让人形机器人流畅地叠好一件衬衫，或在颠簸的仓库地面平稳行走而不倾覆，需要的数据远比教会一个聊天机器人写诗要复杂得多。语言模型能吞噬互联网上现成的万亿级文本，但物理世界的动作、触感、摩擦与碰撞——这些关乎质量、关节扭矩与接触面的物理属性数据——却无法通过爬虫轻易获取。它们必须被精密地构建、标注，并在高保真模拟器中被反复验证。这正是让大多数机器人公司焦头烂额，却又避不开的基础设施黑洞。与纯数字领域不同，一个抓取动作的成功与否，取决于被抓物体的质量、表面摩擦系数、形变程度以及机械臂自身的关节限位与碰撞边界。这些参数组合起来的可能性空间几乎是无穷的，任何一处的微小偏差都可能导致在仿真中训练有素的策略，在真实世界中一败涂地。
韩国初创公司 NdotLight 正试图用一套自动化工具填平这个黑洞，并为此刚刚拿到了一笔关键的资金。NAVER 的企业风投部门 NAVER D2SF 宣布，已对 NdotLight 完成追加投资。这笔总额为 150 亿韩元（约合 1060 万美元）的融资由韩国产业银行（Korea Development Bank）领投。这是 NAVER D2SF 继 2021 年参与 Pre-Series A 轮和 2022 年参与 Series A 轮之后，第三次押注这家公司。在一级市场整体趋于谨慎的环境下，一个反复获得同一家产业资本加注的物理 AI 数据公司，它的故事为我们提供了一个观察技术路线与产业需求如何咬合的微观切口。
| 字段 | 内容 |
|---|---|
| 公司 | NdotLight |
| 轮次 | 未披露（NAVER D2SF 已在 2021 年参与 Pre-Series A、2022 年参与 Series A） |
| 金额 | 150 亿韩元（约 1060 万美元） |
| 投资方 | 韩国产业银行（领投），NAVER D2SF（跟投） |
| 总部 | 未披露 |
| 创始人 | Jinyoung Park（CEO），Suntae Kim（CTO） |
| 官网 | https://ndotlight.com/ |
当现实世界变成最难啃的训练场
物理 AI 的底层困境在于，它必须理解现实世界中物体如何相互作用，而这几乎无法纯靠数学模型推演。传统的机器人编程依赖精确的规则设定，但物理 AI 的目标是让机器人在非结构化环境中自主学习和泛化，这就要求训练数据必须包含海量、多样且物理上准确的交互场景。在真实世界中一帧一帧地采集这些数据不仅缓慢、昂贵，而且充满工程上的妥协。行业现有的主流替代方案是遥操作（teleoperation），即由人类操作员戴上设备，远程操控机器人反复执行任务来采集数据。这条路径虽然看起来直接，却在规模化需求面前越走越窄：不同操作员的动作风格和精度差异极大，导致人类演示数据的质量参差不齐；采集速度从根本上受限于操作员的工作时长和体力；而更隐秘的挑战在于，想把这种来自物理世界、带着各种传感器噪声和控制频宽限制的数据无损耗地灌入仿真环境，本身就是一场关于数据格式转换与物理一致性校验的噩梦。NdotLight 在其公开表述中指出，数据质量差异大、采集速度慢和成本过高，是把遥操作数据应用于仿真训练时绕不开的三大瓶颈。这使得许多机器人公司意识到，想要高效地训练出真正通用的物理 AI，就必须在数据源头上另辟蹊径。
NdotLight 选择的路径是绕开对物理世界采集的过度依赖，直接在数字世界原生地生成可“即插即用”的模拟数据。它的核心产品 TRINIX 被定义为一个“simulation-ready”的 3D 数据生成解决方案。这套系统的关键并不在于它能把一个扳手或一个阀门画得多逼真，视觉纹理的精美程度只是表象，真正构成技术壁垒的，是它生成的每个 3D 对象都打包了完整的物理属性标签：质量、摩擦系数、关节结构以及碰撞边界信息。也就是说，TRINIX 输出的不是一个简单的 OBJ 或 USD 格式的 3D 模型文件，而是一组可以直接被物理引擎读取和计算的、带有完整物理语义的数据包。公司称这种从几何建模到物理属性绑定再到仿真格式输出的全链条流程为“自动化管道”（automated pipeline），意在强调其无需人工反复干预的规模化能力。这种原生地将物理规则嵌入数据的方式，理论上可以产出质量高度一致、覆盖极端场景且成本远低于遥操作的大规模数据集。
绑定 Omniverse，是捷径还是豪赌？
