星忆智能宋知珩：订单千万级，具身数据卡在标注处理

头图丨星忆智能

具身大脑公司纷纷自建数据管线，第三方数据公司还能靠什么立足？

星忆智能创始人宋知珩的判断是，竞争力落在两头：一头是采集，靠硬件、场景和人员组织把数据采集成本压下来；另一头是算法，把标注精度和数据处理效率提上去。星忆智能押的是后一头。团队除了给客户提供第一人称人类数据采集，更关键的是让数据处理和标注变得高效，处理完的数据能直接当训练数据喂给具身模型。宋知珩说：“我们拥有高效的手势及人体姿态处理及标注的技术。”

OpenAI GPT6 Astra 已经展现出对物理世界的理解能力，李飞飞把 World Labs 卖给了 AMD，物理 AI 的技术路线在加速收敛。具身模型和多模态模型谁对物理世界理解得更强，眼下没有定论，可两者都离不开训练数据，对具身数据的需求都很明确。

星忆智能方面介绍，公司订单目前已达“千万级”，客户里既有具身模型公司，也有从大语言模型转向多模态模型的通用模型公司。公司为 Being（智在无界）的 H0.8 隐式触觉视觉模型提供了关键数据，同时与京东有深入合作。京东手里有采集硬件、大规模人员和丰富场景，星忆智能负责数据处理与标注，一个解决“数据从哪里来”，一个解决“数据如何被模型学会”。

2026（第二十届）DEMO CHINA 期间，创业邦和宋知珩聊了一次。作为一线创业者，他围绕具身数据公司的核心壁垒、数据采集与标注的难点、第一人称人类数据的价值等话题，讲了讲自己的观察和思考。

星忆智能创始人宋知珩

从人形整机

到数据创业

创业邦：之前在智元机器人，您负责哪一块？

宋知珩：人形整机的产品经理。整机产品定义，还有数据采集、遥操作和二次开发的收敛、管理，都归我们这边。

创业邦：从做人形整机到自己出来做数据，这个转变是怎么来的？

宋知珩：在智元那会儿，能看到中美在机器人叙事上的差别。中国一开始更像先把本体做好，让全世界拿中国的本体去做算法；美国一上来就做具身大脑，数据和模型投得更早。2025 年那个时间点，中美在模型、数据上已经差得比较明显，到今天差距也还在。所以出来创业，我们想啃行业最需要解决的那块硬骨头。

创业邦：为什么您认为行业最需要解决的是数据？

宋知珩：具身模型训得好不好，很大程度上看这个行业有没有高质量、大规模的数据。李飞飞做 ImageNet 之前，大家都在卷图像算法；有了 ImageNet 这样的大规模数据集，算法迭代速度一下就快了。我们觉得数据是最重要的变量，创业就从数据立足，先把它做扎实。

创业邦：李飞飞创办的 World Labs 被 AMD 收购，您觉得这给行业释放了什么信号？世界模型的技术路线是不是在加速收敛？对李飞飞本人，这算不算成功？

宋知珩：首先是个信号：大厂开始更大力度地进世界模型，技术路线确实在加速收敛。不过要是只看具身世界模型，整个行业的技术路线还没真正收敛，只是收敛速度在加快。

对李飞飞来说，我认为这是阶段性的成功。研究者和创业公司到最后还是得把商业化落地跑通，才算完整的成功。进了 AMD 之后，她不用再把大量精力花在融资和公司经营上，可以借大公司的资源把技术和产品往前推得更充分。这么看，已经是个很好的阶段性结果。

第三方数据公司有自己的生态位

创业邦：不少本体公司、具身智能公司都在自建数据管线。客户自己会采集、清洗、训练，第三方数据公司的空间在哪？

宋知珩：我们接触的客户，其实都想把整个体系自建起来，这没问题。模型训练时视频怎么切、怎么切成 clip（片段），后面怎么清洗、怎么做后处理，客户总得自己再动手做一些，所以它永远会是一条比较基础的管线。

