“WAIC 2026：Physical AI兴起，数据基础设施成新战场。

今年WAIC，一个直观的变化是：展区里满屏大模型演示屏变少了，取而代之的是大量实体机器人、机械臂、自动驾驶模拟器在"真动真干活"。

Physical AI，成为本届大会的高频词。从开幕式主旨演讲到各个分论坛，几乎每一场都在讨论"AI如何进入物理世界"——具身智能、自动驾驶、智能机器人，这些概念不再是远景，而是正在发生的事实。

但细逛一圈会发现一个有意思的反差：展示概念的多，展示"能力底座"的少。 机器人在秀技能，大模型在秀理解力，但很少有人讲清楚,这些东西是怎么训练出来的？

一个核心追问浮出水面：AI学会了"思考"，但它怎么学会"动手"？

这个问题，恰恰指向了Physical AI时代最底层、也最被忽视的一层——数据基础设施。

Physical AI时代
为什么“数据基建”成了新战场？

要回答这个问题，得先搞清楚Physical AI到底意味着什么。

过去十年，AI的核心能力是"看懂世界"——识别图片、生成文本、推荐内容,这是数字世界的AI。它的本质是从海量互联网数据中学习模式，完成信息层面的理解和生成。

而Physical AI的本质，是让AI从"数字世界的观察者"变成"物理世界的执行者"。具身智能、自动驾驶、智能机器人，都是Physical AI的典型形态。这些智能体需要在真实物理环境中感知、决策、执行，完成从"理解"到"行动"的闭环。

正如博登智能创始人赵捷所说："AI正在从数字世界走向物理世界。"

前者是"看懂世界"，后者是"动手改变世界",难度不在一个量级。

Physical AI对数据提出全新要求

为什么难度不在一个量级？因为数据的需求变了。

大模型时代的训练数据，主要来自互联网。文本、图片、视频，这些都是现成的、可批量获取的。但Physical AI需要的是带物理交互信息的数据：动作轨迹、力觉反馈、时序逻辑、物理约束……这些数据互联网上没有现成来源，必须到真实世界中去采集。

更关键的是验证环节。

数字AI的验证靠测试集跑分，准确率达标就算过关，但Physical AI的验证必须放在真实环境中。仿真器跑得通，不代表真实机械臂能抓稳。真实世界存在无数仿真无法建模的变量：摩擦系数、光照变化、物体形变、意外干扰……

当前Physical AI数据基础设施的三大痛点

更具体一点，行业目前有三个痛点最为突出：

真实场景数据无法规模化生产。

Physical AI训练，需要大量真实环境下的交互数据。但采集这些数据需要场地、设备、机器人、人力，成本极高。

以具身智能为例，一台机器人在真实场景中采集一小时有效数据，背后涉及场景搭建、设备调试、操作录制、数据校验等一系列复杂流程。大多数企业只能做到"小规模定制采集"，无法形成规模化供给能力。因此，行业普遍面临"数据饥渴"。

数据处理工业化程度低。

有了原始数据还不够，必须将其转化为模型可用的训练资产，这就需要进行标注、清洗、对齐、结构化。

传统数据标注模式依赖大量人工，面对视觉、力觉、时序等多模态数据，效率低、误差大、标准不统一。一个复杂的4D点云标注任务，可能需要数小时的人工处理。数据生产还停留在"手工作坊"阶段，完全跟不上模型迭代的速度。

模型验证缺乏系统性机制。

行业普遍过度依赖仿真测试，但仿真环境是"理想化"的——光照完美、物理参数可控、场景可重复。但是，真实世界充满了仿真无法穷举的变量。缺乏系统性的真实环境验证体系，导致模型一旦部署到现实场景就"水土不服"。

这三个痛点层层递进：没有规模化的数据来源，就没有高质量的训练素材；没有自动化的处理能力，数据就无法高效转化；没有系统性的验证机制，模型就始终停留在"实验室阶段"。

这三个痛点指向同一个结论：Physical AI的规模化发展，亟需一套专门为其打造的数据基础设施体系。

这套体系至少要回答三个问题：数据从哪里来？数据怎么高效生产？模型怎么验证才可靠？

如果说算力基础设施是Physical AI的"发动机"，模型基础设施是"方向盘"，那么数据基础设施就是连接AI与真实世界的"高速公路"。没有这条路，再好的车也开不进现实世界。

