觅蜂科技获数亿元融资：具身智能数据平台能否成为物理AI时代的“水电煤”？

当大语言模型用互联网上几乎取之不尽的文本完成训练时，另一场更安静的竞赛正在物理世界展开。机器人的“语料”不是网页、代码或电子书，而是抓取、行走、拧螺丝、叠衣服这些真实动作。它们无法从互联网直接下载，必须由人在真实或仿真环境中一条条采集、清洗、标注。供需之间隔着数量级的鸿沟。

这道鸿沟正在催生一类新公司。它们不造机器人本体，也不训基础模型，而是试图成为物理AI时代的“数据水电煤”。2026年8月，一站式物理AI数据服务平台觅蜂科技宣布完成新一轮数亿元融资，由中国电信领投，张江集团跟投，红杉中国、元启创新等老股东超额追加投资。据公司披露，资金将用于建设具身智能数据平台型供给基础设施，扩大MEgo无本体产品量产规模，并加速千万小时级物理交互数据产能落地。

值得注意的不是“又一家AI公司融资了”，而是这笔交易背后的资本结构变化。领投方中国电信是运营商，跟投方张江集团是区域产业平台，老股东红杉中国与元启创新则代表市场化基金与产业链资本。一家成立仅约半年的数据服务公司，同时拿到国资产业方、头部财务投资人和地方科创载体的钱，说明具身智能的竞争焦点正在从“谁的模型更强”转向“谁的数据供给更稳”。

半年三轮融资背后，资本押注的是“数据瓶颈”而非机器人

觅蜂科技创立于2026年2月。据《科创板日报》报道，成立当月公司即完成数亿元种子轮与天使轮融资，由红杉中国领投，鼎晖投资、百度风投、云锋基金、慕华科创等跟投；6月又完成数亿元天使+轮战略融资，由国方创投领投，孚腾资本、上海电科基金、元启创新等跟投，老股东均普智能、鼎晖VGC持续超额追加。加上本轮，这家公司在约半年内连续完成三轮融资，投资方囊括国资产业平台、头部市场化基金和产业链龙头企业。

密集融资的节奏本身就是一个信号。具身智能行业过去两年的主流叙事是“人形机器人本体”和“具身大模型”，数据服务长期被视为配套环节。但觅蜂科技的融资节奏显示，资本开始把数据供给当作独立赛道下注。公司董事长兼CEO姚卯青此前解释过独立发展的逻辑：团队判断未来真正制约行业发展和形成壁垒的一定是数据，而具身智能的模型并不会有强壁垒。这句话可以理解为公司的战略判断，但它同时指向一个更现实的产业约束——没有足够的高质量数据，再强的模型架构也难以在真实场景中完成闭环。

从产业链位置看，觅蜂科技并不是从零起步的创业团队。据公开报道，自2025年底开始，智元启动“一分为四”战略，将灵巧手、数据、租赁、四足机器人四项业务拆分独立，分别成立临界点、觅蜂科技、擎天租和智元酷拓。这意味着觅蜂科技承接了智元在数据业务上的积累，但独立后需要以市场化方式向全行业供给数据，而不是只服务单一本体厂商。这种拆分逻辑在产业里并不罕见：当某个环节的通用性超过单一公司的内部需求时，独立出来反而能获得更大的客户基数，但也意味着要直面更复杂的竞争。

MEgo的卖点不是“采集”，而是绕开机器人本体

觅蜂科技的产品体系分为采集端和治理端。采集端是自研MEgo无本体采集终端，据公司披露已实现量产交付，并进入工厂、物流、超市、家庭、酒店、餐饮、安防、养老等场景。所谓“无本体”，是指采集设备不需要依赖特定机器人本体，可以独立采集宏观环境感知与微观手部操作数据。公司称，该产品凭借轻量化便携硬件深入多样化场景，实现全域、高保真、低成本规模化的数据采集。

这一设计针对的是具身数据采集中最现实的约束：如果数据采集必须绑定某款机器人，那么数据规模就受制于该机器人的出货量和部署速度。无本体方案试图把数据采集从机器人硬件周期中解放出来，让采集设备可以先行进入场景。据公司介绍，MEgo产品能够同步采集环境感知与手部操作数据，轨迹精度达毫米级。这一精度指标来自公司口径，公开材料未披露测试条件、样本规模或第三方验证，属于公司声称、未经独立验证的性能断言。

