2026年的具身智能赛道上，钱与焦虑同样密集。上半年935亿元的融资额砸进这个赛道，同比翻了五倍，但产业链上一个幽灵般的缺口始终无法弥合——数据。行业内的共识是，一个勉强能用的具身大模型，至少需要千万小时级的高质量真实交互数据。而截至2026年初，全球可用的、高质量的多模态物理交互数据总量，乐观估计也不过50万小时。缺口，超过99%。
这不是十万、百万小时的差距，而是一个数量级的断裂。当大语言模型可以从互联网文本的汪洋中自动汲取养分时，让一台机器人学会打开一扇门、拧紧一颗螺丝、在人群中穿行，需要的是视觉、触觉、关节扭矩、物体材质与动态环境时序对齐的完整数据链。这类数据无法爬取，无法生成，只能在真实物理世界的一次次碰撞与操作中被记录下来。采集成本高昂，质量不可控，且换一个机器人型号就可能完全失效。
行业困局催生了新的基础设施需求。2026年8月12日，一家成立不足三个月的公司——元点科技（SCALEFORCE），首次对外发声，披露在40天内连续完成两轮融资，总额未披露。投资方包括国内顶级具身智能产业方、恒旭资本与凯联资本。公司尚未公布具体轮次、成立注册地及官方网站，但已进入密集运营期，并拿下了来自具身智能本体公司它石智航的千万级数据订单。
| 字段 | 内容 |
|---|---|
| 公司 | 元点科技（SCALEFORCE） |
| 轮次 | 未披露 |
| 金额 | 未披露 |
| 投资方 | 国内顶级具身智能产业方、恒旭资本、凯联资本 |
| 总部 | 未披露 |
| 创始人 | 郭江亮 |
| 官网 | https://www.scaleforce-agi.com/ |
物理AI缺的不是模型，是一条能运转的数据产线
元点科技切入市场的切口，是一个名为MatrixOS的物理AI操作系统。与通用操作系统不同，MatrixOS并不直接管理硬件或运行应用程序，它面向的对象是数据——一套贯穿了物理世界数据采集、清洗、泛化、管理与分发的垂直系统。
这一产品定位背后有一个冷峻的产业现实：具身智能公司正在经历一段痛苦的“数据手工作坊”阶段——采集、清洗、标注等环节高度依赖人工，换一个场景就需要重来。
MatrixOS试图将这个过程工业化。平台的前端连接的是一个被称为“全球规模化物理AI数据生产网络”的采集体系。根据公司披露的信息，该网络理论上可支持全球数十万级数采节点的统一管理与调度。在单个节点层面，元点科技自研了一套亚毫秒级多传感器时间同步的数采套件，能够同步采集视觉、触觉、力觉与行为等多模态数据。元点科技将其称为“human-centric数采范式”，即围绕人类操作员的遥操作过程构建数据流，而非仅依赖自主探索。
但真正的技术博弈不在硬件，而在数据经过采集之后的处理环节。元点科技在MatrixOS中集成了两大核心引擎：ADA（Action-Data Alignment）数据泛化引擎，以及GDP（全局—深层—主动）数据质量引擎。前者直接瞄准了具身智能数据领域最顽固的难题——跨本体复用，后者则试图将数据质量的控制从人工经验判断推进到自动化量化阶段。
ADA引擎：跨本体复用的第一步实验
数据泛化，或者说“一份数据在不同机器人上通用”，是具身智能产业渴望却迟迟未能攻克的圣杯。根源在于，传统的数据采集与运动控制强绑定。一台1.3米高、六自由度机械臂抓取水杯的关节轨迹数据，若直接移植给一台1.7米高、七自由度的双足机器人，物理构型的差异会让原始数据完全失效。OOD（Out-of-Distribution，分布外泛化）问题如影随形，导致几乎每款新机器人、甚至一个新的作业任务，都需要重新采集一套数据。
元点科技披露的ADA引擎，试图解决数据跨本体复用的问题。根据真机多场景评测，其成功率从65%提升至92%。
这是元点科技对外公布的最具技术分量的一个数字。不过，对这个指标需要谨慎解读。首先，评测所选取的“多场景”具体涵盖哪些本体型号、作业工况和任务复杂度，公司方面并未披露。其次，92%的成功率究竟是在多少组对照实验的统计学意义上得出的，评测标准是严格的工业级可重复性，还是实验室环境下的任务完成率，同样未知。在具身智能领域，“成功率”的定义弹性极大，一次成功的抓取可能只是恰好球体角度合适，也可能意味着在100次随机扰动中完成了92次。
