斷延伸其數(shù)據(jù)服務能力。

直到最近，如祺數(shù)據(jù)首次對外完整披露了其AI數(shù)據(jù)資產(chǎn)及能力版圖。

公開信息顯示，其數(shù)據(jù)資產(chǎn)已覆蓋標注數(shù)據(jù)、行為數(shù)據(jù)、合成數(shù)據(jù)及多模態(tài)訓練數(shù)據(jù)集四大類，涵蓋從原始采集到加工交付的全鏈條。

這其中，標注數(shù)據(jù)是基礎(chǔ)，行為數(shù)據(jù)則記錄了駕駛員在實際道路環(huán)境中的操作決策，合成數(shù)據(jù)用于補充長尾場景，多模態(tài)訓練數(shù)據(jù)集則覆蓋圖像、文本、音頻與視頻，可以直接用于大模型的垂類微調(diào)。

規(guī)模上，如祺數(shù)據(jù)已搭建起一張覆蓋面可觀的數(shù)據(jù)采集網(wǎng)絡。

截至2026年5月，公司在廣州、上海、重慶、沈陽等城市，部署了超過300輛智能駕駛數(shù)據(jù)采集車。

通過近三年的常態(tài)化運營，這些車輛的日均產(chǎn)出已經(jīng)達到1600小時、130TB；平臺亦累計沉淀出千萬級的高價值駕駛場景片段。

這些片段背后，本身就是完整的真實世界交互過程。從這個角度看，平臺產(chǎn)生的數(shù)據(jù)，更像是在持續(xù)生產(chǎn)物理世界的“切片”。

而規(guī)模之外，商業(yè)化進展才是真正檢驗其模式可行性的關(guān)鍵。

在如祺財報中，2025年，以AI數(shù)據(jù)服務為主要收入來源的技術(shù)服務板塊，錄得營收1.6億元，同比大增487.4%。

這一增速說明，市場對高質(zhì)量物理世界數(shù)據(jù)的需求正在快速釋放。

如祺數(shù)據(jù)的客戶結(jié)構(gòu)也能驗證這一結(jié)論。據(jù)介紹，公司服務目前已覆蓋智能駕駛、具身智能、大模型、消費電子、醫(yī)療等多個領(lǐng)域；騰訊、小馬智行、理想、火山引擎、百度智能云、廣汽集團等頭部企業(yè)都是其客戶。

也就是說，從出行服務衍生出的數(shù)據(jù)服務，已經(jīng)具備跨行業(yè)解決實際需求的能力，并且能跑通從數(shù)據(jù)采集、加工到商業(yè)化交付的完整閉環(huán)。

隨之而來的變化是，外界更新了對如祺這類出行平臺的認知。

具備全鏈條數(shù)據(jù)服務能力的如祺，不再只是一家出行服務商，也不單單是傳統(tǒng)的數(shù)據(jù)標注服務商，而是在向“數(shù)據(jù)集+全棧能力”的綜合服務商升級。

而這種“數(shù)據(jù)集+全棧能力”的閉環(huán)能力，很可能也會成為下一代AI中，不可或缺的底層基礎(chǔ)設施之一。

出行平臺，為什么突然造就了AI基礎(chǔ)設施？

想更好理解出行平臺的身份轉(zhuǎn)變，其實可以將其拆解為兩個更本質(zhì)的問題：

為什么AI行業(yè)對物理世界數(shù)據(jù)如此渴求？

以及，為什么出行平臺恰恰能填補這個缺口？

一切要從李飛飛對世界模型的定義說起。她認為，當前主流的大語言模型存在一個致命缺陷，就是缺乏“空間智能”——即對三維物理世界進行感知、推理和行動的能力。

因此，李飛飛倡導構(gòu)建一種全新的AI系統(tǒng)，讓機器能像人類一樣，理解三維物理世界的運行法則，并完成互動。

這套系統(tǒng)，就是她所說的“世界模型”。而世界模型需要具備三個最核心的標準：生成性、多模態(tài)性、交互性。

這意味著，訓練下一代AI所需的數(shù)據(jù)，必須同時具備這三個特征，尤其是“交互性”——數(shù)據(jù)不能只是被動的視覺呈現(xiàn)，還必須包含“動作-反饋”閉環(huán)的完整因果鏈條。

