黄阳明押注机器人真机数据，刻行时空拿下近亿元pre-A轮

2026世界物理AI大会结束后，刻行时空创始人黄阳明没歇脚，直接飞去了硅谷。创业以来，中美两地来回跑已经成了他的日常。

我们那次对话，是在他到硅谷两三天之后。他那边已是深夜，人奔波了一整天，可聊起数据和产业，劲头一点没减，分享到兴头上，还吵得同屋人没法休息。

这一年来我见过不少创业者，有人讲技术头头是道，有人对产业痛点摸得门清。这些黄阳明也聊到了，不过有一样是他身上少见的——作为一家创业公司的创始人，他愿意谈公司文化。

回到融资这件事。单看背景，黄阳明符合今年资本追逐的典型画像：海外大厂待过，自动驾驶行业老炮，在数据赛道上深耕多年。可落到实际融资上，每一轮规模都不算大，频次也不高，参投机构以产业方居多。

黄阳明给了两个理由。一个是“投资永远不只是拿钱的问题”。另一个是他把外界的噪音屏蔽掉，认准传统上什么轮次就该做什么事，不为了拿钱而拿钱。

说到这些选择，他反复提起一个参照系：王兴兴。“他的战略选择非常克制、非常专注，而且他的路线和国内有一些厂商的选择完全是相反的。”

在黄阳明眼里，宇树有两步棋走得很有远见。产业还没成形时，先去服务科研机构，因为“科研落地就是未来机器人的方向”；后来大家纷纷把机器人送进大工厂“打工”，宇树愿意让利，改做平台，把最后一公里的落地交给生态去做。

他这次就在现场，说：“我看到行业里有一家这么有远见的公司在做这样的选择，对我的触动比以前任何时刻都更深刻。”要理解刻行时空，这种在场感同样是个前提。

他也承认，下一阶段刻行时空要靠生态和资本把规模做起来，这时候，融资的窗口他愿意敞开。

于是有了这轮融资：刻行时空刚完成近亿元规模的pre-A轮，投资方包括国资科创投资机构、多家头部具身智能公司，如咏归基金、天机TIANJI等。资金将重点投向提升预部署环境、数据理解专用模型和加速数据基建。

黄阳明向投中网透露，后面还会有更多机器人公司出现在它的股东名单里。

从苹果到嬴彻，一个数据工程师的三次转向

在具身智能这批创业者里，黄阳明的履历算个异类。他不是机器人科班出身，也没有高校研究背景。可把他的职业轨迹细看一遍，中国数据基础设施演进的关键节点，他几乎都踩上了。

他职业生涯的起点在银行，做交易数据整合。那还是大数据的蛮荒年代，谷歌发表MapReduce和BigTable论文没多久，他是国内第一批用Hadoop的人，也是社区早期的贡献者。

2015年加入苹果后，他接手的第一个项目是苹果手表的健康大数据架构，这之中涉及到的数据有心跳、血压、运动中

“数据其实代表了人对于这个世界的认知。”黄阳明把数据分成三级台阶：结构化数据之后是非结构化数据；更难的一层，是连文字都描述不了的多模态数据——手表的生理信号、自动驾驶的路面与轨迹、机器人的操作过程，都归在第三级。

在他看来，每一轮AI革命，都是往更难抽象的数据上迈一步。后来他回国进了嬴彻科技，从零搭起一整套数据闭环系统。

从自动驾驶再往前看一步，他想明白了：自动驾驶不过是时空数据的一个特例，后面还藏着一个更大的市场。那一刻他觉得自己先看到了未来，于是决定去做一家数据基建公司。

2022年5月，他拉上同事好友创办了刻行时空。核心团队大多来自苹果、嬴彻、高仙机器人的数据工程一线；联合创始人、CTO郑宇靖此前是高仙机器人与嬴彻科技的数据平台负责人。

那一年，自动驾驶正在降温，具身智能的热度还没起来。公司起步想做纯基建，提出时空数据容器化的理念，自研数据容器引擎、工作流引擎和语义搜索引擎，支撑EB级规模非结构化数据的存取与治理。同年8月，线性资本的千万级天使轮融资到账。