但从产业角度审视，即使这一指标存在公开评测条件差异，从65%到92%的跨越仍然是值得注意的信号。65%的基准线恰恰反映了当前行业在面对跨本体复用时的真实窘境——超过三分之一的原始数据在换一个机器人后变成了废料。92%的成功率意味着数据损耗大幅降低，如果能在更广泛的客户环境中被复现，将直接改变本体厂商的数据采购经济模型。
从“能用”到“高转化”：建立数据质量的量化防线
与泛化引擎并行运转的，是GDP数据质量引擎。命名的三个字母分别指向全局、深层与主动，对应的是一套自动化质量控制流程。
在传统的数据采集流程中，质量判断高度依赖人工标注员的经验。一条机械臂轨迹数据是否“合格”，往往需要在采集后由工程师肉眼回溯视频，逐帧检查传感器时间戳是否对齐、力反馈曲线是否出现异常尖峰、动作序列是否存在逻辑断裂。当数据规模从数百条膨胀到数十万条时，人工质检全面崩溃。
元点科技的方案是将质量评估自动化，并前置到采集策略中。GDP引擎通过信息熵分析、后验概率估计、动作语义分析与贝叶斯主动学习等方式，持续优化数据采集策略。
这套方法论并非元点科技独创。贝叶斯主动学习在深度学习的标注优化中已有多年积累，信息熵指标同样常见于数据清洗工具链。元点科技的差异化在于将其封装为一套面向具身数据的专用引擎，并给出了一个量化产出指标：数据可用转化率达到80%，公司自称“为国内最高水平”。
同样需要指出的是，这个“国内最高水平”的说法缺乏公开的第三方横向对比数据作为支撑。具身智能数据领域目前整体处于早期，缺乏行业通用的质量评价标准和基准测试集。80%的可用转化率意味着每采集100条原始数据，有80条可以进入后续的训练流程。如果这一数字是在大规模、多场景、连续作业条件下稳定达到的，那确实构成了一个竞争壁垒；但如果仅在某些理想条件下实现，其商业参考价值就要打折。
中立管道商的角色与其商业可持续性
元点科技的商业模式选择了“中立数据基础设施提供商”的定位。公司不制造机器人本体，不开发具身大模型，也不直接面向终端用户提供解决方案——至少在现阶段如此。MatrixOS卖给三类客户：本体厂商，购买定向场景数据；世界模型公司，购买真实物理交互数据；行业客户，围绕特定任务搭建数据闭环。
这种“卖铲子给淘金者”的逻辑并不新鲜，但在具身智能领域有特殊的分量。本体厂商之间的竞争正在从机械结构、关节模组向上层智能迁移，数据成为新战场。然而，任何一家本体厂商自行采集的全量数据，都不可避免地带有自身硬件构型的强烈印记。如果一家本体公司同时对外提供数据服务，下游客户会本能地质疑数据的中立性以及是否会偏向特定硬件平台。
元点科技独立第三方的身份，理论上使其可以承接来自产业链各环节互不信任的需求方。目前看，这种定位在初期已经产生实际订单。它石智航的千万级合同是一个参考坐标：元点科技为其提供“定向场景数据采集＋MatrixOS平台数据处理”服务，助力其A系列机器人进入安波福工厂的多个作业场景。安波福作为全球汽车零部件巨头，工厂场景对数据质量和交付稳定性有真实考验。如果这笔订单能够按期、按质量完成并产生复购，将是比任何技术指标都更有说服力的商业验证。
此外，元点科技还披露已与智在无界等多家世界模型公司建立合作，加入了华为昇腾计算生态，成为昇腾全球首批开源具身智能/世界模型数据和算法管线的贡献者，并与北京大学、北京航空航天大学建立前沿探索合作。与此同时，公司的国际化布局也已实质性启动，组建了由东南亚运营与销售专家领衔的海外业务团队。
但这些合作关系的商业化深度尚不明确。“建立合作”“加入生态”这类表述，在产业报道中极为常见，从签署一份框架协议到产生持续性营收之间有巨大的距离。元点科技需要在下一次信息披露中给出更多量化指标，比如付费客户数、合同总金额、复购率等，才能验证其中立定位的商业可扩展性。
拼图完整的团队与未经验证的窗口期
元点科技备受投资人关注的一大原因，是其团队的产业履历。在具身智能数据这样一个需要同时理解分布式系统、AI训练管线与行业客户需求的高门槛赛道，元点科技的创始团队呈现出了少见的完整拼图。
