当下具身智能赛道资本、人才快速涌入，机器人逐步走出演示展厅进入工厂开展实操作业，但繁华之下，数据短板成为制约模型能力上限的核心痛点。机器人需要学习物理摩擦、受力反馈、物体交互等互联网文本数据无法提供的经验，当前全球可用高质量操作数据仅有几十万小时，距离千万小时级别的训练需求存在巨大缺口。真机遥操作、互联网视频、纯仿真生成三类主流数据方案各有短板，单一路径难以独立破解行业困境。

　　 无问智科创始人刘盛翔曾是百度自动驾驶早期核心成员，2022 年创业后没有选择下场做机器人本体或是通用具身大模型，而是走上基础设施 “修路” 路线，打造世界模型驱动的物理 AI 数据基座。这套完整体系覆盖真实数据采集、清洗标注、合成数据生成、仿真模拟、测评验证全链条，搭建 Real2Sim2Real 虚实融合闭环：一方面采集真实世界物理交互数据，另一方面依靠世界模型在虚拟环境拓展极端与复杂场景，仿真试错训练之后再回到真机完成校准回流，推动行业从模仿学习向强化学习范式演进。

　　 该技术路线与李飞飞团队 World Labs 近期动作形成跨洋呼应，后者收购仿真企业补齐真实‑仿真‑真机验证链路，证明世界模型只有对接真实数据、仿真训练与真机反馈，才能真正成为物理 AI 的底层底座。刘盛翔认为，具身智能当下类似自动驾驶 2015‑2016 年阶段，需要建立可量化、可复现的评测工程纪律，同时行业终局会走向分工，少数企业做通用机器人大脑，大量企业深耕细分场景，第三方通用数据底座服务全行业。

　　 创业过程中，无问智科也曾面临赛道诱惑，向上延伸做本体、做大模型看似顺理成章，但团队坚持第三方基础设施定位。如同淘金浪潮中，不做淘金者，选择做修路的人，把数据生产、仿真评测这类共性、重投入的底层工作沉淀下来，让行业玩家可以集中资源打磨自身差异化算法与产品。当然，由商业公司承担通用基础设施，依旧面临工程落地、产业分工、市场接受度等多重现实考验。