那么，谁在修这条路？

博登智能，为Physical AI铺设
"实景高速路"

在这次的WAIC，我们关注到博登智能这家公司，就在做这样一件“修路”的事情。

在WAIC 2026的"Boden Physical AI Lab"展区，博登智能展示的并非某个单一产品，而是一整套面向Physical AI的数据基础设施能力体系。展区被命名为"沉浸式体验实验室"，这个命名本身就在传递一个信号：它展示的不仅是技术，更是一套可供行业直接使用的完整能力。

这家公司2019年成立于宁波，总部位于浙江，目前已获评国家级专精特新"小巨人"企业，完成数亿元A+及A++轮融资，并已构建覆盖具身智能、大模型与自动驾驶三大领域的客户生态，与国内外头部企业、科研机构及主流车企达成深度合作，形成多层次、高壁垒的产业布局。

博登智能做的事情，可以理解为：为AI进入物理世界修建"高速公路"，包括采集真实世界数据的"路网"、加工数据的"工厂"、以及检验模型是否可靠的"质检站"。

具体怎么修？博登给出了三条清晰的路径。

构建真实世界场景网络，解决"数据从哪里来"

Physical AI需要真实场景数据，但行业普遍缺场地、缺设备、缺规模化采集能力。

博登的解法是：在宁波、湖州、马鞍山，博登建成了三大具身机器人创新中心，总面积超过3万平方米，覆盖家庭、零售、工业、办公、仓储等上百类真实应用场景。目前，三大中心部署了超过500台多型号实体机器人，以及数千套自研Ego数据采集设备。年产50万小时真机训练数据、百万小时级Ego场景数据，实现了真实世界数据的规模化稳定供给。

规模和产能，是这道题最难的部分，也是博登最深的壁垒。

有了数据来源，下一个问题接踵而至：这些原始数据如何高效地转化为模型可用的训练资产？

全自动化数据引擎，解决"数据怎么高效生产"

博登自研了BRIC数据采集平台、BASE数据标注平台、Blink数据基础设施平台三大核心平台，形成从采集、治理、标注到交付的全自动化流水线。平台深度融合多模态大模型与智能体能力，内置超过200个自动化预标注模型。

据测算，借助这套系统，数据生产效率提升7倍，综合交付准确率超过99%，成本降低约40%。

什么是"自动化预标注模型"？简单说，就是让AI先对原始数据做一轮初步标注，再由人工进行校验和修正。这套"自动预标注+人工校正"的协同流程，将大量重复性、标准化的工作交给机器，让人只做最关键的质量把控。

现实世界验证体系，解决"模型敢不敢真部署"

如果说前两个能力是"生产数据"，那么第三个能力就是"检验模型"，这是博登最值得关注的核心能力。

博登率先构建了现实世界验证体系，围绕真实场景行为一致性、时序逻辑一致性、物理规则约束、长尾场景鲁棒性四大维度，对模型进行系统性的真实环境评估。

这套验证体系的价值在于，它不是简单地"把模型放到真实环境里跑一遍"，而是针对Physical AI最容易出问题的环节进行了定向设计。比如时序逻辑验证，解决的是"模型在连续动作中是否保持一致性"的问题；物理规则验证，解决的是"模型的决策是否违反物理约束"的问题。每一个维度，都对应着真实部署中的一类常见故障。

效果是什么？其最大的价值，是让模型从"可训练"走向"可部署、可稳定运行"。

三块能力各自独立又相互支撑，但它们真正的价值在于"协同"。这就需要一个统一的平台将它们整合起来，形成系统化的输出能力。

Boden Cloud统一平台输出全链路能力

博登通过Boden Cloud统一平台，将数据采集、治理、标注、训练、验证全链路进行云化、标准化、工程化封装，实现一站式交付。

客户不需要分别对接多个系统，不需要自己搭建采集管理平台、不需要单独部署标注工具、不需要自研验证框架。通过一个平台，即可调用从数据采集到交付的全链路能力。

有了平台化的能力输出，博登的布局不止于技术和产品层面，还在向产业生态的上游延伸。

既在"做事"，也在参与"定规则"

在产学研协同上，公司联合均普智能、上海交通大学MINT实验室开源了RW-RL-Dataset数据集，包含超过1000小时的真实机器人强化学习数据，为全球具身智能研究提供关键基础设施支撑。这是持续构建行业影响力、推动数据共享生态建设的长期布局。

