千峰访谈星忆智能罗宇涵：用AI把真实人类操作转化为机器人可学习的数据

【亿邦原创】罗宇涵，星忆智能CMO。星忆智能定位为具身智能物理AI数据基础设施服务商，通过EgoKit多模态采集系统获取第一人称真实操作信息，由AstraEngine智能数据处理引擎完成自动化三维重建、姿态标注与质量校验，面向具身模型公司、机器人企业及科研机构提供专业标注、标准化数据集和定制化数据交付，近期与凌云光旗下元客视界达成战略合作，联合构建从真实操作采集到训练数据交付的完整链路。本届千峰奖访谈中，罗宇涵围绕AI与全球化驱动的产业模态进化，分享了星忆智能在具身智能数据基础设施方向的实践与判断。

亿邦：本届千峰奖以「AI与出海带来的模态进化」为核心主题，聚焦产业能力的深层重构。结合具身智能行业，您如何理解这一轮由AI和全球化共同驱动的产业模态进化？星忆智能在AI能力建设与全球化出海上有哪些核心战略布局？能否具体介绍一下公司的定位及业务模式？

罗宇涵：我们认为，这一轮AI带来的产业变革，正在从“理解和处理信息”走向“理解和作用于物理世界”。过去的数字化更多是在优化信息流、交易流和管理流程；当AI进一步进入制造、物流、服务等真实场景，产业要解决的是另一类问题：如何把人的操作经验、物理交互过程和场景知识，转化为机器能够学习并最终执行的能力。

这会催生一种新的基础设施需求。工业时代依赖机器设备，互联网时代依赖连接和计算，而物理AI的发展，还需要足够高质量、可持续供给的真实世界训练数据。中国拥有完整的制造业体系、丰富的作业场景和成熟的工程化供应链，优势不仅在于能够制造机器人，也在于有机会将海量真实产业经验转化为可供全球模型学习的数据资源。但原始视频并不天然等于训练数据，复杂操作中的手部姿态、接触关系和动作时序，需要经过高精度解析与结构化处理，才能真正释放价值。

星忆智能选择切入的正是这个关键环节。我们的定位是具身智能数据基础设施服务商。近期我们与凌云光旗下元客视界达成战略合作，联合构建从真实操作采集到训练数据交付完整链路，正是该产业分工模式的一次落地实践。我们的核心能力不是单纯采集更多视频，而是让真实人类操作转化为机器人可理解、可学习、可复用的高质量数据。我们通过EgoKit多模态采集系统获取第一人称真实操作信息，再由AstraEngine智能数据处理引擎完成自动化数据清洗、裁剪脱敏、智能标注与质量校验，面向具身模型公司、机器人企业及科研机构提供专业标注、标准化数据集和定制化数据交付。

从商业演进看，我们希望从具体的数据处理服务切入，逐步形成标准化数据产品与可复用的数据生产能力，并探索平台化服务。全球市场方面，我们关注国内外物理AI模型对真实人类操作数据的共同需求，核心不是简单把产品销往海外，而是将中国真实场景、专业算法与工程交付能力转化为能够服务全球客户的数据基础设施。我们希望输出的是可持续的数据生产与加工能力，让中国真实场景中积累的操作经验，在严格遵守国内外数据法规、获得完整明确授权的合规边界内，为全球物理AI产业提供价值。

亿邦：您提到与凌云光旗下元客视界达成战略合作，联合构建从真实操作采集到训练数据交付的完整链路。这个合作具体怎么分工？为什么选择与光学动捕企业合作，而不是自己建设全部采集能力？

罗宇涵：具身智能数据基础设施的建设，并不意味着每家企业都要独立完成全链条能力建设。我们与凌云光·元客视界的合作，是跨主体能力协同的典型实践：对方输出多视点视觉、光学动捕采集能力，星忆承接多源数据治理、标注与标准化交付，发挥各自所长，共建完整数据链路。我们一端连接拥有真实生产作业场景和采集条件的合作伙伴，一端连接具身模型研发与机器人厂商，通过产业链专业化分工与能力协同，更高效地发挥各方优势。

亿邦：目前贵公司在哪些核心业务环节落地了AI/大模型技术？形成了怎样独具特色的AI或数智化竞争力体系？

罗宇涵：AI和智能体能力已经部署在星忆具身智能数据生产的核心链路中，覆盖多模态数据处理、自动化标注、质量审核与任务流转。依托EgoKit和AstraEngine，我们对第一视角视觉、空间姿态、手部动作、触觉接触及任务过程数据使用AI进行自动解析和结构化处理；智能体辅助完成数据初筛、异常识别、标注建议生成、质检规则执行及数据版本管理，减少人工重复操作，缩短从场景采集到训练数据生成的周期。

我们的AI系统已全部实现本地化部署，并已建立完整的数据治理体系。算法、采集工程、智能体工作流与质量管理共同构成竞争力，使自动化处理能够稳定服务于规模化交付。对价值链的直接作用，是提高数据生产效率、降低重复加工和返工成本并提升交付一致性，以具身智能数据赋能真实世界的价值生产。