在 NdotLight 的技术版图里，NVIDIA Omniverse 扮演了一个无法忽视的角色。TRINIX 已经实现了与 Omniverse 的深度集成，并借此向客户供应大规模高质量 3D 模拟数据集。这是一步极为精明的生态卡位，同时也是一次深度的平台绑定。其精明之处在于，Omniverse 正被 NVIDIA 强力塑造成工业数字孪生和物理 AI 的基础操作系统。NVIDIA 不仅提供了底层的仿真算力与渲染能力，还通过不断扩展的 API 和连接器，试图将整个设计与仿真工作流吸纳进这个平台。将自己的数据生产管线直接接入 Omniverse，意味着 NdotLight 获得了一张进入主流机器人仿真工作流的直通票。对于那些已经在内部使用或正在评估 Omniverse 生态的大型企业——例如现代汽车、LG 电子等——而言，采购一个与之无缝衔接的数据供应商，其决策摩擦和技术集成成本，远低于引入一套需要额外适配的孤立工具。这种便利性本身就可能构成一种短中期的竞争护城河。
但风险同样积聚于此。将自己定位为 Omniverse 上游的数据供给方，本质上是在赌这个平台能持续增长并成为行业事实标准。如果未来企业客户更倾向于使用其他开源或闭源的仿真环境，或者不同仿真器之间的互操作性出现变局，那么 NdotLight 目前建立在 Omniverse 生态之上的集成优势就可能被迅速侵蚀。更深层的不确定性在于，NVIDIA 自身也一直在物理 AI 的全栈能力上深耕，并不排除它通过内部研发、投资或收购等手段向下游数据层延伸，构建或扶持自己的“官方”数据生成工具。这种平台方与生态参与者之间既合作又竞争的关系，在历史上反复上演。公司在公告中并没有公开讨论这个维度的风险，但任何观察这笔交易的投资人都无法回避这个关于平台依赖的拷问。NdotLight 未来能否在 Omniverse 之外保持技术栈的灵活性与适配性，将是验证其长期独立生存能力的一个关键观察点。
一群机器人公司为何相信它？
尽管技术路线背后存在结构性风险，但 NdotLight 已经实实在在地拿到了客户的订单。在尚处于早期商业化探索阶段的物理 AI 数据领域，能将产品输送到多家机器人公司的训练管线中，这本身就是一种信号。事实档案显示，公司目前正在为 Holiday Robotics、AeiRobot、ROBROS 和 RLWRLD 等一批人形机器人与机器人基础模型公司提供 AI 训练数据。这些公司正处于激烈的研发竞赛中，对仿真数据的需求远比传统工业机器人厂商更迫切、更海量，因为它们正在训练的是通用操作能力——例如让机器人在不同厨房里打开任意款式的冰箱门，或在各种货架间拾取形状、材质各异的物品——而非某一条固定产线上位置和光照都恒定的重复动作。这种对数据多样性和规模的需求，恰好对应了 NdotLight 自动化管线所主张的优势。
更具份量的市场验证来自两家韩国制造业巨头。NdotLight 以数据供应商的身份参与了现代汽车和 LG 电子的物理 AI 项目。这至少说明了两件事：第一，它的数据格式和交付标准能够通过大型企业内部严格的技术采购评估，这对于一家尚处成长期的初创公司而言并非易事；第二，NdotLight 正在摆脱“初创公司服务初创公司”的早期叙事，其产品开始进入真正有产量要求和稳定性的工业级应用场景。从服务人形机器人创业公司到切入大型企业的物理 AI 项目，这条客户演进路径意味着 NdotLight 可能正在跨越一个关键的信任门槛。不过，需要冷静看待的是，参与项目与成为长期战略供应商之间仍有显著距离。这些大公司的项目目前究竟是技术探索性质的、预算有限的概念验证，还是即将进入规模化采购的生产管线的一部分，官方材料并未给出足够的细节来加以区分。这一点将直接决定 NdotLight 短期内的营收可预测性。
管理团队的技术背景为这套产品提供了合理性。CEO Jinyoung Park 曾在三星电子从事 3D launcher 开发，这种将复杂 3D 交互体验工程化的经验，与 TRINIX 所需要解决的系统性建模与实时渲染挑战有着相通之处。CTO Suntae Kim 则在 NAVER 和三星电子领导过 AI 与 3D 引擎的开发，这种横跨 AI 算法与底层图形引擎的复合背景，对于打造一个能将物理属性和几何模型无缝融合的自动化管道至关重要。CB Insights 也将 NdotLight 列为全球知名 3D 引擎公司之一，这一来自第三方研究机构的认可，在一定程度上佐证了其底层引擎能力在更为广泛的 3D 技术版图中的位置。
一家 CVC 连续三年下注的逻辑
