#文远知行 WRD[股票]#
2026年中，一家看似处于AI产业链“中游”的公司——景烁科技，在独立运营后，引发了行业热议。
它的背景足够硬核：文远知行内部孵化，CEO是文远001号员工。赛道也足够有故事、被追捧：具身智能。
但景烁选择的切入点，在喧嚣的赛道里显得格外冷静：不做整机，不做单纯的大脑，而是押注物理AI的基础设施——数据和世界模型技术体系。
在这个言必称“大脑”和“通用模型”的时代，景烁被频繁讨论，揭开了一个被忽视的真相：行业都在追逐顶层“思考力”时，底层的“经验体系”和“世界认知”还没人系统性搭建。
而没有对物理世界的深度认知，再聪明的“大脑”也只是空中楼阁。
10年数据信仰的延续
物理AI的第一个落地赛道是自动驾驶，而这10年走过的工程化、规模化之路，展现出的是“瓶颈迁移史”。
第一轮拼算法。谁提出更好的网络结构、更优的决策逻辑，谁在榜单上领先——完全能和如今具身智能赛道热衷于发Demo、刷榜单的行为对应起来。
第二轮拼算力，这个阶段算法范式根本没有收敛统一，而算法本身的高下又难以通过直观可量化的数据来通俗表达，于是算力就成了智能军备竞赛的核心指标，包括车端和云端。
从特斯拉FSD V12版本切换到端到端模型，以及FSD V14彻底完成一段式重构之后，自动驾驶赛道在算法这个层面已经高度收敛，L2/L4玩家都转向了多模态大模型+世界模型生成仿真+强化学习修正的路线。
这个时候一线炮火作战的各家技术团队也都认识到，再好的算法、再大的算力，没有高质量数据喂给模型，迭代就停在原地——物理AI的第一个落地场景竞争，最终回到数据基础设施层面。
文远知行完整经历了这三轮，最终站稳L4自动驾驶第一梯队。贯穿其中的暗线，是数据基础设施的持续建设——也就是景烁团队对外公开、独立运营之前一直在做的事情。
景烁科技CEO霍达，文远知行001号员工，拥有12年行业经验，深耕大规模自动驾驶平台、AI数据基础设施建设，历任文远知行技术负责人、工程团队负责人等职务。曾在美国、中国、新加坡主导搭建全球化工程研发组织。
△左：景烁科技CEO霍达，文远知行001号员工；右：景烁科技President&COO韩明
另一位创始人President&COO韩明，中国地理信息产业协会理事，中国测绘学会理事，中国卫星导航定位学会常务理事。拥有多年人工智能数据、自动驾驶产业深耕经验, 曾任DeepMap.Inc 高级管理职位。
两位创始人履历里有一个共同点：都经历过自动驾驶从”缺数据”到”想办法解决数据”的全过程。
所以文远知行一开始就面对的那个现实，他们比谁都清楚——
车队的数量远不如车企或给车企做配套的L2玩家，实测数据天然劣势。
所以当时仍属于文远内部一个部门的景烁团队，率先走向了不一样的路——用仿真器生成大量长尾场景。
上海的直行待转区、不规则环岛、三轮车上绑着一棵树……这些真实路况里偶发但关键的场景，用仿真批量生产。
而且这样的仿真，不是模仿类视频生成，而是真正理解物理法则、因果关系的“世界模拟器”，后来Transformer架构兴起，这套仿真器演进成文远知行的GENESIS世界模型。
对于数据基础设施的核心内涵，景烁科技团队很早就明确：不要在茫茫数据里捞“钻石”，而是直接人工生成“钻石”。
而这个选择的意义，在具身智能时代被倍增放大。
毕竟自动驾驶再缺数据，至少有一个可以支撑测试车合法合规上路的早期模型。但具身智能却有本质不同——高频需求的工业、家用等等场景，现在任何玩家都没有一个哪怕有最低程度泛化性的工程化模型。
更没有ChatGPT那样的现成互联网数据。
而没有数据，模型迭代不动，具身智能除了Demo，几乎无法落地……制约核心因素，就是始终缺少高质量数据基础设施形成闭环，作为模型的kick start。
这就是最真实的状况：具身智能离比拼模型和算力的门槛，还很远，毕竟基于真实落地反馈的“物理认知体系”，初创团队无法速成。
这也是景烁科技最与众不同的、稀缺的特质：完整经历了自动驾驶淘汰赛，有一套已经被验证的技术认知、工程化能力与规模化交付经验。
去年开始，EGO（第一人称视角采集）路径被验证可行，景烁团队敏锐察觉到物理AI的Scaling Law触发第一次有了可能性，于是决定正式独立出来。
从“采集”到“设计”：数据认知升级
景烁对数据基础设施的思考，是“模型还需要什么才能突破”。