创始人郭江亮的履历横跨了百度智能云的Infra层建设与创新奇智的工业AI落地。在百度期间，他从零孵化了MapReduce、机器学习平台、企业AI中台、工业质检云等核心产品，带队实现工业、金融、能源电力等领域的业务突破，“累计实现数十亿营收”的来源材料描述。随后在创新奇智担任技术副总裁，完整构建了工业大模型与工业具身智能技术体系，并经历了公司从创业到上市的完整周期。这段经历让他同时具备从底层分布式系统到上层工业AI应用的全栈视野。
首席科学家Alex的履历则补足了前沿算法部分。这位北京大学计算语言所博士先后在Meta AI和华为诺亚方舟实验室担任核心成员，主导设计过国内第一代万亿参数级MoE架构的大语言模型，覆盖从数据配方、代码开发到底层算子优化的全流程。这意味着元点科技在构建数据引擎时，具备大模型训练管线的成熟经验，向物理AI领域延伸。
商业侧由首席营收官Victor和首席产品架构师Angel覆盖。Victor曾带领团队实现近10亿元销售业绩，对国内AI、大模型和具身智能生态有深度积累。Angel则主导过多套企业级数据平台产品的设计、研发与落地，负责把前沿技术封装成可交付的工业级产品。
用郭江亮自己的描述，“我们这个团队最大的特点，是过去一起扛过枪、打过仗，都是摸数据、滚业绩的产业实战派和连续创业者。”这句话并非过度修辞。这四个人的背景分别指向了分布式数据系统、前沿AI算法、企业销售与产品架构，恰好对应了元点科技需要攻克的技术、产品化与商业化三个环节。
不过，背景豪华与创业成功之间永远隔着执行鸿沟。元点科技面临的最紧迫挑战是时间窗口。行业普遍将2027年至2029年视为人形机器人规模化商业化的关键窗口期。如果这一预测成立，那么留给数据基础设施层建立壁垒的时间只有两到三年。一旦窗口来临，能否在那个时点做到“全球产能最大、成本最低”的数据生产与分发网络（如公司规划所言），决定了元点科技是成为行业的水电煤，还是被大厂或头部本体厂商的数据部门边缘化。
投资逻辑：押注确定性缺口与未定的技术路径
恒旭资本与凯联资本，以及那家未被具名的“国内顶级具身智能产业方”，为何在元点科技成立不足三个月、产品尚未经过大规模商业化验证时即选择下注？
从时间节点与赛道逻辑判断，这轮融资的核心投资逻辑在于对“确定性缺口”的押注，而非对“特定技术路线”的背书。
所谓确定性缺口，指的是无论最终哪家本体厂商或哪个具身大模型胜出，高质量物理世界数据都是无法绕过的必需要素。这个逻辑与AI训练时代的英伟达有某种相似性——无论科技巨头们在模型架构上如何内卷，算力始终是硬通货。在具身智能领域，真实交互数据就是新的硬通货。
元点科技所占据的环节，恰好位于本体厂商、模型公司与终端场景三者的交汇处。对本体厂商而言，自建全场景数据采集网络的成本极高且利用率低；对模型公司而言，核心能力在算法而非数据工程；对行业客户而言，缺乏技术能力将自身作业场景标准化为可训练的数据集。一个独立的第三方管道如果能以足够低的成本、足够高的质量将这三端打通，就有机会在产业链上占据一个不可替代的生态位。
产业方在本轮的投资参与，也值得分析。未具名的“国内顶级具身智能产业方”可能是一家本体厂商或其关联投资平台。产业资本的投资往往带有战略绑定意图——锁定优质数据供应源，或者提前卡位数据基础设施的标准建设。但对于元点科技而言，与一家产业方走得过近，也可能损害其中立管道的定位，令其他潜在客户产生数据安全上的疑虑。如何在与产业资本结盟的同时保持数据防火墙的独立性，是元点科技在后续融资与商业拓展中需要持续平衡的命题。
另一重投资判断则基于对数据飞轮效应的预期。MatrixOS的设计并非一次性项目交付工具，而是一个持续运转的数据生产系统。理论上，每次数据采集和处理的过程都在反哺数据质量引擎，优化采集策略与泛化模型，进而降低下一次采集的单位成本。随着数据资产规模的增长，边际成本递减的效应将愈发明显。这种预期中的规模化优势，是资本愿意在早期承担风险的底层动力。
资金用途与待验证假设
要支撑下一步发展，元点科技仍需在MatrixOS的技术迭代、大规模数据生产网络的建设以及团队扩展上持续投入。
