当机器人卡在“最后一厘米”，钱开始流向数据层
无问智科在这个时间窗口完成了数亿元A轮融资。据公司披露，这家公司把自己定位为“物理AI数据基础设施”提供商，而非机器人公司或模型公司。据公司披露，本轮融资由洪泰基金领投，洪山资本、中电数融、狮城资本跟投，架桥资本、力合金融、力合中科、澄凯灵澄未来基金等老股东超额追投。这是无问智科年内再度完成大额融资，但公司未披露具体金额和投后估值。需要说明的是，本文中所有性能、订单、增长等数据均来自公司或投资方披露，未经独立审计或第三方验证；文中的产业协同、竞争位置和商业路径属于编辑分析，不代表相关结果已经实现。
| 字段 | 内容 |
|---|---|
| 公司 | 无问智科 |
| 轮次 | A轮 |
| 金额 | 数亿元（具体金额未披露） |
| 投资方 | 洪泰基金领投；洪山资本、中电数融、狮城资本跟投；架桥资本、力合金融、力合中科、澄凯灵澄未来基金等老股东超额追投 |
| 总部 | 未披露 |
| 创始人 | 刘盛翔（创始人兼CEO） |
| 官网 | https://www.wuwen-ai.com/ |
“世界模型×数据工厂×世界模拟器”：一个试图绕过数据死结的架构
据公司披露，无问智科的核心产品是物理AI数据基座平台“无垠”和世界模拟器“无穹”。据公司披露，这套体系围绕“世界模型×数据工厂×世界模拟器”展开，试图打通从真实数据采集、自动化数据生产、世界重建与生成、物理仿真、模型评测到真机反馈的完整链路。公司将其概括为“采集世界—生成世界—模拟世界”的Real2Sim2Real闭环。
据公司披露，在真实世界端，无问智科通过自研多模态设备以“无感野采”方式获取人类行为、物体交互和环境信息，再经由世界理解模型完成数据清洗、对齐、筛选、重建、标注及跨本体处理。公司声称，其月度数据生产能力超过2万小时，已累计沉淀数十万小时高质量真实物理交互数据。在仿真端，公司声称其SimReady资产构建时间从3天缩短至5分钟，并建立了百万级SimReady资产库。这些效率数据均来自公司单方面披露，未见独立第三方评测机构验证。
从产品逻辑上看，“无垠”与“无穹”的分工可能对应着数据生产链条的两个不同阶段。“无垠”作为数据基座平台，承担的是真实数据的接入、清洗、标注和跨本体处理；“无穹”作为世界模拟器，承担的则是虚拟场景的生成、物理仿真和模型评测。两者之间的衔接质量，决定了Real2Sim2Real闭环能否真正转起来。公司未披露这两个产品在技术架构上是完全一体化，还是通过接口层连接，也未披露客户是否可以单独采购其中某一环节的服务。这些产品边界的模糊之处，可能影响外界对其技术壁垒的判断。上述产品分工与边界判断属于编辑分析，其前提是公司已披露的产品名称与功能描述，结论边界受限于公司未公开技术架构和客户采购方式。
从3天到5分钟：仿真效率的跃迁与它背后的未解问题
SimReady资产构建时间从3天压缩到5分钟，是无问智科本轮融资中最具传播力的一个数字。据公司披露，这一提升幅度约300倍，背后依赖的是其4D物理世界生成能力。公司未披露该数据的测试条件、样本规模和资产类别范围，因此其在不同场景下的可复现性仍属未知。
但这里存在一个关键的验证缺口。SimReady资产的“可用性”并不等同于“构建完成”。一个资产能否真正用于机器人训练，取决于其物理属性——材质、摩擦系数、质量分布、碰撞响应——是否与真实物体足够接近。以下为编辑分析：构建时间从3天缩短到5分钟，如果是以牺牲物理保真度为代价，那么后续的Sim2Real Gap反而会扩大。公司声称其复杂柔性物体的仿真相关性已提升到90%、接触误差降低到1%以内，但这些指标同样来自公司披露，未见公开的基准测试或客户侧验证报告。
