Ropedia获数千万美元融资：机器人基础模型训练为何需要真实世界数据基础设施？

2026年上半年，Physical AI赛道出现了一个清晰且结构性的信号：机器人模型的竞争重心正在从架构与算力，向数据层加速迁移。Qwen-VLA将机器人操作、导航、轨迹预测与人类第一视角示范纳入统一训练框架；ACE-Ego-0尝试将大规模人类视频转化为可供机器人使用的伪动作轨迹；τ₀-WM则在超过2.7万小时异构交互数据上联合学习视频预测与动作生成。

上述技术路线的共同指向是，单纯依赖传统遥操作采集的机器人数据已不足以支撑模型迭代。行业需要更大规模、更高多样性的真实世界交互数据。然而，获取这类数据是一道极高的工程壁垒：来自不同传感器的原始信号，需要经过时间同步、空间配准、三维与四维重建、动作切分、语义标注等十余个环节，才能转化为模型可用的训练材料。市场并不缺能做出Demo的数据方案，真正稀缺的是能规模化、持续稳定产出模型可用数据的工程体系——一套能够像产线一样跑起来的数据基础设施。

总部位于新加坡的Physical AI数据基础设施公司Ropedia，正试图填补这一缺口。公司近期宣布完成数千万美元融资，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。在此前一轮融资中，与Google、a16z、NVIDIA、Amazon相关的投资人已经入场。资金将用于核心技术团队扩建、硬件产品线规模化量产，以及数据产品的规模化生产。

当模型竞赛向数据层迁移，真实世界经验不再只是“辅助材料”

过去十年，大语言模型与多模态模型对世界的认知，主要建立在文本、图像和视频等互联网数据之上。但当AI需要走出屏幕、进入物理世界，这套数据体系正面临根本性的失灵。互联网数据缺乏对三维空间、接触力、连续运动与物理结果的结构性记录。

CTO洪方舟给出了一个精确的说明：机器人不仅需要识别一个杯子，还必须理解它在三维空间中的位置、手应当从什么方向接近、抓取时会发生怎样的接触、施加多大的力量，以及动作失败之后应当如何调整。这些连续的感知、动作与物理反馈，被Ropedia统称为“人类真实世界经验”。

首席科学家刘子纬进一步用了一次能源结构的类比来解释这场转变：“语言大模型有点像化石燃料：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。”这一观点意味着，智能的原料储量正在发生转移，而新原料的开采和精炼，需要完全不同的工程手段。

这一判断正在获得初步的量化支撑。在ACE-Ego-0的消融实验中，在相同框架下，同时使用机器人数据与Ropedia的Xperience-10M人类视频数据训练出的模型，任务成功率达到了72.8%，相较仅使用机器人数据时的68.3%，直接提升了4.5个百分点。这4.5个百分点的差距并不来自模型尺寸或算力预算的增加，而纯粹来自训练数据本身的多模态和规模变化。它可能意味着，在Physical AI的早期发展中，模型能力的上升空间相当一部分是被数据供给的质量和丰富度锁死的。

硬件只是入口，真正的产品是一套“量产级”数据引擎

Ropedia最早以头戴式多模态采集系统HOMIE进入行业视野。HOMIE采用轻量化第一视角设计，能够在家庭、办公室、工厂、商场等开放环境中持续记录人类自然完成任务的过程。但在公司当前的产品架构中，HOMIE只是数据引擎的入口，而不是核心产品本身。

真正的核心是一套名为Experience Engine的端到端数据生产基础设施。它分为三层：第一层Sense，是覆盖不同交互场景的感知硬件，包括头戴式第一视角设备及面向手部动作、触觉和空间运动的感知系统；第二层Experience Engine负责将原始传感器数据转换为模型可训练的结构化数据，这是整个链路中工程投入最重的一环；第三层Deliver，打通数据集交付、模型训练与验证，通过可评测的训练闭环判断数据效果，并反向指导下一轮采集任务的规划。