整体来看，景烁科技是这个赛道里率先把具身智能的数据基础设施，作为一种产品来交付的玩家，分三层架构，各有分工，又环环相扣：WorldEngine驱动数据闭环，GENESIS-Robotics提供核心引擎，SkillForge封装最终交付物——只有懂算法，才能定义技能包里该装什么。
三者串联起来，相当于帮客户把“从零搭数据体系”这件事一站式解决了。
第一层是WorldEngine，标准化数据模型底座——基于同一世界模型驱动的、覆盖采集→治理→标注→合成→测评→部署的完整大闭环。
同一个世界模型贯穿驱动，就知道该采什么、怎么治、标什么、合成什么、测什么、怎么部署。
部署后的真实数据又回流到采集端，校准下一轮。
对于用户来说，没有这套闭环，工程师大部分时间在跟数据搏斗；有了它，团队可以把精力集中在模型优化上。
采集硬件本身也值得一说。景烁全栈自研了一套叫EGOK的采集设备——双目相机4K@60fps实时输出深度数据，近红外阵列做亚毫米级手部追踪，延迟8ms。整机280g，连续工作5小时以上，功耗比传统方案低40%。
但参数不是重点，重点是这套设备从采集发生的那一刻起，“手—物—场景—动作”就已经对齐了——全链路模组同源同标，不需要事后人工拼接。而且世界模型会基于当前数据分布，自动规划高价值采集目标，不是盲采。
中间层是GENESIS-Robotics世界模型，整套体系的核心引擎。市面上大多数所谓“世界模型”，其实只是2D图像生成加一个物理引擎拼一下，能力边界很窄。景烁的GENESIS-Robotics走了一条叫Transfusion的路线——在同一个Transformer里，语言、策略、图像、视频各走各的计算路径，但共享参数。
这让它同时干了三件事：世界理解——给定当前状态和动作，预测下一个物理状态；数据合成——基于对世界的理解，生成物理合理的新场景和交互数据；策略生成——给定状态和目标，直接输出动作。
三件事共享参数，飞轮就转起来了：模型越强→合成数据越好→下游模型更强→采集策略更精准→真实数据质量更高→模型更强。这个飞轮一旦转起来，竞争壁垒是指数级增长的。
SkillForge，物理AI的资产引擎，其中包含开箱即用的技能包Skill Pack。
厨房场景、客厅整理、工业操作等等，每个Skill Pack均覆盖完整任务链路，从场景设计到多模态对齐样本，从4D空间标注到质量评价与模型验证报告，客户拿到即可投入训练。
但SkillForge本身不是“数据集市场”，而是按模型训练需求组织技能包——特定的状态分布加动作分布加评测标准，跨本体设计，经WorldEngine全流程验证，附L1/L2/L3三层评测结果。
客户拿到的不是“一堆视频”，而是“一个经过验证可以直接用于训练的技能”，只需要把人的动作映射到自己的末端执行器上，适配到不同自由度和关节。
目前SkillForge拥有500K+小时真实交互数据、50M+任务片段、200+标准化技能包，50+核心场景覆盖家庭、制造、零售、教育四大领域，1000+任务变体。
纵观景烁科技的产品方案设计，核心关切是：具身智能的数据基础问题，现在根本没有标准答案。
用自动驾驶时代十年积累的方法论和模型能力来回答，是目前唯一有效的途径：
有自己的模型——看验证数据的有效性，可以直接定义“什么数据有用”。
所以“数据即服务”这个概念，在具身智能赛道被景烁升级了：数据基础设施即服务，当然更不用提跨本体的泛化性了。
并且于景烁来说，用户“开箱即用”的价值，是靠懂算法、懂模型倒推出来的数据策略，再配合工程化交付跑通的。
物理AI的“地基”
具身智能热了三年，融资一轮比一轮大，但整体进展远不如预期：2026年过半，我们仍然在等待物理AI的“ChatGPT时刻”。
制约不在算法——Transformer架构被证明在物理任务中依然有效；
不在硬件——中国制造业已经能把机器人本体的性能、成本做到极致。
机器人demo依然热闹，但距离真正完成物理世界的复杂任务，仍有肉眼可见的鸿沟壁垒……
今年国内具身智能赛道融资约438亿元，其中超过一半——约241亿元——涌入了“具身大脑”方向的...
JPG
长图
JPG
长图
JPG
长图
JPG
长图
JPG
长图
JPG
长图
JPG
长图
JPG
长图
JPG
长图
JPG
长图
JPG
长图