亿邦：您特别强调“AI本身就是数据生产的核心生产力”。这个判断怎么理解？EgoKit和AstraEngine在数据生产主流程中分别承担什么角色？

罗宇涵：对星忆智能而言，AI并不是附加在业务流程上的提效工具，AI本身就是数据生产的核心生产力。我们将AI能力融入采集后的数据处理主流程。EgoKit负责记录第一人称视觉及多模态交互信息；AstraEngine以自研姿态基础模型为核心，完成自动化数据清洗、裁剪脱敏、智能标注与质量校验等工作，将复杂物理交互转化为面向模型训练的结构化数据，通过算法驱动进行规模化处理。

我们的竞争力可以概括为三个相互强化的层次：第一，处理复杂真实场景的算法能力；第二，从多模态原始数据到标准化训练数据的工程能力；第三，以训练结果为导向的数据质量反馈能力。我们希望推动数据生产向更加自动化、标准化、可复制的工业化模式转变。更重要的是，数据处理效率提升的最终价值不只是降低单次标注成本，而是缩短模型获得有效训练数据的周期，帮助帮助模型更快速地迭代。

亿邦：能否分享一个最具代表性的“AI+价值链”创新实践案例？它解决了哪些行业共性痛点，创造了哪些可感知、可量化的价值？

罗宇涵：我们与BeingBeyond围绕Being-H0.8模型的合作，是一个能够说明数据基础设施价值的案例。星忆智能作为其核心数据合作伙伴，以高精度手部姿态标注能力为模型研发提供数据支持。这类模型不仅需要理解画面和动作，还要学习手与物体如何接触、操作之后物体发生了什么变化，因此对数据的空间精度、时间连续性和多模态表达提出了更高要求。

传统数据加工在遮挡、暗光、快速运动和手物交互等场景下容易出现定位偏移、区域误判等问题。我们以自研算法解决这些数据处理难题，让原本难以直接用于模型训练的真实操作记录，转化为高质量的训练资产。

在公司技术数据中，S1标注模型在遮挡场景下的召回率达到96.09%；基座模型辅助标注体系的数据可用率保持在98%以上，标注一致性达到96.7%；经客户测试，标注精度达到7—8毫米级。这些指标对应的价值，是减少数据因误差与不一致而产生的返工，提升复杂动作信息的可学习性，并支撑更稳定的数据交付。

亿邦：您提到一个判断：数据公司的竞争不应仅以“交付了多少小时”为评价标准，更重要的是客户的模型是否获得实质增益。有没有可量化的对比数据？这对数据公司的评价体系意味着什么？

罗宇涵：从行业价值看，我们认为数据公司的竞争不应仅以“交付了多少小时”为评价标准，更重要的是客户的模型是否获得实质增益。与普通质量的人类数据相比，使用约十分之一规模的高质量人类数据，在相关复杂灵巧作业测试中带来了10%以上的操作性能提升。这一结果说明，数据质量和有效性可能比简单堆积数量更重要。

亿邦：在推进AI规模化落地过程中，数据要素扮演了怎样的支撑角色？星忆智能更侧重自有产业数据深耕，还是推进跨主体、跨行业的数据协同？核心挑战是什么、如何应对？

罗宇涵：在物理AI时代，数据不仅是模型训练的投入品，也正在成为连接真实产业场景与智能能力的关键生产要素。具身模型要学会的不只是“识别一个杯子”，还包括如何伸手、调整姿态、建立接触、施加动作，以及操作之后环境如何变化。这类知识大量存在于真实人类操作之中，但往往没有被结构化记录。

我们判断，行业中长期的矛盾会逐步从“有没有数据”转向“有多少数据真正可用、能否持续产生模型增益”。原始数据的数量可以通过设备、人员和场景扩张增加，但将复杂数据转化为高精度、时序一致、可供训练的信息，需要长期的算法和工程积累。因此，我们的核心壁垒不仅是数据规模，而是把多来源、复杂场景数据转化为高价值训练资产的加工能力。

星忆智能采取的是开放协同的路径。具身智能数据基础设施的建设，并不意味着每家企业都要独立完成全链条能力建设。我们一端连接拥有真实生产作业场景和采集条件的合作伙伴，一端连接具身模型研发与机器人厂商。场景方拥有真实作业场景与数据资源，专业数据服务商负责将原始数据转化为高质量训练数据，模型企业则围绕模型训练与能力提升提出需求。通过产业链专业化分工与能力协同，可以更高效地发挥各方优势，推动真实场景中的操作经验转化为模型能力。

亿邦：您提到真正困难的是建立跨设备、跨场景、跨模型任务的数据质量共识。这个共识具体包括哪些标准？数据飞轮是怎么运转的？

罗宇涵：我们会围绕标注精度、动作连续性、接触信息和模型训练需求建立标准，并通过客户反馈不断优化算法和处理流程。长期看，最有价值的数据飞轮，并不是数据越积越多，而是客户模型训练提出更精确的数据要求，反过来推动数据处理模型升级，进而提高下一轮数据的有效性与生产效率。例如近期我们与凌云光·元客视界的战略合作，就是跨主体能力协同的典型实践。

