■中国工业报社左宗鑫

在保定高新区科技产业园，在面积超过8000平米的具身智能数据采集场内，一条专业的数据生产线持续运行。一名操作人员抬起手臂、手指缓缓收拢，另一侧的灵巧机械手几乎同步完成——转腕、移动、放下，操作人员的每一个细微动作、每一丝力控变化，都被头戴设备、数据手套和多目摄像头完整记录。

这看似枯燥的动作背后，产出的是整个AI产业的底层核心资产。当语言大模型的训练数据趋于饱和，具身智能正面临着前所未有的“数据荒”。成立于2010年的数据堂（北京）科技股份有限公司，从语音、图像数据处理起家，服务过上千家AI企业，用数据堂公司董事长、CEO齐红威博士的话说，大模型厂商做的是“面包”，而他们开的是一家“面粉加工厂”。

日前，中国工业报社“2026新质生产力领跑者案例调研组”走进数据堂（北京）科技股份有限公司，探寻这家国家级专精特新“小巨人”企业如何将十数年积累的数据生产能力延伸至物理世界。

从“找数据的人”到“做数据的人”

“我们几个创始人原来都是人工智能专业出身。我毕业于中国科学院自动化所，其他人分别来自中科院计算所、北科大等，我们算是国内较早一批从事人工智能数据相关工作的。”谈起创业史，齐红威博士的叙述很平淡。

但这份“平淡”背后，是一条几乎与人工智能学科发展时间线重叠的履历。齐红威博士2004年获中科院自动化所人工智能与模式识别专业博士学位，此后在中科院计算技术研究所从事博士后研究，并曾赴斯坦福大学计算机系做访问学者；2008年至2011年，他担任NEC中国研究院智能信息处理研究部部长、高级研究员。用他的话说：“我从读硕士开始搞人工智能，那时候是专家系统；读博士的时候是统计学习；快毕业时是神经网络；工作期间是深度学习；到现在是大模型——人工智能技术发展的整个脉络，我基本上都走过来了。”

这样一支“做算法出身”的团队，为什么最终却选择去做数据？转折点源于找不到数据。早年，齐红威团队在进行各类人工智能技术应用开发时，让他们感到“痛苦”的，不是模型不够强，而是找不着好的数据。齐红威回忆，“近年来，大家才觉得，人工智能背后的核心是数据，但在此之前大家没这个认知。我们觉得数据的价值更高，数据堂也因此得名，专做人工智能的数据。”

十多年过去，数据堂始终坚持自己的定位：不做算法，不做算力，只围着数据转。“我们完全是围着数据在做。公司花的最大力气，是做版权数据。”齐红威表示，截至目前，数据堂在版权数据上的累计投入已接近10.3亿元，近年来每年新增投入约1.5亿元，每年通过自有数据生产平台执行约7000个项目。

一家因“找不到数据”而创办的公司，最终变成了整个行业都要来找它购买数据的公司。

AI时代的“面粉加工厂”

在齐红威博士看来，华为、阿里、字节、百度这些大模型厂商犹如面包店，他们制作出精美的面包、汉堡；而数据堂要做的事情，就是把五谷杂粮精细打磨成“面粉”，供应给面包店。

“磨面粉”的第一道工序，是拿到“粮食”。据了解，数据堂与多家出版社、图片网站、视频网站已建立战略合作，可合规获取大量原始数据。第二道工序是加工：图表、公式需转换成计算机能理解的格式。对此，数据堂选择“自动化加人工”两条腿走路，因为只靠人工，成本太高；而只靠自动化，质量又达不到。第三道工序，是知识注入。“我们要把题目解析过程列出来，你是怎么解决这个问题的，需要全部标注出来。”齐红威博士举例道，如做数学数据集时，一个符号不能少，数学是非常严谨的领域，缺一个符号就会出问题。

这种变化背后，是整个数据标注产业的升级。当前，数据标注产业已从过去主要靠人海战术的‌劳动密集型‌，转向了靠技术和专业知识驱动的‌知识密集型、技术驱动型‌。在数据堂，记者对这句话有了形象的认识：为语言大模型生产数学、物理、化学、工程技术类专业题库的，是数学、物理、化学专业的硕士、博士，甚至包括一线教师；而为自动驾驶做标注，则要从“框出障碍物”的传统感知标注，升级为“像老司机一样理解路况、选择路线”的语义标注、认知标注。

升级的效果，直接体现在大模型的“考试成绩”上。齐红威提供了一组直观的观察：“2024年国内大模型做北京高考卷只能考到110—140分；2025年普遍能到640分左右；今年不出意外的话，可以达到700分以上。”他认为，语言模型基本已经学完了“本科生阶段”的知识，再喂以粗浅雷同的数据“起不到促进，反而会拉低智力”，行业已从“以量取胜”转向“以质取胜”，原来动辄几千万篇语料，如今几十万道、甚至几万道高质量题目就会拉开价值差距。

这条“面粉加工线”也得到国家政策的支持。2024年5月，国家数据局确定成都、沈阳、合肥、长沙、海口、保定、大同7个城市承担国家级数据标注基地建设任务，数据堂正是保定基地的核心企业之一。据新华社报道，7个基地数据标注总规模已达17282TB，相当于中国国家图书馆数字资源总量的6倍左右；已形成医疗、工业、教育等行业高质量数据集335个，可赋能121个国产大模型研发，标注从业人员达5.8万人，带动相关产值超过83亿元。

