首页资本
资本

Ego数据不稀缺,可学习的才稀缺:星忆智能种子轮下注数据精加工

10月22日,具身智能数据公司星忆智能完成数千万元种子轮及种子+轮连续融资:种子轮由顺禧基金领投,种子+轮由产业资本凌云光领投,中关村资本、一创投资跟投。算力芯片的融资还热着,数据层的钱紧接着到位。这家孵化于清华大学计算机系的公司,把自己定位为物理AI数据基础设施——赛道不新,但切口很窄:第一人称真实交互数据,尤其是最难的复杂手部操作。换句话说,星忆智能的生存空间,是从原始操作视频到训练资产之间的加工环节——采集端的军备竞赛解决的是"有没有",而模型真正吃进去的,必须是"学得会"的标准化数据。

配图1-指尖装配数据流

数据矛盾的转向:从采得到,到学得会

星忆智能的创业逻辑建立在一个行业判断上:具身智能迈入任务落地阶段后,数据的主要矛盾已经变了。市场上并不缺少第一人称Ego数据——采集设备普及、采集成本下降,原始视频的存量在快速膨胀。但复杂手部操作涉及精细动作、频繁遮挡与复杂手物交互,原始数据难以直接转化为有效的训练数据。视觉语言模型时代,互联网文本和图像近乎无限,数据工程的焦点在清洗与配比;而具身智能的物理交互数据没有存量可挖,每一帧都要从真实世界里采回来。更要命的是手部数据的技术特性:遮挡让画面信息时断时续,图像畸变与高速运动破坏几何一致性,极端光照则让传统视觉算法失效——星忆智能正是针对这四大痛点搭建算法体系的。这意味着从"采得到"到"学得会"的跨越,不是清洗一下那么简单,而是一条需要专门算法、专门硬件、专门流程的工业级加工链。

算法壁垒:把真实操作加工成训练资产

支撑这个环节的是两件套:自研EgoKit多模态采集系统与HBR Engine智能数据引擎。前者负责第一视角数据的采集,后者针对复杂成像与动态交互场景,通过手部姿态解析、多模态融合处理与自动化标注能力,把真实人类操作加工为高质量、可复用、可规模化交付的训练资产。这套体系的关键词是"自动化"。传统数据标注依赖人力逐帧修正,成本高、一致性差;而手物交互数据的人工标注尤其昂贵——指尖接触点、抓取姿态、遮挡区域的判断都需要专业知识。换句话说,用算法把这条加工链自动化,才可能把数据从手工作坊带入工业交付阶段。目前,星忆智能已与多家头部具身模型企业及机器人厂商开展项目级合作,输出高精度手部交互训练数据,并沉淀出标准化的数据交付能力。

产投一体:凌云光的双重身份

这轮融资的结构里,最值得注意的是凌云光的角色——它不只是种子+轮领投方,旗下全资子公司元客视界还与星忆智能达成了深度战略合作。双方整合凌云光系的第一视角Ego采集、多视点视觉采集、光学动捕硬件能力,与星忆的自动化数据处理技术,共建覆盖采集、标注、质量评估、训练数据交付的完整业务闭环。这是一个典型的产投一体样本:凌云光作为机器视觉龙头,手里有工业级采集硬件与客户场景,缺的是把手物数据加工成训练资产的算法能力;星忆有算法底座,缺的是高端采集矩阵与规模化的产业通路。换句话说,资本纽带把两边焊在一起,CVC的投资同时是一次供应链组装——市场化VC、产业龙头与国资引导基金在一家种子期公司身上同时出现,说明数据基建这个环节的价值,已经获得了不同属性资本的一致认可。

数据基建的下一步

创始人兼CEO宋知珩给行业下了一个判断:具身智能赛道的竞争,本质是高质量物理交互数据供给能力的比拼。从产业链视角看,星忆智能所在的位置相当微妙:上游连接采集硬件厂商,下游服务模型企业与机器人公司,自己则站在数据加工的工序环节。这个环节此前多由各家模型公司自建数据团队承担,独立数据基建服务商的出现,意味着具身智能的分工正在继续细化——就像算力层已经分化出专门的芯片公司,数据层也开始长出专门的基础设施玩家。这意味着种子轮与种子+轮连续完成、国资与产业资本双重领投,是市场对这条赛道早期信任票,但接下来要看的是交付规模的爬坡——当手部交互训练数据能够按标准化产品交付时,这条数据工序才算真正跑通。

估值可以讲故事,现金流不会

星忆智能站在一个产业链分工的关键节点上:模型公司需要高质量训练数据,而原始视频无法直接使用。但从原始操作视频到标准化训练资产,这条加工链的自动化率有多高、交付成本有多低、能不能规模化,才是这家种子期公司真正的考题。

以上信息由AI整理发布

0

评论(0)

后参与评论
文明发言,友善交流
0/2000
评论加载中...