从已披露信息看，无问智科称已与多家重点具身智能企业及基础模型公司围绕真实数据、仿真、评测及Real2Sim2Real闭环展开合作，但未披露具体客户名称、合作金额和交付内容，因此无法判断其商业化深度。
另一个需要拆解的问题是：SimReady资产库的“百万级”规模究竟意味着什么。公司未披露资产库的类别分布和物理属性覆盖范围，因此“百万级”这个数字目前只能作为一个产能信号，而非质量信号来理解。这一判断属于编辑分析，其前提是公司仅披露了资产库规模而未披露类别与物理属性分布。
订单增长3000%的背面：基数效应与复购率的真实含义
无问智科披露了一组增长数据：据公司披露，具身智能业务订单已达数亿元，订单同比增长超过3000%，收入预计同比增长超过1000%。这些数据来自公司或投资方披露，未经独立审计验证。
以下为编辑分析。订单同比增长3000%首先需要放在基数中理解。本次采集材料未披露无问智科的成立时间和历史营收基数，这是资料边界，而非公司刻意隐瞒；在缺少基数的条件下，无法计算订单增长对应的实际增量规模。公司同时给出了收入预计同比增长超1000%的口径，这个数字比订单增速温和得多，暗示订单向收入的转化仍在爬坡。待核验指标包括：成立时间、历史营收基数、订单向收入转化的具体周期。
从收入结构的角度看，无问智科的业务可能同时包含数据采集、数据处理、仿真资产、模型评测等多个环节。不同环节的毛利水平和交付周期差异显著：数据采集可能涉及硬件部署和现场运维，成本刚性较强；仿真资产和模型评测则可能具有更高的软件化程度和边际成本递减特征。公司未披露各业务线的收入占比，因此“数亿元订单”的质量无法被进一步评估。上述收入结构判断属于编辑分析，其前提是公司已披露的业务环节，结论边界受限于公司未披露各业务线收入占比。
资本结构里的信号：产业资本与老股东超额追投意味着什么
本轮投资方名单中，中电数融的出现值得注意。本次采集材料未找到中电数融的工商信息、股东背景或投资案例，无法确认其是否具有电子信息与智能制造背景。以下为编辑分析：洪山资本、狮城资本等机构的跟投，以及架桥资本、力合金融、力合中科、澄凯灵澄未来基金等老股东的超额追投，构成了一个“产业资本+财务资本+老股东加注”的组合。这一判断的验证方法包括：通过国家企业信用信息公示系统查询中电数融的工商登记信息和股权穿透结构；通过公开投资数据库检索其历史投资案例和投资偏好；核查无问智科与中电数融之间是否存在关联交易或联合开发协议的公开记录。在完成上述核验之前，中电数融的产业属性应视为待核验信息，而非已确认事实。
老股东超额追投通常被解读为内部人对公司进展的确认。无问智科未披露本轮融资的具体金额区间、估值水平和资金到账节奏，这些信息的缺失使得外部观察者难以评估本轮融资在公司资本路径中的实际分量。
从投资方组合的构成来看，本轮没有出现具身智能本体公司或云厂商作为战略投资方。这意味着无问智科在资本层面保持了相对独立的第三方数据基础设施定位，没有与某一特定本体厂商或算力平台绑定。公司未披露其算力来源和硬件供应链安排，这些运营层面的细节可能比投资方名单更能反映其实际扩张能力。上述资本结构判断属于编辑分析，其前提是公司已披露的投资方名单，结论边界受限于公司未披露算力来源和硬件供应链安排。
数据基础设施的竞争，正在从“有没有”转向“能不能规模化”
无问智科并非唯一看到物理AI数据基础设施机会的公司。以下为编辑分析：从产业链逻辑看，国内可能存在三类潜在竞争者——一类是原本做自动驾驶数据标注和仿真验证的公司，将能力迁移到具身智能场景；一类是具身智能本体公司自建数据采集和仿真团队，试图把数据能力内化为核心壁垒；还有一类是云厂商和AI基础设施巨头，以算力和平台优势切入仿真与数据服务。本次采集材料未提供具体公司名称、市场份额或可比数据，因此这三类竞争者的实际规模、客户结构和产品成熟度均属于待核验指标。可比较但尚未披露的指标包括：各潜在竞争者的数据生产规模、SimReady资产库规模、客户数量、订单金额、仿真相关性基准测试结果。