治理端是MEgo Engine数据治理服务平台。据公司披露，该平台打通预处理、空间重建、多模态标注、质量评测完整自动化闭环，将传统人工数据处理效率提升10倍以上。公司还称，自研VIO位姿算法支持人机技能迁移、长时序动作自动切分、原子操作智能标注。这些能力如果成立，解决的是数据服务行业最“重”的环节——人工标注成本。但“效率提升10倍以上”同样来自公司披露，公开材料未说明统计口径是端到端全流程对比还是单一标注环节对比，也未提供可核验的基准测试或客户数据，属于公司声称、未经独立验证的性能断言。

评测端是觅蜂科技试图区别于单纯数据采集商的关键。据公司介绍，其通过部署回流数据飞轮，将任务执行、数据回流、案例挖掘、数据更新连接成自动化闭环；在部分应用场景测试中，每轮数据闭环可推动任务成功率提升5%至10%。这一数据同样来自公司口径，公开材料未披露具体场景、初始成功率或模型基线，属于公司声称、未经独立验证的性能断言。从逻辑上看，回流飞轮的价值在于让数据供给从“一次性交付”变成“持续更新”，但任务成功率的提升幅度取决于初始成功率、场景难度和模型基线，5%至10%的区间在不同场景下含义差异很大。

客户名单里的蚂蚁灵波，与“平台型供给”的未解难题

觅蜂科技对外披露的客户信息不多，但有一个名字值得注意：蚂蚁灵波。据《科创板日报》报道，觅蜂科技为蚂蚁灵波LingBot-VLA 2.0等具身基座模型提供高质量训练数据。这是目前公开材料中唯一被点名的具身基座模型客户。此外，公司称已与国内外头部互联网、具身智能、AI企业等达成战略合作，但具体名单未披露。

蚂蚁灵波的出现提供了一个观察窗口。蚂蚁集团在具身智能领域的布局偏向VLA（视觉-语言-动作）模型方向，这类模型对数据的多样性和质量要求极高。如果觅蜂科技的数据确实进入了LingBot-VLA 2.0的训练管线，说明其数据供给能力至少通过了头部模型团队的初步验证。但“提供训练数据”和“数据对模型效果产生可归因的提升”是两件事。目前公开材料没有披露觅蜂数据在LingBot-VLA 2.0训练中的具体贡献度，也没有第三方评测证明其数据质量优于其他供应商。

更关键的问题是“平台型供给”的商业模式能否真正跑通。觅蜂科技将自己定位为平台型数据基础设施，声称要实现数据的体系化、标准化、规模化供给，并通过发起“蜂巢数据共创行动”联合全球伙伴打造开放高效的数据流通网络。但平台模式在数据服务领域面临一个结构性矛盾：高质量数据往往具有场景专属性和客户专属性，客户是否愿意把核心数据需求交给一个平台，而不是自建或找独家供应商？如果数据本身成为具身智能的核心壁垒，那么头部客户有动力把数据能力内部化；如果数据不是核心壁垒，那么平台型供给的议价能力又从何而来？姚卯青的判断是“模型不会有强壁垒，数据才会有”，但这一判断本身尚未被行业验证。

运营商集体入局，数据竞赛正在变成基础设施竞赛

本轮融资最值得关注的不是金额，而是领投方中国电信。就在觅蜂融资前不久，中国电信刚联合汇川技术投资了戴盟机器人；更早之前，中国移动链长基金也已投资戴盟机器人；中国联通则自建了具身智能中试基地，据中国联通披露已沉淀80TB高质量数据集及500万条轨迹数据。这一数据来自运营商口径，公开材料未提供独立验证。三大运营商已悉数在具身智能数据赛道落子。

运营商入局的逻辑不难理解。具身数据采集、传输、存储、治理都需要云网基础设施支撑，而运营商在这些环节拥有天然优势。中国电信在投资觅蜂科技的同时，还于7月18日正式发布中电信（上海）人工智能产业私募基金，出资额20亿元，明确聚焦智能算力、大规模底层模型、具身智能、端侧AI以及数据语料等领域。这意味着中国电信对觅蜂的投资不是孤立的财务行为，而是其AI产业基金布局的一部分。