创业四年多，行业概念从自动驾驶换到具身智能，又换到现在的世界模型，核心团队却几乎没人走。黄阳明说，他信硅谷那条老经验——“业务每半年翻倍的前提下，人员增长不超过1.5倍”，招人节奏不放快，公司文化和价值观才能保持一致。

核心团队稳，公司定位却调了两次。

做数据基建的过程中，刻行发现“数据都没有，怎么根据数据的pattern去优化基建”，于是转头自己产数据。这一步的后果是商业模式从一种变成三种：卖基础设施、卖数据、卖数据生产能力。对一家初创公司来说，三件事同时做好，很难。

第二次转向就是这么来的。通用的基建要给别人好用，就得花精力改造适配；自用的基建，只要自己用得爽。黄阳明选了后者，把基建的通用性降下来，把数据生产效率提上去。再后来，为了不再“又卖基建又卖数据”两线作战，基建退成内部工具，数据生产成了绝对重心。

黄阳明不避讳谈那段弯路，也没打算把2024年之前的经历从自己的叙事里删掉。他说，赛道里不少人是“数据热了才来做数据”的投机者，刻行的转向反倒说明vision一直没变。“我一直在走同一条路，边上怎么变，只要我相信我的终局是对的，我就往这条路走。”

专注数据，不做本体，也不做模型

这份专注落在刻行的产品体系上：今天对外呈现的是两套系统加一套方法论。StarBase对着数据生产端，是从自己下场运营采集的实践里长出来的生产管理工具，管的是数据怎么被规模化生产出来；coScene对着数据应用端，做时空多模态数据的管理与应用，已经落地控制台和数据平台、可视化播放器与测试平台共四大模块，管的是数据怎么被工程团队持续用起来。

两套系统共用一个底层数据引擎，核心单元叫“Scene”，带语义、有起止时间。黄阳明爱拿挖矿打比方：StarBase是矿坑里的生产系统，哪里有“煤”就部署到哪里；coScene是中央精炼厂，把各处运来的原料加工、分级、治理成能交付的数据产品。

真正撑起壁垒的其实不是这两套软件，是一个模型。黄阳明强调刻行不做本体，也不做具身模型——他训的模型用来理解时空多模态，用途指向数据本身：指导数采员怎么采、判断哪种动作算好数据、过滤不合格样本、标注语义、设计数据配比。它对时空的理解是本体无关的（embodiment agnostic），机器形态怎么变，这套判断力都成立。

这就是刻行自认的飞轮，也是它眼里的壁垒。按黄阳明的观察，北美现在有一些公司在做类似的业务，国内坚持做下来的几乎没有。

过去一年，几乎每家数据公司都在做同一类生意：真人戴上第一视角设备采集，再用重定向技术映射到机器人身上，这种数据一度被当成具身智能的“平价燃料”。可这趟硅谷之行，黄阳明反复听到同一个信号——无本体数据，“快撞墙了”。无本体数据帮模型完成过一次能力跃迁，随后很快进入平台期。“它已经起到它的历史作用了。”黄阳明对投中网说。

这条路黄阳明最早看、也最早放手。“我至少是第一批知道这个事情会成为爆发点的人。”放弃的理由很清楚：门槛低，“带个摄像头都能采”；贬值必然快，因为谁都能做；胜负手在商务地推和资本，不在技术。“这不是一家以技术见长的公司应该专注的地方。”如今在硅谷，他把这句话等来了验证。

产业界的消息之外，黄阳明还讲了个细节：在硅谷他租了一辆特斯拉，一路开着辅助驾驶，一次并道时的突然急刹还是让他措手不及。做了十年，全世界最领先的自动驾驶依然有处理不了的corner case。他用这段体验解释自己对具身智能落地节奏的谨慎，也顺带解释了刻行时空那些几乎反直觉的选择——不做本体，不做具身模型，主动放弃今年最火的无本体采集生意。