理解本轮融资的战略意义，必须回到 NAVER D2SF 这个投资主体的长期布局上来。这不是一笔纯粹的财务投资，其决策逻辑藏在持续性与生态共建之中。NAVER D2SF 的主管 Sanghwan Yang 用了一句非常具体的表述来解释追加的原因：“NdotLight 是一个不仅通过我们的投资，还通过作为 NAVER 1784 的入驻初创公司与 NAVER D2SF 建立了深厚信任的团队。该团队始终能在快速变化的市场前识别关键机会，并迅速执行。”
这段引语里有两个信息点值得仔细拆解。第一层是“NAVER 1784 入驻企业”。NAVER 1784 是 NAVER 的总部大楼，也是一个集结了多家技术初创公司的实体孵化空间。这种入驻关系意味着 NdotLight 与 NAVER 集团有着远超投资与被投的紧密物理和业务联系，它可能从 NAVER 内部的技术合作、产业资源甚至直接来自业务部门的需求方那里，得到第一手的反馈与支持。这种深度绑定使得 NAVER D2SF 对 NdotLight 的团队执行力、技术迭代速度以及应对市场变化的能力，拥有其他外部投资人难以企及的信息穿透度。第二层是“识别机会和迅速执行”。这指向的是 NAVER D2SF 作为内部观察者，目睹了 NdotLight 在过去几年里一次关键的战略转折——从围绕 3D 内容创建环境进行合作，到今天将核心技术引擎全面转向物理 AI 数据基础设施这个更宏大也更艰难的命题。NAVER D2SF 在 2021 年首次投资时，两家公司合作的重心还是共建 3D 内容创作环境；而今天的 NdotLight 已经站在了物理 AI 的数据入口上，这种灵敏的市场嗅觉和执行上的转向速度，可能是 CVC 敢于连续第三次下注的核心判断依据。
韩国产业银行的领投，则为这笔交易增加了另一层含义——政策性资本与国家产业意志的色彩。在全球主要经济体都将物理 AI 和人形机器人视为下一轮制造业竞争力制高点的背景下，韩国通过政策性银行直接押注数据基础设施层，是希望避免在 AI 发展的核心工具链上受制于人。数据、算法与算力是 AI 的三驾马车，如果韩国企业未来高度依赖海外供应商提供的仿真数据服务，那么在产业结构升级的关键节点上就可能丧失主动权。这种通过国家资本直接投资产业链上游薄弱环节的做法，与韩国政府此前在半导体、动力电池等领域通过政策性资金支持本土供应链建设的逻辑一脉相承。它表明在政策制定者眼中，物理 AI 数据公司的价值已不仅是商业层面的，还携带着产业安全与技术主权的考量。
资金用途与尚未回答的问题
NdotLight 表示，此次新到位的资金将用于全球扩张和人才招聘，公司正在积极招募各职能岗位人才，为下一阶段的增长积蓄人力。这是一个标准的成长阶段叙事，但“全球扩张”这个词背后，藏着物理 AI 数据生意最现实的挑战：本地化。不同于 SaaS 软件或数字广告平台可以近乎零边际成本地跨越国界进行分发，为机器人提供仿真数据，往往需要理解特定市场的工作场景、安全规范和典型操作对象。比如，为一个韩国工厂的流水线生成操作数据，与为一家美国仓储机器人公司生成货物码垛数据，所要求的环境建模、物理属性标注逻辑以及合规性考量可能截然不同。NdotLight 的自动化管线能否高效地适配不同地域的制造业场景和客户需求，还是会陷入本地化服务的成本泥潭——即为每个新市场都需要投入大量工程师进行定制化适配——这是一个无法跳过的验证路径。目前公司没有披露其核心引擎在不同垂直场景间的迁移效率与成本数据，这使得外界很难判断它从服务几家标杆客户扩展到覆盖全球多个行业时，规模效应到底能发挥到何种程度。
商业化瓶颈同样赤裸地悬在前方。尽管 NdotLight 切入了“数据是关键瓶颈”这一行业共识性痛点，但物理 AI 公司的真实预算分配，至今仍然不成比例地集中在算力和算法人才上。数据采购的重要性虽然在理论上无人否认，但在实际的企业预算会中，为数据付费的优先级往往在管理层发现内部团队用遥操作或简单合成手段采集的数据完全不可靠、严重拖慢项目进度之后，才会被动提升。这可能意味着 NdotLight 在相当长一段时间内，面对的是一个“痛点真实但不紧迫”的预算争夺战。它的销售团队需要不断地向客户证明，采购标准化、带有完整物理属性的数据集所带来的训练效率提升和 sim-to-real 迁移成功率，其综合价值远高于客户自己搭建粗糙采集流水线的总持有成本。这种价值论证需要具体的标杆案例和数据支撑，而公司在公开渠道上对此类量化对比的披露仍然有限。
在一个标准未定的市场上构建基础设施