这三个方向分别对应着元点科技当前最紧迫的几张考卷。技术迭代首先需要解决的是泛化引擎的泛化边界问题。ADA引擎在提交给客户的真机场景中表现出92%的成功率，但它能否覆盖主流机器人型号的泛化需求，还完全没有数据支撑。每一种新机型的适配，都可能需要重新采集一批对齐数据。
数据生产网络的建设则面临物理世界的刚性约束。数十万级数采节点的管理听起来像是一套云端SaaS的逻辑，但每个节点都对应着真实世界中的采集设备、遥操作人员、作业场地与电力网络。将这些物理资源在全球范围内铺开并保持统一的调度标准和质量产出，是极重资产的运营挑战。目前公司全流程自动化程度超过95%，但在那个5%的人工介入环节里，可能藏着大量影响交付质量的不可控变量。
团队扩展同样紧迫。元点科技目前已披露的核心团队四人，但要支撑MatrixOS的研发迭代、全球数据网络的铺设、多行业客户的交付支持以及海外业务拓展，人员规模需要快速膨胀。在顶尖具身智能人才被头部厂商激烈争抢的市场环境下，快速扩编而不稀释核心团队的质量和文化，对所有早期创业公司都是一道难题。
此外，还有几个关键假设等待时间检验。最具挑战的一项，是具身智能产业对“独立数据层”的真实需求有多刚性。历史经验显示，当一个新的技术层刚出现时，垂直整合往往是早期玩家的首选策略。特斯拉在自动驾驶领域坚持自研数据闭环，Optimus人形机器人大概率也会延续这条路。如果头部本体厂商倾向于将数据能力内化，独立数据基础设施公司的终极市场空间就可能被压缩。
数据合规与隐私是另一重风险。具身智能数据采集天然涉及对真实物理环境的感知，工厂场景涉及生产工艺参数，家庭场景涉及个人隐私，跨境数据流动则面临不同司法辖区的监管框架。元点科技已经在布局东南亚等海外市场，但其数据合规体系的建设进度未见披露。一旦某个关键市场的数据合规出现问题，对一家以数据为主营的公司将是系统性打击。
数据引擎背后的产业张力
元点科技的融资故事，本质上是一次关于基础设施提前卡位的赌注。在具身智能产业链尚未完全成型时，在数据定义、数据标准、数据流通协议都还是空白地带时，先进入者试图将自己的技术方案变成事实标准。
这与云计算早期AWS的崛起有某种叙事上的相似性——当所有人都还在争论虚拟机与容器的优劣时，亚马逊选择先把最枯燥的存储、计算与网络接口做好，卖给所有争论中的开发者。MatrixOS所锚定的，正是具身智能领域中最枯燥、成本最高、也最无人愿做的基础层。
但风险同样在于，这个基础层是否真的会独立存在。大语言模型时代，数据标注行业最终并未诞生任何一家平台级公司——Scale AI估值虽高，但远未成为水电煤。具身智能的数据需求比语言模型更碎片化、更场景化、更与特定物理载体绑定，这种特性可能让独立数据平台的价值更大（因为自建成本更高），也可能被细分场景的数据服务商肢解（因为每个垂直行业的需求差异太大）。
元点科技目前展现出了令人瞩目的闪电式起步：40天完成两轮融资，成立不足三个月签下千万级订单，核心技术指标穿透了行业长期瓶颈。但商业世界从不奖励最精致的Demo，只回报经得起规模化折磨的系统。对于郭江亮团队而言，真正的战役不是完成这两轮融资，而是在接下来两年里，把MatrixOS从一组令人印象深刻的技术指标，变成具身智能产业不愿、也不能绕过的底层通道。
RecodeX 极客视：元点科技最大的叙事张力，不在于40天两轮的融资速度，而在于它踩中了一个99%数据缺口所造就的结构性机会。在产业链尚未定型、数据标准尚是真空的窗口期，基础设施的提前卡位无疑具有战略想象力。但“成立不足三个月”也是一柄双刃剑：ADA引擎92%的泛化成功率、80%的可用转化率以及全球数十万级数采节点的管理能力，目前均来自公司自述，尚未有第三方大规模验证。具身智能的商业化进程本身仍在早期，2026年上半年的935亿元融资盛况下，元点科技同时在与两个不确定性赛跑：自己能否跑通技术到商业的闭环，以及行业是否真的需要一个独立且规模化的数据中间层。郭江亮说“让数据贯穿物理AI全生命周期，在物理世界中生长出无限智能”，这条路没有前人铺好的轨道。
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。