无问智科的差异化主张在于“世界模型驱动”。传统数据标注公司做的是“人工+工具”的数据加工，无问智科试图用世界模型实现数据生产的自动化。据公司披露，其Raw Data到Model-Ready Data的效率提高了500%～1000%。这个效率提升如果属实，意味着其单位数据生产成本将显著低于人工标注模式。但世界模型本身的技术成熟度仍是一个变量：世界模型对物理规律的理解能力直接决定了生成数据的可用性上限，而当前世界模型在这些方面仍存在技术挑战，但具体程度需独立验证。
从产品关联看，无问智科的“无垠”平台承担Raw Data到Model-Ready Data的自动化处理，其效率提升直接关系到数据基座能否支撑规模化客户交付；“无穹”模拟器则承担SimReady资产生成、物理仿真和模型评测，其仿真相关性指标决定虚拟数据能否替代部分真实采集。两者共同构成无问智科区别于传统标注公司和本体自建团队的竞争支点，但本次采集材料未披露“无垠”与“无穹”在客户合同中的独立采购比例，也未披露这两个产品分别贡献的收入占比，因此其协同效应仍属于待验证假设。
从客户结构看，无问智科未披露具体客户名称。公司称已与多家重点具身智能企业及基础模型公司合作，但未披露与这些客户的具体合作金额、交付周期和续约条款。在数据基础设施这个赛道，客户验证的含金量取决于一个关键问题：客户是在“试用”还是在“依赖”。如果客户的数据管线已经深度嵌入无问智科的产品体系，切换成本会形成护城河；如果客户只是采购数据集或仿真服务，替代门槛则低得多。
从竞争维度看，无问智科与自动驾驶数据公司迁移过来的玩家相比，优势可能在于对具身智能场景的专注度和世界模型技术的先发积累；劣势可能在于缺乏自动驾驶时代积累的大规模数据标注团队和客户关系。与本体公司自建数据团队相比，无问智科的优势在于可以服务多家本体厂商，摊薄数据生产成本；劣势在于无法像本体公司那样将数据采集与具体任务场景深度绑定。与云厂商相比，无问智科的优势在于垂直场景的理解深度和产品灵活性；劣势在于算力资源和渠道覆盖的规模差距。这些竞争维度的消长，最终可能取决于一个尚未被验证的问题：物理AI数据基础设施是否具备足够的规模效应，使得独立第三方能够比垂直整合的自建团队更高效。由于本次采集材料未提供可比公司的具体数据，上述竞争分析属于基于产业链逻辑的推测，而非实证比较。待核验指标包括：无问智科与潜在竞争者在数据生产规模、资产库规模、客户数量、订单金额和仿真相关性基准测试结果上的可比数据。
资金用途：一条从数据生产通向世界模拟器的长链路
据公司披露，本轮融资资金将主要用于四个方向：世界模型研发、真实物理交互数据规模化生产、SimReady资产体系和世界模拟器建设，以及Real2Sim2Real全链路能力完善。这四个方向构成了一条从“感知真实世界”到“生成可训练世界”再到“验证模型能力”的完整链路。
以下为编辑分析。从资金分配的优先级看，四个方向之间存在明显的依赖关系：世界模型是底层技术基座，其能力上限决定了数据生产的自动化程度和仿真资产的物理保真度；真实物理交互数据规模化生产是当前最可能产生现金流的环节，因为客户对真实数据的需求最为直接；SimReady资产体系和世界模拟器建设则属于中期投入，其商业化回报取决于客户是否愿意为仿真数据单独付费；Real2Sim2Real全链路能力完善则是最长周期的投入，需要与客户的模型训练流程深度耦合才能体现价值。公司未披露资金的具体分配比例，也未披露各方向对应的阶段性目标。在数亿元级别的融资规模下，同时推进四个方向意味着每个方向可获得的资源可能都相对有限。