这条管线与传统的人工标注模式存在结构性差异。Ropedia的流程是：所有采集数据先上云完成人工预筛选与清洗，然后进入自动化标注管线，经过自动化指标质检、人工终检后入库，全流程留痕可查。CEO陈昭熹将其类比为硬件量产线，强调其价值在于能让不同批次的数据保持一致性和稳定性。这一思路所对应的现实约束在于，Physical AI训练所需的原始信号具备高度异构性——不同传感器有不同的采样频率、坐标系和噪声特征，在开放环境中还频繁出现遮挡、漂移和动作中断。一旦无法在工程层面解决规模化生产的质量一致性，交付的数据集就难以直接进入模型训练主干流程。这正是行业中大量方案仍停留在单点验证阶段、难以向商业化迈进的关键瓶颈。

卖的不是视频数量，而是能够进入训练主流程的数据资产

Ropedia的商业模式由硬件销售、数据授权与定制化数据生产服务三部分构成。但陈昭熹强调，客户最终购买的并非原始视频的数量，而是可评测、可迭代、可直接用于训练的结构化数据资产。采集设备决定了能看到什么，Experience Engine决定了这些信息能否被模型使用，而模型验证则决定了下一轮应该采集什么。

这种定位使Ropedia与传统数据标注公司形成了清晰的分野。传统服务往往围绕人工采集和人工标注展开，交付的是一次性数据包，服务终点早于模型结果。Ropedia试图交付的，则是围绕特定模型目标持续迭代、规模化生产的数据资产，其服务范围延伸到了训练与评估环节，这或许意味着数据供应商在未来可能承担部分模型基础设施的功能。

部分客户的行为模式可以佐证这一模式的初步落地。2026年上半年，公司已服务超过20家全球机器人及基础模型公司。在已进入交付的合作中，客户通常会先采购一批高精细度多模态数据用于训练验证，再根据模型训练反馈决定是否扩大规模。Ropedia认为，复购的前提是该数据能够支撑客户未来2至3个季度的模型迭代需求，降低重复采购的流程与时间成本。从收入来源看，北美市场贡献了六至七成份额，这与北美聚集了大量前沿机器人公司和具身智能研究机构的产业格局高度吻合。公司过去六个月营收增长4.1倍，已服务约1800家数据使用机构。需要指出的是，这一增长速度发生在公司成立初期的低基数阶段，后续能否在高基数上维持相似增速仍属待验证的假设。

一份数据集的价值如何验证：下载量之外，需要看三个更硬的信号

2026年3月，Ropedia发布旗舰数据集Xperience-10M，包含约1000万个真实世界交互片段、1万小时第一视角视频和音频、超过10种同步模态，总规模接近1PB。该数据集在Hugging Face全平台数据集榜位列第2名，具身智能赛道第1名，累计下载量超270万次，共有1569个独立账号与机构下载使用，并被AI2、Qwen等实验室引用。

不过，下载量并非衡量数据价值的最高权重指标。更具判断力的三个硬信号分别是：数据进入了哪些关键模型的训练集、在消融实验中带来了多少量化提升，以及客户是否产生了持续的复购与迭代行为。在第一个维度，Xperience-10M已被Qwen-VLA、MolmoMotion、ACE-Ego-0和τ₀-WM等模型正式采用，进入了具身基础模型、运动预测模型和世界模型的研究与训练体系。在第二个维度，Ace-Ego-0的消融实验提供了4.5个百分点的提升证据。在第三个维度，尽管公司未披露复购率具体指标，但“先验证再扩规模”的合作流程本身构成了一种间接检验，即客户将数据视作可持续使用的资产而非一次性消耗品。目前，Xperience-10M的训练效果验证仍主要依赖于特定模型在特定任务上的表现，对于更广泛的模型架构和更多机器人任务的泛化效果，仍有赖于更多独立第三方实验来提供证据。

资本结构所隐含的信息：是谁在押注Physical AI的数据基础设施层

本轮融资的资本结构透露出若干值得注意的信号。领投方是多家东南亚头部风险投资机构，这既反映出Ropedia将新加坡作为全球化运营枢纽的考虑，也可能表明东南亚资本市场对该地区涌现出Physical AI基础设施公司的布局意愿。产业投资方的入场——智能制造与大模型公司作为战略方共同参与——则叠加了一层信号：下游需求方对高质量数据供给的稳定性和可预测性存在迫切诉求，这或许意味着部分客户正试图在采购关系之外，以资本纽带的方式锁定关键数据供给。