在标准引领上，博登智能已参与20余项国家及行业标准制定，并牵头建设浙江省高端数据标注基地试点项目。从"技术提供者"到"标准制定者"，这是一家基础设施企业在产业演进中的必经之路。

梳理完博登的整体能力体系，我们还需要回答一个更大的问题：这套数据基础设施到底有多大的产业价值？它的市场空间究竟有多大？

夯实数据基础设施
打开Physical AI的"天花板"

Physical AI数据基础设施的价值，可以从三个场景来理解：

具身智能需要真实环境交互数据，来训练机器人的操作技能。没有高质量的真实数据，机器人在实验室里再聪明，到了真实场景也无法稳定工作。

大模型正在从"文本世界"向"多模态世界"拓展，需要跨模态真实数据，来提升对物理世界的理解能力。数据的质量和多样性，直接决定了大模型在现实场景中的泛化能力。跨模态数据的治理、对齐和标注，是模型能力跃迁的关键基础设施。

自动驾驶需要海量道路场景数据，尤其是长尾事件覆盖。真实道路数据的规模和质量，决定了自动驾驶系统的安全上限。

这三个领域看似不同，底层依赖的却是同一套能力，也就是真实世界数据基础设施。

它是Physical AI产业落地的"最大公约数"，任何一个领域的突破，都需要这套能力作为前提。

AI第三大核心产业层正在形成

此外，从产业演进的角度看，AI基础设施经历了清晰的递进：

·第一层：算力基础设施——芯片、云计算，解决"算得动"的问题

·第二层：模型基础设施——大模型平台、开发工具，解决"用得上"的问题

·第三层：数据基础设施——真实世界数据生产、治理、验证，解决"训得好、落得稳"的问题

正如行业分析所指出的："真实世界AI基础设施，是继算力基础设施、模型基础设施之后，AI产业的第三大核心产业层。"

每一层都对应着巨大的市场空间，而Physical AI数据基础设施这个市场，才刚刚开始形成。

为什么是说这个市场的发展空间巨大？因为这不是一次性的交易，而是伴随产业全周期的持续性需求。只要Physical AI在持续演进，就需要源源不断的真实世界数据输入和验证反馈。

三大赛道（具身智能、大模型（包括相关的Agent应用）、自动驾驶）产业化进程加速，对数据基础设施的需求是持续性刚需。

但具备规模化真实场景网络、全自动化数据引擎、现实世界验证体系综合能力的企业，全球范围内都极为稀缺。

为什么稀缺？

因为这三种能力分别对应着不同的能力基因：场景网络需要重资产投入和工程化能力，数据引擎需要AI技术和自动化能力，验证体系需要系统化测试和质量保障能力。能够同时具备这三种能力的团队和企业，本身就是极小概率事件。

博登搭建的场景网络、自动化数据工程体系、全维度真实场景验证能力，构成了稀缺的核心产业资源。

这是一个"需求高速增长、供给高度集中"的赛道，资源向头部集中的趋势会越来越明显。

物理AI的“登月时刻”
才刚刚开始

回望信息技术演进史，每一个重大时代更迭，都伴随着基础设施的重构。

互联网时代，人们先铺光缆、建数据中心，然后才有了电商、社交、云计算。移动互联网时代，先有智能手机普及和4G网络覆盖，然后才跑出了滴滴、美团、TikTok。AI时代也不例外——先有GPU集群和云计算撑起的算力层，有大模型平台构成的模型层，然后，轮到数据基础设施了。

这不是巧合，是规律。

每一轮技术变革，都是从“底层基建”开始的。先修路，再跑车。先建发电厂，再普及电器。先铺设通信网络，再诞生应用生态。物理世界的基础设施建设逻辑，在数字世界同样成立——甚至更加苛刻，因为AI不仅需要“连接”，还需要“感知”和“行动”。

Physical AI时代的数据基础设施，本质上是在做一件前所未有的事：把真实世界“翻译”成AI可以理解的语言，再把AI的决策“执行”回真实世界。

这件事的难度，不亚于当年人类第一次把代码写在纸上、第一次用二进制与机器对话。

Physical AI的“登月时刻”，不是机器人第一次在实验室里完成演示的那一刻，而是它能够在真实世界中稳定运行、规模化部署、被千行百业信任和依赖的那一天。

那一天还很远，但路已经有人在铺了。

文：月满西楼 / 数据猿责编：凝视深空 / 数据猿