但問題在于，當前行業(yè)能夠穩(wěn)定獲取的物理世界交互數(shù)據(jù)，遠遠無法滿足訓練需求。

因為傳統(tǒng)的數(shù)據(jù)供給方式主要有三種，且各有局限：

• 其一，是從互聯(lián)網(wǎng)上爬取公開圖片和視頻，這些數(shù)據(jù)大多是靜態(tài)的、缺乏交互信息；
• 其二，是在實驗室或仿真環(huán)境中人工搭建場景，成本相對高、規(guī)模較小；
• 其三，是眾包采集，不過數(shù)據(jù)的質(zhì)量和一致性有時難以保證。

短期內(nèi)，三種方式都難以持續(xù)、大規(guī)模地產(chǎn)出帶有因果邏輯的交互數(shù)據(jù)。

這正是當前行業(yè)面臨的核心瓶頸。高質(zhì)量、高保真、帶交互標簽的物理世界數(shù)據(jù)極度匱乏，需求與供給之間存在巨大缺口。

在這種背景下，出行賽道恰恰具備生產(chǎn)、積累這類高價值數(shù)據(jù)的天然優(yōu)勢。

與傳統(tǒng)的數(shù)據(jù)供給方式不同，出行平臺的數(shù)據(jù)采集邏輯是嵌入真實運營。

每一輛數(shù)據(jù)采集車，本質(zhì)上都是一個移動的感知終端，在完成日常出行服務的同時，同步記錄“駕駛員決策—車輛響應—環(huán)境反饋”的完整交互鏈條。

這種閉環(huán)數(shù)據(jù)天然具備多模態(tài)對齊、時序連續(xù)和因果邏輯的特征。

用如祺對外展示的泊車場景舉例：

如祺數(shù)據(jù)不僅會記錄3D障礙物的位置信息，還會同步采集汽車底盤的CAN信號（反映車輛狀態(tài)，如方向盤轉(zhuǎn)角、油門剎車）、毫米波雷達回波、激光點云與攝像頭視頻。

這些多模態(tài)數(shù)據(jù)圍繞泊車場景，形成了“行為（駕駛員操作）-狀態(tài)（車輛響應）-環(huán)境（周圍反饋）”的聯(lián)合數(shù)據(jù)集。

在訓練AI時，這類數(shù)據(jù)不僅能告訴模型“是什么”，還能幫助模型理解“為什么”，比如為什么要避讓、如何判斷車位可用性等需要物理常識和因果推理的任務。

有長期關(guān)注AI大模型訓練的分析人士告訴量子位，這類具有完整推理、決策和反饋鏈條的數(shù)據(jù)，就是訓練空間智能模型的“黃金數(shù)據(jù)礦”。

如祺數(shù)據(jù)也是基于這種獨特的數(shù)據(jù)源，得以系統(tǒng)性地構(gòu)建其全鏈條服務能力。

技術(shù)層面，如祺數(shù)據(jù)自研的OCC自動化標注算法，采用同源底圖與自動化算法，可減少90%人工標注時間，交付準確率超98%。

其合成數(shù)據(jù)模塊可一鍵生成雨、霧、雪、夜等長尾場景，彌補真實采集盲區(qū)；多模態(tài)數(shù)據(jù)集則覆蓋圖像、文本、音頻與視頻，可以直接支持大模型的垂類微調(diào)。

這套能力的本質(zhì)，是將其在自動駕駛領(lǐng)域驗證過的數(shù)據(jù)工程化經(jīng)驗——從合規(guī)采集、規(guī)模化清洗、精準標注到合成增強——打包成標準化產(chǎn)品。

客戶可以“開箱即用”，無需從零搭建底層采集與處理能力，就能直接獲取經(jīng)過深度加工的標準化數(shù)據(jù)集與工具鏈。

在這一點上，如祺數(shù)據(jù)和Scale AI的邏輯有點類似：

不僅提供數(shù)據(jù)，還提供讓客戶“更懂數(shù)據(jù)、更高效用數(shù)據(jù)”的工具與方法論，從而降低高質(zhì)量物理數(shù)據(jù)的使用門檻，提升客戶的模型迭代效率。