亿邦：您怎么看产业智能体改写B2B？垂类大模型是否有长远发展必要？产业互联网公司的AI护城河在何处？

罗宇涵：产业智能体会逐步把B2B服务推进到具体任务执行。采购、库存管理、售后和生产调度，都有机会由智能体承担更多工作。

垂类模型具有长期价值，它可以解决通用模型难以稳定解决的专业问题。对具身智能而言，通用视觉语言模型可以提供常识和任务理解，但毫米级几何关系、手物接触、动作时序和机器人执行约束，需要更专门的数据与具身模型能力。

我们判断，未来更常见的架构是通用模型、专业模型与系统协同。产业互联网公司的AI护城河，将体现在合法、持续的数据来源，深入工作流的产品能力，可靠的领域评测，以及交付之后的反馈机制。对于星忆，我们的目标是持续提高复杂真实操作数据的质量和生产效率，并让这种优势能够在客户训练中被验证。数据、算法和工程流程之间形成的积累，比一次性模型调用更具有持续价值。

亿邦：海外布局方面，星忆智能目前进展如何？出海业务是怎么推进的？

罗宇涵：我们目前正在跟多家海外客户积极探索商业化落地，我们致力于成为全球领先的具身智能物理AI数据基础服务商，请媒体朋友期待好消息落地。

亿邦：在您看来，当前制约企业AI规模化落地、全球化深度拓展的最大内部瓶颈和外部障碍分别是什么？

罗宇涵：对物理AI来说，规模化最大的挑战不是单项技术能否在演示中成功，而是能否在真实、复杂、多变的场景下持续稳定运行。这要求产业同时解决三个问题：真实场景和数据能否充分获得，数据能否以可控成本转化为高质量训练资产，以及模型能力能否在真实任务中得到验证。

从数据企业内部看，核心挑战是让精度、效率与规模同时成立。具身数据包含大量遮挡、高速运动、低光照以及复杂手物交互，如果完全依赖人工加工，数据生产规模很容易受到成本和产能约束；如果只追求处理速度，又可能牺牲训练所需的精度与一致性。我们因此选择持续投入自动化标注、质量审核和多模态处理算法，以算法与算力支撑产能扩张。

外部挑战则来自产业链尚处于共同探索阶段。不同模型和机器人对数据结构、精度与任务类型的要求仍在快速变化；真实工业场景还涉及生产安全、商业机密和数据授权；跨境合作会进一步增加数据治理与合规要求。这些问题决定了物理AI的数据基础设施，不能只有技术，还需要标准、协作机制和清晰的权利边界。

我们相信，下一阶段产业竞争的关键，是从展示单项技术指标转向建立可验证的价值闭环：场景产生数据，专业化加工形成训练资产，模型取得能力增益，再由实际任务反馈下一轮数据需求。谁能把这个闭环做得更稳定、更高效，谁就更有机会参与物理AI产业的长期基础设施建设。

亿邦：如果给刚刚起步、希望同时构建AI竞争力与全球化能力的同行企业提一条最核心的建议，这条建议会是什么？

罗宇涵：如果只能给同行一条建议，我认为是：不要追求能力的全面覆盖，而要找到产业价值链中真正稀缺、能够持续创造价值的环节，把专业能力做深，形成不可轻易替代的竞争优势。

AI正在重构产业分工。随着通用模型能力不断提升，单纯依靠技术功能或短期效率优势，很难形成长期壁垒。对于产业AI企业而言，更重要的是理解所在行业的价值链，判断哪些环节可以被通用技术替代，哪些环节仍然需要长期的专业积累，并围绕这些关键环节构建产品、数据和工程能力。

全球化进一步放大了专业化分工的价值。企业不一定需要独立覆盖从技术研发到产业应用的所有环节，而是要让自己的核心能力能够被不同市场、不同客户持续采用，并通过标准化、规模化的方式参与全球产业协作。

星忆智能选择深耕具身智能数据处理与高精度标注，正是基于这一判断。我们相信，长期竞争力不在于覆盖多少业务环节，而在于能否在产业分工中建立一个不可或缺、能够持续创造价值的位置。

作为TO B领域年度风向标，“2026第八届亿邦产业互联网年会暨首届产业智能体大会”将于2026年11月20日在北京召开。主题定为“AI与出海带来的模态进化”，聚焦产业智能体落地、AI供应链价值重构、数据要素与TOKEN经济、产业出海新生态等前沿议题深度思辨。大会将集结学界权威、央国企标杆、产业龙头、投资机构、服务生态伙伴，汇聚产业核心力量、拆解产业数智化转型路径、分享前沿实战经验。同期还将发布年度产业互联网报告及标杆案例，举办决策人闭门会、“千峰奖”颁奖盛典。

本文首发于 亿邦动力 官方网站