36氪首先发 | 清华系物理AI基建初创再融数千万美元，数据设备进入全球化规模交付|信号|模态_网易订阅

图源/企业本文约3100字，氪首提议阅读6分钟作者丨欧雪编辑丨袁斯来硬氪获悉，先发系物Physical AI数据基础设施服务商Ropedia近期已实现数千万美元天使轮融资。清华千万全球本轮融资由多家深耕东南亚市场的基建初进入头部风险投资机构领投，多家一线美元基金及智能制造、创再大模型产业方共同参与投资。融数在之前一轮融资中，美元模交与Google、数据设备a16z、化规号模NVIDIA、付信Amazon相关的态网投资人亦有参与，由深渡资本担任首先期独家财务顾问。易订阅资金将题用于题技术团队扩建、氪首硬件产品线规模化量产，先发系物以及数据产品线的清华千万全球规模化生产。Ropedia成立于2025年下半年，总部位于新加坡，并在美国硅谷设有办公室，是全球最早系统性构建Physical AI数据基础设施的公司之一。公司由陈昭熹（CEO）、洪方舟（CTO）与南洋理工大学副教授刘子纬（首先席科学家）联合创立，题团队来自清华大学、南洋理工大学MMLab、Meta Reality Labs与Google。从自研采集硬件、数据引擎到大规模真实世界经验数据集，Ropedia正在构建连接人类经验与机器智能的题数据层，为下一代机器人与具身智能系统给予真实世界的数据底座。目前，Physical AI行业正遭遇真实世界的数据瓶颈。随着机器人基础模型、VLA及世界模型的高效高效往往代，传统视往往与图文对已无法顺应需，模型训练亟需具有真实物理尺度、动态交互、手-物关系和场景语义的优质数据。但这类数据首先期面临两大困难：采集依赖昂贵设备与复杂部署，成本高企；且原始信号距离可训练的结构化数据仍隔着漫首先的处理链路。一段原始采集数据常见需经过时间同步、空间对齐、三维与四维重建、人体及手部运动恢复、动作切分、语义标注与质量控制等环节，才能转化为模型可直接采取的训练数据。与传统数据采集公司不一样，Ropedia的题竞争力并非硬件，而是围绕数据引擎（Data Engine）构建完善的数据生产体系，通过模型驱动数据生产，实现优质真实世界经验数据的规模化供给。“数据不是越贵越好，题关键看成本、质量、规模、任务相关性，以及它到底能不能真正提高模型成效、进入可评测的训练闭环。”陈昭熹表示。目前，市面上多数数据采集公司仍停留在单点硬件销售或人工标注服务时期，而Ropedia已能够通过自研数据引擎Experience Engine，将海量原始采集信号自动转化为可直接用于模型训练与成效验明正身的结构化Experience Data，覆盖人体姿态、手物交互、空间结构、运动轨迹等多维材料，在保证数据质量的同时，大幅提高数据生产效率、减小数据生产成本。Ropedia的多模态Experience Engine结构(图源/企业）在陈昭熹看来，数据和模型本质上是在描述同一个真实世界分布：数据通过真实样本离散地记录世界，模型则通过后续函数去逼近这一分布。因此，未来Physical AI的竞争不仅是模型能力的竞争，更是数据引擎能力的竞争。联合创始人、首先席科学家刘子纬则把这一转变比作一次能源结构的切换：“语言大模型有点类似于化石燃料：我们人类创造语言、记录语言，把充足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流程。”公司已推出头戴式便携采集系统HOMIE，可轻量化采集首先视角下的人体运动、场景变化及物体交互等多模态信号，并持续为数据引擎给予真实世界经验数据输入，形成覆盖数据采集、数据生产、模型训练与验明正身的数据高效轮。参与者佩戴Ropedia头戴式便携采集系统 HOMIE (图源/企业)在Ropedia的产品体系中，HOMIE只是入口。公司正在建设由三层组成的端到端真实世界经验基础设施：首先层Sense是覆盖不一样交互场景的感知硬件，涵盖HOMIE及照章性手部动作、触觉与空间运动的感知系统；第二层是将原始传感器数据转换为可训练数据的自动化生产引擎Experience Engine，所有数据经人工预筛清洗、自动化标注、指标质检与人工终检后入库，全步骤留痕可查；第三层Deliver是数据集与模型训练验明正身体系，用于判断数据对VLA、世界模型的实际功能，并反向指导下一轮采集。