這在一定程度上降低了真實物理數(shù)據(jù)的使用門檻，也讓數(shù)據(jù)能力的適用范圍，能從自動駕駛擴展到具身智能、大模型、消費電子、醫(yī)療等多個領(lǐng)域。

也可以說，規(guī)模和能力只是基礎(chǔ)，而出行平臺真正的想象空間，更在于它以場景為原點、向更多物理世界場景泛化的潛力。

這也是AI發(fā)展歷程中一再被證明的結(jié)論：得“場景”者，得天下。

得“場景”者，得天下

走進物理世界后，AI行業(yè)的底層邏輯正在變化——AI的競爭正在從算法轉(zhuǎn)向場景。

正如移動互聯(lián)網(wǎng)催生了基于位置的服務（LBS）數(shù)據(jù)金礦，云計算成為了數(shù)字經(jīng)濟的通用基建。

在AI邁向“空間智能”的當下，那些能持續(xù)、低成本產(chǎn)出真實物理世界交互數(shù)據(jù)的「場景」，也正成為新時代最核心的基礎(chǔ)設施。

在這一背景下，越來越多人開始意識到：場景可能比算法更稀缺。

因為算法可以被復現(xiàn)，但一個真實、高頻、且能產(chǎn)生閉環(huán)交互數(shù)據(jù)的物理場景，卻極難被復制或搬運。

而數(shù)據(jù)本質(zhì)上其實是場景的“溢出”，擁有場景，就擁有了持續(xù)產(chǎn)生數(shù)據(jù)飛輪的可能性。

出行平臺，就是這樣一個幾乎堪稱完美的“元場景”：它覆蓋了海量的公共道路空間，涉及持續(xù)的人機共駕決策，每天發(fā)生數(shù)以億計的交互事件。

這些要素疊加在一起，構(gòu)成了一個天然的數(shù)據(jù)生產(chǎn)系統(tǒng)。

并且出行平臺采用的“業(yè)務即采集”模式，還在成本上天然具備明顯優(yōu)勢。

傳統(tǒng)的專業(yè)數(shù)據(jù)采集，需要投入專門的采集車、專門的駕駛員、專門的場地，成本高昂，規(guī)模化難上加難。

但像如祺出行的采集車，本身就是網(wǎng)約車，在提供服務的同時完成數(shù)據(jù)采集，邊際成本被大幅攤薄。

更重要的是，這種數(shù)據(jù)能力，還可以從駕駛場景向更廣泛的物理世界延伸。

據(jù)接近如祺出行的人士透露，該公司正嘗試將“人-車-環(huán)境”的交互數(shù)據(jù)能力泛化至更多應用領(lǐng)域，例如具身智能在車后服務場景，包括洗車、換電、維保、清理等。

車后服務場景作為出行場景的一部分，是如祺出行最擅長、數(shù)據(jù)積累最深的領(lǐng)域，如祺可以自然地切入，形成真實服務閉環(huán)。

而在這些場景中，機器人需要理解的避障、路徑規(guī)劃、精細操作等底層邏輯，和自動駕駛有高度的數(shù)據(jù)同構(gòu)性。

這種“低成本、高交互”的數(shù)據(jù)生產(chǎn)模式，一旦在一個垂直場景跑通，就具備了成為行業(yè)標配的潛力。

一個更長期的趨勢是，未來，那些擁有深厚物理場景運營經(jīng)驗的企業(yè)，其核心資產(chǎn)可能不僅是服務本身，更是其業(yè)務過程中持續(xù)產(chǎn)生的、高價值的場景數(shù)據(jù)。

這些數(shù)據(jù)經(jīng)過系統(tǒng)性的治理與產(chǎn)品化，或許可以反哺乃至重塑AI產(chǎn)業(yè)。

就像出行平臺這樣的巨型物理世界接口一樣，在C端，平臺仍是運人的服務商；而在B端，出行平臺的身份，已經(jīng)進化成為AI理解并進入真實世界的、至關(guān)重要的物理數(shù)據(jù)入口。