36氪首发 | 清华系物理AI基建初创再融数千万美元，数据设备进入全球化规模交付

图源/企业

本文约3100字，建议阅读6分钟

作者丨欧雪

编辑丨袁斯来

硬氪获悉，Physical AI数据基础设施服务商Ropedia近期已完成数千万美元天使轮融资。本轮融资由多家深耕东南亚市场的头部风险投资机构领投，多家一线美元基金及智能制造、大模型产业方共同参与投资。在此前一轮融资中，与Google、a16z、NVIDIA、Amazon相关的投资人亦有参与，由深渡资本担任长期独家财务顾问。资金将主要用于核心技术团队扩建、硬件产品线规模化量产，以及数据产品线的规模化生产。

Ropedia成立于2025年下半年，总部位于新加坡，并在美国硅谷设有办公室，是全球最早系统性构建Physical AI数据基础设施的公司之一。公司由陈昭熹（CEO）、洪方舟（CTO）与南洋理工大学副教授刘子纬（首席科学家）联合创立，核心团队来自清华大学、南洋理工大学MMLab、Meta Reality Labs与Google。

从自研采集硬件、数据引擎到大规模真实世界经验数据集，Ropedia正在构建连接人类经验与机器智能的关键数据层，为下一代机器人与具身智能系统提供真实世界的数据底座。

当前，Physical AI行业正遭遇真实世界的数据瓶颈。随着机器人基础模型、VLA及世界模型的快速迭代，传统视频与图文对已无法满足需求，模型训练亟需具备真实物理尺度、动态交互、手-物关系和场景语义的高质量数据。

但这类数据长期面临两大难题：采集依赖昂贵设备与复杂部署，成本高企；且原始信号距离可训练的结构化数据仍隔着漫长的处理链路。一段原始采集数据通常需要经过时间同步、空间对齐、三维与四维重建、人体及手部运动恢复、动作切分、语义标注与质量控制等环节，才能转化为模型可直接使用的训练数据。

与传统数据采集公司不同，Ropedia的核心竞争力并非硬件，而是围绕数据引擎（Data Engine）构建完整的数据生产体系，通过模型驱动数据生产，实现高质量真实世界经验数据的规模化供给。

“数据不是越贵越好，关键要看成本、质量、规模、任务相关性，以及它到底能不能真正提升模型效果、进入可评测的训练闭环。”陈昭熹表示。

目前，市面上多数数据采集公司仍停留在单点硬件销售或人工标注服务阶段，而Ropedia已能够通过自研数据引擎Experience Engine，将海量原始采集信号自动转化为可直接用于模型训练与效果验证的结构化Experience Data，覆盖人体姿态、手物交互、空间结构、运动轨迹等多维信息，在保证数据质量的同时，大幅提升数据生产效率、降低数据生产成本。

Ropedia的多模态Experience Engine结构(图源/企业）

在陈昭熹看来，数据和模型本质上是在描述同一个真实世界分布：数据通过真实样本离散地记录世界，模型则通过连续函数去逼近这一分布。因此，未来Physical AI的竞争不仅是模型能力的竞争，更是数据引擎能力的竞争。

联合创始人、首席科学家刘子纬则把这一转变比作一次能源结构的切换：“语言大模型有点类似于化石燃料：我们人类创造语言、记录语言，把丰富的语言沉淀在整个互联网上，但化石燃料终归是有限的。多模态是AI脱虚向实的必经之路，有点像我们从化石燃料走向新能源的过程。”

公司已推出头戴式便携采集系统HOMIE，可轻量化采集第一视角下的人体运动、场景变化及物体交互等多模态信号，并持续为数据引擎提供真实世界经验数据输入，形成覆盖数据采集、数据生产、模型训练与验证的数据飞轮。

参与者佩戴Ropedia头戴式便携采集系统 HOMIE (图源/企业)

在Ropedia的产品体系中，HOMIE只是入口。公司正在建设由三层组成的端到端真实世界经验基础设施：第一层Sense是覆盖不同交互场景的感知硬件，包括HOMIE及面向手部动作、触觉与空间运动的感知系统；第二层是将原始传感器数据转换为可训练数据的自动化生产引擎Experience Engine，所有数据经人工预筛清洗、自动化标注、指标质检与人工终检后入库，全流程留痕可查；第三层Deliver是数据集与模型训练验证体系，用于判断数据对VLA、世界模型的实际作用，并反向指导下一轮采集。