当我们把 NdotLight 放入整个物理 AI 产业链条观察时，会发现它正站在一个微妙而关键的位置。它的上游是传感器制造商、3D 资产商店和各类物理引擎开发商，下游则是机器人本体公司、工业自动化集成商以及少数几家研发机器人基础模型的顶尖 AI 实验室。这条链上最大的不确定性，并不是哪家公司的技术更优，而是整个产业的数据格式与物理属性标注标准远未确立。每个机器人仿真项目的资产描述方式、坐标系统、物理参数的编码方式和尺度单位，都可能在细节上存在差异。这种碎片化状态意味着，今天在这个领域做“数据基础设施”，类似于在移动操作系统尚未定鼎天下时做应用分发渠道——你有可能因为提前卡位而成为不可或缺的管道，也有可能因为最终胜出的平台采用了截然不同的技术协议而被迫推倒重来。
NdotLight 的策略从这个角度看，是将筹码主要压在两个支点上：其一，押注 NVIDIA Omniverse 这条正在快速崛起的仿真平台轨道，通过对该生态的深度适配来获取短期的分发优势和客户触达；其二，深度绑定韩国大型产业集团的内部项目，用关键客户的真实需求和长周期合作来锚定自己的产品路线图。这种组合拳的本质，是用关键客户捆绑和平台生态绑定来在标准未定时期对冲技术路线风险。其策略能否奏效，取决于两个关键变量：物理 AI 产业标准统一的速度和方向，以及 NdotLight 能否在标准最终落定之前，将当下的客户数量优势转化为对新格式的快速适配能力、深厚的数据资产积累，甚至更进一步，凭借服务多家头部客户的行业洞察，参与到标准本身的制定过程中。如果能够做到后者，它就不仅仅是一个被动的数据供应商，而有机会成为标准的定义者之一。
从 3D 引擎到物理 AI 底层设施的战略跃迁
回顾 NAVER D2SF 与 NdotLight 的合作轨迹，可以梳理出一条清晰的技术与商业演化路径。两者的关系始于 2021 年，当时 NdotLight 还处在更早期的阶段，其技术被定位为共建 3D 内容创作环境的一个组成部分。在这个时间点，AR、VR 和元宇宙等以 3D 空间体验为核心的概念正处于资本市场的风口，用自动化工具降低高质量 3D 内容的创建门槛，本身就是一个足够有吸引力的叙事。到了 2022 年的 Series A 轮，这种合作进入了深化期。而如今，随着 AI 的应用前沿从语言和图像开始向物理世界大规模延伸，ChatGPT 之后的市场注意力迅速涌向了人形机器人和具身智能，NdotLight 顺势将其底层 3D 引擎能力重新锚定在“物理 AI 数据基础设施”这个更硬核、壁垒也更高的赛道上。CEO Jinyoung Park 从三星电子 3D launcher 开发中积累的复杂系统工程化经验，与 CTO Suntae Kim 在 NAVER 和三星电子的 AI 与 3D 引擎双重开发领导经历，使得团队具备了在图形技术与人工智能交叉地带进行底层创新的复合能力。这种从“让 3D 内容更好看”到“让 3D 数据可用于训练物理 AI”的跃迁，可能正是 NAVER D2SF 主管 Yang 所说的“快速识别市场变化前的关键机会并迅速执行”的具体注脚。它展示了一家技术型初创公司如何将核心引擎能力从一个正在冷却的市场热点，灵动地移植到一个正在急剧升温、对数据饥渴且技术门槛更高的新战场上。
RecodeX 极客视：NdotLight 获得这笔 150 亿韩元的追加投资，本质上反映的是整个科技产业对物理世界数据层价值的一次加注。当合成数据证明它可以比遥操作更高效、更一致、更具物理保真度地服务于 AI 训练时，围绕数据管道的抢位战就开始了。NdotLight 与 NVIDIA Omniverse 的深度绑定虽然为其提供了现成的生态分发网络，却也将公司命运的一部分交到了平台方的手里，这是一场关于生态依赖与独立性的持久博弈。政策资本的入场则意味着，在物理 AI 的竞争中，数据基础设施已被提升到类似半导体供应链的战略高度。接下来，真正值得追踪的指标不是它又宣布了哪个巨头作为其客户，而是它的数据管线能否从一个需要高度定制化服务的项目制生意，转化为可以被全球机器人公司自助调用的标准化产品——这一步能否走通，将决定它是一家服务数家大客户的精品工坊，还是真正意义上物理 AI 时代规模化运转的数据管道。与此同时，团队在 3D 引擎与 AI 交汇处的复合积累能否在标准混战中演化为标准定义的参与权，则是决定其天花板高度的终极变量。
信息来源
本文在采集与核验阶段引用了以下公开来源，按站点去重列出；来源内容归原发布方所有，其口径不代表 RecodeX 的核实结论。