更早的种子轮中，与Google、a16z、NVIDIA、Amazon相关的投资人的直接投资，则体现了一种对创始团队和执行路径的强力下注。一位来自Amazon的资深首席研究科学家曾这样解释自己的早期决策：“我很早就选择投资Ropedia团队，因为他们身上有一种罕见的组合：深厚的技术功底、极快的执行速度，以及对Physical AI走向的清晰判断。”

与此相对，本轮融资的具体轮次在公开信息中存在不一致。多数来源描述为天使轮，另有来源称已分为两轮pre-A融资，合计3000万美元，其中最早一轮800万美元，后续一轮2200万美元。这一差异在公开材料中尚未得到公司或投资方的正式澄清，投资者在进行独立尽调时可能需要就此寻求更明确的说明。

把资金投向硬件产线和数据工厂，大规模化所伴随的挑战是什么

公司披露的资金用途集中在三个方向：核心技术团队扩建、硬件产品线规模化量产，以及数据产品线规模化生产。此外，Ropedia计划于2026年8月发布下一代多模态采集系统，技术方向是进一步统一第一视角视觉、手部动作、人体运动与空间位置信息，从记录行为走向构建模型可学习的物理过程。

规模化量产是物理逻辑最明确、同时也是执行风险最高的方向之一。HOMIE作为头戴式硬件，进入量产阶段后意味着公司需要管理供应链、品控、国际物流与售后体系，这些能力要求与软件和数据服务存在本质区别。创始人团队中部分成员拥有Meta硬件团队的工作背景，这是一个正面因素，但一家成立仅一年多的初创公司若同时推进硬件量产、数据引擎扩张和全球化交付三条战线，对组织能力、工程管理和现金流的同步性提出了极高要求。另一个值得持续关注的点是数据安全与地域合规。Physical AI数据涉及大量人类行为记录，在隐私保护和跨境数据流动方面面临复杂的监管环境。Ropedia称已建立分级交付体系，支持上云部署、专属分区及本地私有化方案，但该体系在监管较为严厉的市场的实际适配性——例如能否全面满足GDPR等合规框架——截至目前尚未有公开的第三方审计或案例验证。

从单向数据供给走向经验飞轮，闭环是否已经启动

Ropedia的长期叙事围绕一个核心概念展开——“经验飞轮”。其内在逻辑是：采集硬件进入真实环境，Experience Engine将原始信号转换为结构化经验，数据进入模型训练与评估，模型表现出的失败模式和能力缺口再反向决定下一轮采集任务。在这一愿景中，硬件、数据和模型不再是彼此独立的交付物，而是一套共同演进的系统。

这套逻辑如果成立，将与单纯的数据供给形成本质区别——供给是交付即终点的线性模式，飞轮则是具备正反馈潜力的闭环系统。但让飞轮真实运转，需要同时满足多项条件：硬件能持续覆盖新增场景、引擎能维持稳定的生产效率、模型训练结果的反馈既足够及时又足够可操作、客户愿意将训练数据需求深度绑定到供应商的闭环基础设施中。

目前，Ropedia已展示了闭环中前几个环节的初步运行证据——硬件进入量产交付、数据集被头部模型采用、消融实验数据为数据的训练价值提供了量化支撑。然而，“模型反馈反向指导下一轮采集”这一核心环节，在公开材料中尚未出现具体的运行案例。公司同样未披露有多高比例的营收来自持续迭代的复购合同，而非一次性交付。这一点构成了理解Ropedia下一阶段走向的关键观察窗口：如果客户关系更多停留在单次数据集采购，那么Ropedia的实质更接近一个高质量的数据供应商；如果复购和反馈迭代开始成为常态，经验飞轮的故事才有可能从叙事走向现实。

RecodeX 极客视：Physical AI所面临的大规模真实世界数据短缺，是一个真实存在的结构性瓶颈。Ropedia选择用工程手段——一条从硬件到引擎再到验证的垂直管线——来系统性地解决数据生产的规模化问题，这无疑切中了行业当前的痛点。团队在计算机视觉、多模态感知和硬件工程方面的学术与产业积累，结合北美市场贡献六至七成份额的付费验证，为公司的早期方向提供了支撑。但这家成立仅一年多的公司同时在硬件量产、数据引擎研发和全球化交付三线作战，执行压力与资源分配风险不容低估。真正值得持续追踪的，并不是本轮融资的具体数字，而是在接下来的数个季度中，是否能观察到经验飞轮从线性供给模式，实质性地转向闭环加速运行的可验证证据。