仿真这块，刻行把边界划得很清楚：渲染引擎不做，物理引擎和求解器也不做，只干一件事，把现实世界采集的数据转化成仿真场景。

仿真替代不了真机，它的作用是把一次真实交互在虚拟环境里放大成很多次。他引用过一组公开研究的数字，说明真机数据有多难产：DROID项目组织50名采集者，用12个月拿到约350小时真机交互数据，覆盖564个场景。

拿产业的钱，等“被动”的时代

商业模式上，刻行是三件事相互咬合：货架式数据交付、定制化生产，以及数据处理能力交付。用他们自己的话说，刻行正从“卖厨具的”变成“做菜的”，把数据从生产、治理、合规到交付的全链路生意吃下来。

策略上，黄阳明的态度是“我宁愿高价、卖得少一点，也不走人海战术”。

放弃规模，换来的是定价权。刻行的数采场景有点特别：搭的是有实际功能的空间，200多个场景、600多种任务，像电影道具组一样轮换布景、灯光、道具，全身数采、灵巧手数采和长程任务同时做，用的还是最新机型。质量高，成本也高——培训出来的专业数采员、全量的人工质检与标注，都把价格推了上去。在刻行看来这笔投入不浪费：人做过质检之后，判断好坏的信息直接进了模型，下一批的人工成本就会降下来。

订单上的结果很直观。据透露，其首批交付的宇树真机数据通过率接近100%，这是模型加真人全量质检与标注的结果。上个月，刻行宣布启动合同金额超过2亿元、总时长约30万小时的海外真机数据交付，首批逾千小时多本体数据完成验收，通过率同样接近100%。

“Garbage in, garbage out”，黄阳明说，数据质量直接决定模型能力，“你一味进数据垃圾，出来的模型也垃圾”。

数据资产化这条路，刻行选的方向并不多见。今年7月，“高质量真机数据示范平台”在上海正式启用，承建方是上海技术交易所、刻行时空和宇树科技三家，这也是国内头一个全链路合规的具身智能数据示范平台。

出海从刻行第一天就写进了计划。黄阳明的判断朴素又直接：“真机在中国最便宜、最多，场景也最多，机器在哪儿最便宜？肯定在中国。”

黄阳明把刻行的角色说成“把美国0到1的1搬回来，点燃中国1到100”。这话怎么理解？美国模型公司起步早，缺本体也缺数据；中国有产能、有场景。跨境合规链路则是刻行最早打通的一环，也是它手里的一道壁垒。

对宇树的深度绑定，黄阳明不认为是站队，而是“市场的选择”。他的说法是“市场选择了宇树，我们希望让数采更符合市场的需求。”2024年他就注意到宇树在海外开发者社群中的影响力，海外客户基于宇树平台做软件适配和研究项目的在增多。可到了特定任务和部署场景，受供应链、预算与时间约束，想用规模化数据支撑算法研究并不容易。在他看来，这个缺口正是刻行的位置。

刻行把机器人公司看作上下游伙伴，不是甲方。股东名单也照这个逻辑来——让机器人公司投资，说到底是让生态变成利益共同体。今年1月，穹彻智能、乐聚智能与线性资本参与新一轮融资，前两家是产业方，老股东线性资本继续加注。

在黄阳明眼里，投资从来不只是拿钱或缺钱的事，而是和产业建立连接的过程。他想把能力凑齐，打通从生产端到应用、从数据加工到合规再到海外最终客户的全链路。代价他也直说：刻行的融资节奏在同赛道里偏慢，资方不是市面上最一线的那几家。

刻行下一步押注“被动采集”。它的判断是，明年机器人进入真实场景部署后，数据会从部署态回流，像特斯拉影子模式那样，采到的最有价值的corner case。不过这种部署有条件：场景要明确、容错率要高、小样本能开动。

访谈最后，黄阳明又重复了那句话——“数据的价值不在被采集、被存储，而在被使用”。哪家机器人公司最终胜出都好，数据供给都是绕不开的刚需。他要做的，是继续待在那个最不显眼的位置上，等风来。