值得注意的是，数据堂企业内部一套覆盖数据采集、清洗、标注、质控、管理、交付乃至领域模型构建的生产平台，原本是“非卖品”，但这两年也发生了变化：传统行业在“人工智能+”行动推动下纷纷启动智能化转型，却发现数据出不了域、云上方案用不了，于是数据堂开始把这套投入约1.6亿元、迭代了14年的数据柔性生产平台进行私有化部署，输出客户覆盖中航工业、国家电投、中国联通等一批央企、国企。

数据堂是国内第一家设立“首席数据保护官”专职专岗的企业。数据堂将安全合规视如企业生命：采集环节践行众包授权与合作合约体系，标注生产的数据集主动申请国家知识产权局“数据知识产权登记证书”，服务模式上践行“原始数据不出域、数据可用不可见”。此外，公司及齐红威博士参与了科技部、国家数据局等多项重大项目攻坚，以及数据领域多项国家标准的起草。在齐红威博士看来，数据安全合规是永远无法妥协甚至协商的底线。

具身智能万亿赛道的数据之争

如果说语言和多模态数据的争夺是“存量精耕”，那么具身智能的数据争夺，就是一场从零开始的“荒地开垦”。

齐红威把人工智能要攻克的基础模型归纳为三类：语言模型、多模态模型，以及具身模型（或称“机器脑”“世界模型”）。前两者已有一定的积累：对于语言模型而言，业内有人类几千年积累的图书、文献、期刊、教材、论文学习；对于多模态模型而言，业内有电影、电视剧、综艺节目可用。但转到具身智能，“很不幸，没数据可用。”

政策也在放大这场数据之争。2025年8月，国务院印发的《关于深入实施“人工智能+”行动的意见》提出，到2027年，新一代智能终端、智能体等应用普及率超70%；到2030年，新一代智能终端、智能体等应用普及率超过90%。在齐红威看来，这份文件里的两个关键词对应两条赛道：“智能体”解决数字世界的脑力问题，而“智能终端”金字塔的塔尖是具身智能，更核心的是人形机器人。“人类的大部分工作还是在现实世界，家居、工厂、银行、医院、超市将来都可能被机器人介入，这个场景远比数字世界大得多。”齐红威认为。

那么，具身智能到底缺哪几类数据？数据堂把具身智能的数据分成了三类：一是“大脑决策数据”，让人模拟机器人，戴上头环和摄像头，把人手工作的全过程记录下来，后期通过视觉重建还原每个手指的位置、速度与配合，再逐步标注“第一步干什么、第二步干什么”，相当于给机器人编写教材；二是“控制数据”，在数据堂保定具身采集工场，操作员通过遥操设备驱动灵巧手拆装螺丝、搬箱子、剥橘子，把手部每个环节的动作力度、手指配合全部记录下来；三是“场景数据”，机器人需要知道从卧室到厨房怎么走、一路上经过什么。

采集方式上，数据堂采取“场内+场外”双轨：场内在保定自建8000平方米采集基地，部署150套灵巧手操作设备；场外则把设备精巧化、简单化，让保洁阿姨、工厂产线工人带上Ego设备“该怎么干活还怎么干活”，同时用六目摄像头把整个过程录下来，再靠视觉重建把每根手指抽出来训练机器人。

这片开垦的市场规模有多大？齐红威给出了一组测算：2026年，具身智能数据约在百万小时级别；2027年可达千万小时级别；未来市场需求会到5亿乃至10亿小时。“若按100元/小时计算采集成本，那么就是500亿至1000亿元的规模。”齐红威判断，具身智能将是一个“几万亿甚至十几万亿”的市场，数据是其中绕不开的底座。

虽然市场空间广阔，但齐红威不讳言行业当前还处于初级阶段：具身智能的数据标注目前还停留在“原子技能”阶段——尚未进入复杂的“长程任务”训练。齐红威表示，“今年到明年，做模型的企业和做数据的企业还在互相磨合。”

而谈及具身智能何时能跑通“数据飞轮”？齐红威以自动驾驶向记者举例道：“其实，自动驾驶是典型的具身智能，只不过其控制部分简单：前进后退、打方向盘，但感知部分很复杂。”数据堂早年为自动驾驶做的是“看到什么标什么”的感知标注，大模型出现之后，变成“站在上帝视角告诉系统，路况该怎么理解、车道该怎么选”的端到端认知标注，标注员也因此从“高中生就能做”变成了需要多年驾龄的“老司机”。更关键的是，自动驾驶已经跑通了“数据飞轮”的闭环：算法上车后，识别不了的路况被录下来回传实验室，重新标注、重新训练——这套机制，正是具身智能数据的明天。

十多年前，齐红威用“把小麦磨成面粉、卖给做面包的人”解释数据堂是干什么的；十多年后，这个隐喻长出了新的枝叶——五谷杂粮在发生变化之外，面粉加工人员也换成了知识密集型的认知标注专家。

从“找数据的人”到“做数据的人”，数据堂的十多年，恰好也是中国人工智能高速发展的十余年。当具身智能的万亿赛道徐徐展开，决定机器人能走多远的，或许不只是电机与减速器，还有如保定那座8000平米具身智能工厂里，一双双被摄像头记录的手。