据投资家网报道，中国电信将发挥5G网络、云端存储、算力调度、场景连接等优势，与觅蜂科技联合面向人形机器人企业、智能制造厂商、科研院所、智慧园区和智慧家居政企客户，打造标准化“云网+具身数据”一体化解决方案。张江集团则将开放园区、工业、商业等多元实景应用场景，与觅蜂科技共建具身智能数据公共服务载体。从这些表述看，本轮融资带有明显的产业协同色彩，而非单纯的财务投资。但协同的深度和实际落地进度，目前没有公开数据可以验证。

运营商集体入局也带来一个竞争维度的问题。如果中国电信、中国移动、中国联通各自绑定不同的数据服务商，那么具身数据市场可能不会走向“平台型供给”的统一市场，而是形成运营商主导的多个数据生态。觅蜂科技拿到中国电信的钱，是否意味着它在其他运营商生态中的中立性会受到影响？这个问题公司没有公开回应，但值得持续观察。

鹿明、灵初、京东都在抢同一块地，但“数据产能”的定义并不统一

觅蜂科技不是唯一看到数据缺口的人。据《科创板日报》报道，鹿明机器人发布FastUMI Pro无本体采集系统，计划实现百万小时数据产能；灵初智能部署数据采集设备，目标年底累计百万小时数据；今年5月，京东在江苏宿迁落地具身智能数据采集社区。加上觅蜂科技计划年内达到千万小时级数据产能、2027年实现1亿小时级数据产能、2030年冲刺百亿小时目标，这个赛道正在快速拥挤。上述产能目标均来自各公司口径，公开材料未提供统计口径、测试条件或第三方验证。

但“数据产能”这个词本身需要拆解。一小时数据采集和一小时可用数据之间隔着清洗、标注、质量评测等多道工序。不同公司宣称的“百万小时”“千万小时”产能，指的是原始采集时长还是治理后的可用数据时长，口径并不统一。公开材料未提供鹿明机器人、灵初智能、京东在数据产能上的可比指标，也未披露其数据质量、场景覆盖或客户验证情况。如果行业没有建立统一的数据质量标准和产能计量方式，这些数字之间的比较意义有限。觅蜂科技提出“平台型供给”和“体系化、标准化、规模化”，某种程度上也是在试图定义这个标准。但标准制定权最终属于谁，取决于谁的数据被最多客户采用。

姚卯青对竞争的态度是开放的。他此前接受《科创板日报》采访时表示：“更多厂商进来提供数据，我们是非常欢迎的。要在2027年实现1亿小时级的数据产能，需要非常多的伙伴一起参与。”这句话可以理解为行业还在早期，市场空间足够大；但也可以理解为，数据产能的扩张速度远超单一公司的能力边界，合作是必然选择。从产业规律看，数据服务很难形成赢家通吃的局面，因为场景碎片化程度太高，不同行业的数据需求差异极大。

资金用途清晰，但“百亿小时”目标背后缺少可验证的路径

觅蜂科技披露的资金用途相当具体：建设具身智能数据平台型供给基础设施，扩大MEgo无本体产品量产规模，夯实数据采集、数据治理、闭环评测全栈能力，加速千万小时级物理交互数据产能落地。从字面看，这笔钱主要投向产能扩张和基础设施，而非模型研发或本体制造。这与公司的平台型定位一致。

但“千万小时级产能”和“2030年百亿小时目标”之间的差距值得审视。从千万小时到百亿小时，是三个数量级的跨越。要实现这一目标，需要解决的不只是采集设备产能，还包括数据合规、场景授权、隐私保护、跨境数据流动等一系列问题。觅蜂科技已在国内20多个城市建立创新中心，布局超过5个海外节点，但海外节点的具体位置、数据采集规模和合规框架均未披露。在具身数据涉及大量真实场景和人体动作的背景下，数据合规成本可能远超采集硬件成本。

另一个未披露的关键信息是收入结构。觅蜂科技没有公开任何财务数据，包括收入规模、客单价、毛利率、客户留存率等。对于一家定位“平台型基础设施”的公司来说，这些指标比融资额更能说明商业模式的健康度。目前公开材料只能确认公司有客户合作、产品已量产交付，但无法判断其收入是否足以支撑“平台”的运营成本，还是仍处于以融资驱动产能扩张的阶段。公开材料未提供替代验证路径，例如可执行合同金额、付费客户数量或复购率，因此财务健康度仍属于验证边界之外的信息缺口。