这条链路的核心风险在于每一环都尚未被独立验证。世界模型研发需要持续的高密度人才投入和算力消耗；真实物理交互数据规模化生产依赖自研采集设备的部署密度和运维效率；SimReady资产体系需要覆盖足够多的物体类别和物理属性才能形成网络效应；Real2Sim2Real全链路则需要与客户的模型训练流程深度耦合。四件事同时推进，对数亿元级别的A轮融资而言，资金分配和优先级管理将是一个严峻考验。
从已披露的运营数据看，无问智科在数据生产规模上已有一定积累——据公司披露，月度数据生产能力超过2万小时、百万级SimReady资产库。但这些“存量”数据的场景覆盖度、物理多样性和标注质量，才是决定其能否转化为可持续商业收入的关键。公司未披露其数据资产在不同场景（物流仓储、工业制造、家庭服务、商业零售）之间的分布比例，也未披露数据采集的硬件成本和单小时数据生产成本。这些指标的缺失，使得“月度2万小时”这个产能数字难以被外部评估其经济性。
待验证的假设：世界模型能否真正成为数据瓶颈的最优解
无问智科在融资声明中称，以世界模型为核心搭建虚实融合的闭环通用数据基础设施，“是破解行业数据瓶颈最优且最可行的路径”。这是公司立场，而非行业共识，且该立场未经独立验证。以下为编辑分析：具身智能数据瓶颈的解决方案至少存在三条竞争路径——一是以特斯拉Optimus为代表的“真实世界规模化采集”，通过大量机器人在真实环境中执行任务来积累数据；二是以仿真为核心的“虚拟世界规模化生成”，无问智科属于这一阵营；三是混合路径，即真实数据与仿真数据按一定比例融合训练。
每条路径都有其未解的难题。真实采集的成本曲线能否随规模下降，取决于机器人硬件成本的下行速度；仿真生成的瓶颈在于Sim2Real Gap能否被压缩到模型可容忍的范围；混合路径则需要在数据配比、质量控制和训练策略上找到可复用的方法论。无问智科押注的是第二条路径，其“世界模型×数据工厂×世界模拟器”的三位一体架构在逻辑上自洽，但从逻辑自洽到商业验证之间，隔着的是客户模型训练效果的实际提升数据——而这恰恰是公司目前未公开披露的部分。
另一个值得关注的变量是行业竞争格局的演变。如果具身智能本体公司最终选择自建数据能力，无问智科的外部客户基础将受到挤压；如果云厂商以算力+平台的方式打包进入数据基础设施市场，无问智科在资源规模上难以与之抗衡。公司需要在窗口期内证明，其世界模型驱动的数据生产方式在成本和效果上对两种替代方案都具备不可替代的优势。
从技术演进的角度看，无问智科的世界模型路线还面临一个更深层的假设：世界模型对物理规律的理解能力能否在可预期的时间内达到工业级数据生产的要求。当前世界模型在生成静态场景和简单交互方面已有进展，但在长时序、多物体接触、柔性形变等复杂物理场景中的表现仍不稳定。这个技术变量的走向，可能比融资节奏更能决定公司的长期竞争位置。需要说明的是，上述关于世界模型技术挑战程度的判断属于编辑分析，其具体程度需独立验证。
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：无问智科的故事真正值得关注的地方，不在于“数亿元A轮”这个金额本身，而在于它把具身智能的竞争焦点从“谁的机器人更灵活”拉回到了“谁的数据能让机器人真正学会干活”。当行业从演示走向部署，数据基础设施的价值逻辑正在被重新定价。但“订单增长3000%”“SimReady构建时间缩短300倍”这些数字的成色，最终要由客户模型在真实场景中的表现来背书。世界模型能不能撑起物理AI的数据底座，答案不在融资新闻里，而在下一批交付的机器人身上。
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。