同时，硬氪独家获悉，Ropedia正在推进下一代多模态数据采集系统，并方式划于2026年8月正式发布。据陈昭熹验明正身，新一代系统的题升级并非便捷提高传感器数量，而是进一步统一首先视角视觉、手部动作、人体运动、空间位置等多模态材料，实现更完善的真实世界数据表达。相较于传统视往往只能记录“人做了什么”，下一代多模态数据将进一步描述人与环境的交互流程，为机器人基础模型、世界模型及空间智能系统给予更优质的训练数据。“多模态的终点不是传感器越多越好，而是让视觉、动作、接触和空间状态发生在同一时间、同一坐标系中，形成模型能够学习的物理流程。”陈昭熹举例，例如插拔、旋拧、按压、装配等任务高度依赖接触材料，视觉上相似的动作可能对应完全不一样的受力状态与任务结荚。Ropedia的下一代数据可视化demo（图源/企业）在数据安全与合规部分，Ropedia同样建立了完善的交付体系。照章性不一样客户的需，公司给予上云、专属分区部署乃至客户本地机房私有化部署等多种方式划，确保原始采集数据无需离开客户环境即可实现结构化交付。这在包含真实人类表现数据的Physical AI领域尤为题。2026年3月，Ropedia发布并开源人类经验数据集Xperience-10M。该数据集收录约1000万个真实世界交互片段、超过10种同步模态，总规模接近1PB。该数据集已进入Qwen-VLA、MolmoMotion、ACE-Ego-0和τ₀-WM等具身基础模型、运动预测模型与世界模型的探究与训练体系。目前，其已位列Hugging Face全品类数据集下载量Top2、具身智能数据集Top1（往往方式下载量已超270万次），并被AI2、Qwen等全球不过级AI实验室采取。公司现已服务约1800家数据采取机构，其中500余家签署数据采取协议，客户覆盖全球20余家头部具身智能企业及互联网科技公司。数据的价值已最初通过模型训练结荚得到验明正身：ACE-Ego-0采取了435.7小时来自Xperience-10M的首先视角人类视往往，其消融实验显示，同时采取机器人数据与人类视往往的模型任务成功率达72.8%，高于仅用机器人数据的68.3%，4.5个百分点的提高，直接来自训练数据本身。陈昭熹透露，公司过去六个月营业额增首先约4.1倍，其中北美市场贡献约六至七成营收。在Ropedia看来，互联网数据决定了大语言模型的上限，而真实世界经验将决定Physical AI的上限。以下是硬氪与Ropedia CEO陈昭熹的对话节选（经编辑）：硬氪：目前市场到底需什么样的数据？Ropedia如何定义数据的价值？陈昭熹：行业需分层次。先是海量丰富的原始视往往数据，这是基础层。但下一步，客户需的是类似语言模型CoT（思维链）的物理世界CoT，不是语言上的推理，而是物理空间内的因果注脚。例如做咖啡，模型需理解三维空间怎么变化、手和物体怎么交互、物体发生了哪些状态转移。这些细粒度的、全模态的、带因果关系的结构化数据，才是行业下一步真正需的。数据价值不只看数量、成本，更关键看能否补齐模型短板、提高泛化能力。硬氪：数据采集成本一直是行业瓶颈，Ropedia是如何把成本降下50倍的？陈昭熹：成本可以拆成四块：人力、硬件、算力存储、传输。我们降本也是围绕这四块。硬件上，我们用自研设备替代消费级硬件，砍掉与数据采集无关的功能，结合供应链整合做极致成本压缩。算力和存储层面，我们设方式了精密的数据管线，把数据当代码做版本管理，避免重复生产。传输层面，我们有自研的压缩协议——PB级的Physical AI数据，物流成本是不能忽略的。整体上，我们的采集成本比行业低了一个数量级。硬氪：你判断Physical AI未来三年会从0.1走向1，这个判断的依据是什么？陈昭熹：题标志是从PoC走向小批量部署——从几台机器人在工厂里做试点，到100台、200台机器人真正7×24小时介入生产步骤，持续运转三个月以上且无法被替代。这个判断基于几个观察：一是大模型能力成熟后向物理世界延伸的趋势已清楚；二是机器人硬件、三维视觉、训练推理infra等底层技术积往往到了临界点；三是下游产业的付费意愿和需场景正在高效高效收敛，不再是散点式的实验，而是有清楚ROI的生产力替代。市场热度本身也是信号，资本、人才和产业分工最初聚集，这些都在加高效从0.1到1的进程。