此外，硬氪独家获悉，Ropedia正在推进下一代多模态数据采集系统，并计划于2026年8月正式发布。

据陈昭熹介绍，新一代系统的核心升级并非简单增加传感器数量，而是进一步统一第一视角视觉、手部动作、人体运动、空间位置等多模态信息，实现更完整的真实世界数据表达。相较于传统视频只能记录“人做了什么”，下一代多模态数据将进一步描述人与环境的交互过程，为机器人基础模型、世界模型及空间智能系统提供更高质量的训练数据。

“多模态的终点不是传感器越多越好，而是让视觉、动作、接触和空间状态发生在同一时间、同一坐标系中，形成模型能够学习的物理过程。”陈昭熹举例，比如插拔、旋拧、按压、装配等任务高度依赖接触信息，视觉上相似的动作可能对应完全不同的受力状态与任务结果。

Ropedia的下一代数据可视化demo（图源/企业）

在数据安全与合规方面，Ropedia同样建立了完整的交付体系。针对不同客户的需求，公司提供上云、专属分区部署乃至客户本地机房私有化部署等多种方案，确保原始采集数据无需离开客户环境即可完成结构化交付。这在涉及真实人类行为数据的Physical AI领域尤为重要。

2026年3月，Ropedia发布并开源人类经验数据集Xperience-10M。该数据集收录约1000万个真实世界交互片段、超过10种同步模态，总规模接近1PB。该数据集已进入Qwen-VLA、MolmoMotion、ACE-Ego-0和τ₀-WM等具身基础模型、运动预测模型与世界模型的研究与训练体系。目前，其已位列Hugging Face全品类数据集下载量Top2、具身智能数据集Top1（累计下载量已超270万次），并被AI2、Qwen等全球顶级AI实验室采用。公司现已服务约1800家数据使用机构，其中500余家签署数据使用协议，客户覆盖全球20余家头部具身智能企业及互联网科技公司。

数据的价值已开始通过模型训练结果得到验证：ACE-Ego-0使用了435.7小时来自Xperience-10M的第一视角人类视频，其消融实验显示，同时使用机器人数据与人类视频的模型任务成功率达72.8%，高于仅用机器人数据的68.3%，4.5个百分点的提升，直接来自训练数据本身。

陈昭熹透露，公司过去六个月营业额增长约4.1倍，其中北美市场贡献约六至七成营收。

在Ropedia看来，互联网数据决定了大语言模型的上限，而真实世界经验将决定Physical AI的上限。

以下是硬氪与Ropedia CEO陈昭熹的对话节选（经编辑）：

硬氪：目前市场到底需要什么样的数据？Ropedia如何定义数据的价值？

陈昭熹：行业需求分层次。首先是海量多样的原始视频数据，这是基础层。但下一步，客户需要的是类似语言模型CoT（思维链）的物理世界CoT，不是语言上的推理，而是物理空间内的因果注脚。比如做咖啡，模型需要理解三维空间怎么变化、手和物体怎么交互、物体发生了哪些状态转移。这些细粒度的、全模态的、带因果关系的结构化数据，才是行业下一步真正需要的。

数据价值不只看数量、成本，更要看能否补齐模型短板、提升泛化能力。

硬氪：数据采集成本一直是行业瓶颈，Ropedia是如何把成本降下50倍的？

陈昭熹：成本可以拆成四块：人力、硬件、算力存储、传输。我们降本也是围绕这四块。硬件上，我们用自研设备替代消费级硬件，砍掉与数据采集无关的功能，结合供应链整合做极致成本压缩。算力和存储层面，我们设计了精密的数据管线，把数据当代码做版本管理，避免重复生产。传输层面，我们有自研的压缩协议——PB级的Physical AI数据，物流成本是不能忽略的。整体上，我们的采集成本比行业低了一个数量级。

硬氪：你判断Physical AI未来三年会从0.1走向1，这个判断的依据是什么？

陈昭熹：核心标志是从PoC走向小批量部署——从几台机器人在工厂里做试点，到100台、200台机器人真正7×24小时介入生产流程，持续运转三个月以上且无法被替代。

这个判断基于几个观察：一是大模型能力成熟后向物理世界延伸的趋势已明确；二是机器人硬件、三维视觉、训练推理infra等底层技术积累到了临界点；三是下游产业的付费意愿和需求场景正在快速收敛，不再是散点式的实验，而是有明确ROI的生产力替代。市场热度本身也是信号，资本、人才和产业分工开始聚集，这些都在加速从0.1到1的进程。