从已披露的信息看，觅蜂科技的策略是先用资本快速铺开采集网络和治理能力，再通过规模效应摊薄数据生产成本，最终形成平台型供给的定价权。这个逻辑在云计算、共享出行等平台经济中反复出现过，但数据服务有一个关键差异：数据的边际成本并不像软件那样趋近于零。每一小时新的物理交互数据都需要真实场景、真实设备和真实人力投入，规模扩张带来的成本下降幅度可能远低于互联网平台。因此，觅蜂科技能否在产能扩张的同时保持数据质量和成本可控，是比融资额更值得关注的问题。

风险不在技术，而在“数据是否真的能成为壁垒”这个假设

觅蜂科技的核心叙事建立在两个假设之上：第一，具身智能的瓶颈在数据而非模型；第二，数据供给可以平台化、标准化、规模化。第一个假设有行业共识支撑，但程度存疑。大语言模型的发展历史显示，模型架构、算力和数据三者的重要性会随阶段变化，数据稀缺可能催生更高效的学习方法，而不是必然导致数据服务商的长期价值。如果未来出现类似“具身智能的GPT时刻”，模型能力大幅提升的同时对数据量的需求下降，那么数据平台的价值逻辑需要重新评估。

第二个假设面临更现实的挑战。具身数据与文本数据有一个本质区别：文本数据是高度标准化的符号系统，而物理交互数据涉及环境、物体、人体动作的无限组合。标准化可以解决数据格式问题，但很难解决数据与特定任务之间的匹配问题。一个在工厂采集的拧螺丝数据，对家庭场景的叠衣服任务有多大迁移价值？如果迁移价值有限，那么“平台型供给”就需要为每个场景单独建立数据能力，规模效应会被场景碎片化稀释。

此外，数据合规风险在具身智能领域被严重低估。具身数据采集往往涉及真实人物、真实场所和真实操作过程，人脸、体态、行为轨迹都可能构成个人信息或敏感信息。觅蜂科技在工厂、家庭、养老、安防等场景采集数据，这些场景的合规要求差异极大。公司没有披露其数据采集的授权机制、脱敏标准和合规框架，这是其“平台型供给”能否规模化的关键变量。

从投资逻辑看，中国电信和张江集团的入局为觅蜂科技提供了场景和基础设施资源，但也可能限制其作为独立平台的中立性。如果觅蜂科技的数据服务深度绑定中国电信的云网体系，那么非电信生态的客户是否会有顾虑？如果张江集团的场景开放带有区域性特征，那么全国化乃至海外扩张的节奏如何协调？这些问题在公开材料中没有答案，但会直接影响公司“平台型供给”的定位能否成立。

觅蜂科技的故事才刚刚开始。它拿到了钱、场景和产业资源，但还没有证明数据平台模式在具身智能领域能够跑通。半年三轮融资可以说明资本愿意为这个假设下注，但假设本身需要数据来验证——而验证的过程，恰恰是这家公司最擅长也最需要做的事。

验证边界与可复核指标

本文涉及的“首个、唯一、最大、领先”、订单、出货、性能等表述，如无另行说明，均是公司、创始人或投资方在现有公开材料中的披露口径；RecodeX未在本次采集材料中找到独立审计或第三方测试结论，因而不将其视为已经独立确认的事实。文中的产业协同、竞争位置和商业路径属于基于已披露产品与融资用途的编辑分析，不代表相关结果已经实现。

• 技术侧应核验第三方测试条件、样本规模、良率、稳定性及与可比方案一致口径的结果；
• 商业侧应核验去重后的付费客户、可执行合同、收入确认、复购率以及订单转化；
• 资本与产业协同应以工商股权、关联交易、联合开发、采购或量产文件为准。

RecodeX 极客视：具身智能的数据饥荒是真实的，但“数据平台”能否成为物理AI时代的水电煤，取决于一个尚未被回答的问题：当数据本身成为壁垒时，客户为什么愿意把壁垒交给别人建？觅蜂科技用半年三轮融资买到了验证这个问题的时间，但时间窗口不会无限期敞开。真正的瓶颈或许不在“能不能采到”，而在“采到之后，谁愿意把最值钱的那部分数据交出来”。