我们更聚焦在数据标注上。数据大体分两类：一类是手部姿态、人体姿态，还有多模态里像触觉这类数据的标注；另一类是场景语义标注。

语义标注这块，用大模型来做谁都能上手，大厂尤其拿手。手部姿态、人体姿态这些，才是我们相对有底气的方向。

创业邦：那是不是可以这么理解——基础管线客户自己搭，星忆智能接手的是里面更难的处理环节？

宋知珩：这么理解没问题。数据切分、清洗、后处理，客户都要做，数据资产和训练闭环他们也一定得攥在自己手里。我们不铺开做全部环节，只盯数据处理和高精度标注。

团队在手部、人体姿态识别上积累了很长时间。国内头部 VR 厂商字节 Pico 的手势技术相关基模，就出自我们团队核心成员之手。

创业邦：具身智能数据里，第一人称人类数据、遥操作数据、仿真合成数据是并存的。你们为什么单挑第一人称人类数据？

宋知珩：我们只做人类数据，第一人称数据又是其中很关键的一块。

机器人该从哪里学操作？这个问题我们想了很久。答案是从人身上学最合适。世界是人造出来的，人每天都在做大量操作。把这些操作记录下来，把人的行为数据蒸馏出来喂给模型，我们认为这条路线几乎别无他选。

它符合具身数据的三个条件：一是能规模化，成本压得住，来源足够大；二是能在真实场景里泛化，各种场景都能采，让模型学到足够的多样性；三是对模型有实打实的增益。

创业邦：那是不是说，第一人称人类数据能顶替真机遥操作和仿真数据？

宋知珩：在理解人类操作逻辑、理解世界这一层，人类数据的作用没法替代；真机数据我们也会用一些。

人类数据是跨本体的，它学的是这个世界里的操作逻辑和规律；真机数据更多是让模型去理解、适应当前这个机器人本体。我们的判断是，将来整个训练可能由 90%—99% 的人类数据，加很少量真机数据完成。

仿真则是模型预训练做完、上真机部署之前很关键的一环。它能支撑强化学习，帮真机少出问题，但能带来的新增智能有限。

行业瓶颈

不只在数据采集

也在数据处理

创业邦：行业里都在说“高质量数据”，你们的定义是什么？

宋知珩：这事其实不难理解。数据最终是拿来训模型的，对模型增益最明显的，就是高质量数据。

其中有能量化的部分，也有不太能量化的部分。平均关键点误差、位姿精度，这些都能量化；精度要高、模态要丰富，同样能量化。

但 diversity，也就是多样性，是个很深的问题。我抓过一个杯子，又抓过一个手机，这两组数据本质上差在哪？模型最终学的数据集得足够泛化，覆盖各种场景，可不同数据之间的差异边界在哪，行业里还没真正研究透。

现在的通行做法，是把海量数据丢进模型训练，人工只做基础的多样性判断，最终仍以模型学到的多样性为准。这是个要一直追下去的过程。

星忆智能核心算法

围绕核心算法搭建的数据采集与处理基础设施

创业邦：所以除了精度、多样性、模态丰富度，最后还是要看数据进模型之后的表现？

宋知珩：对。数据有没有让模型获得更明显的增益，这才是最要紧的判断。

创业邦：高质量数据从哪来？数据处理在这里究竟解决什么问题？

宋知珩的判断是，数据积累这件事，放到整个行业里看，不会变成卡脖子的环节。他算过账：行业训练往后走，大概要1亿到10亿小时数据；10万人每天采5小时、采200天，1亿小时就出来了。这几个数本身不算吓人。

真正会变成大麻烦的是数据处理。他提到，某公有云平台上的具身数据，经过精细处理、能反复拿去训练模型的，占比不到5%。

真实场景里的麻烦一抓一大把：高速运动、低光照、噪声、画质差、运动模糊、严重遮挡。抓杯子的时候，杯把会形成深孔，物体又把人的手挡住。想把这类手部位姿还原出来，或者标得精准，难度很高。

创业邦追问：原始视频采回来，是不是并不等于马上能拿去训练？

宋知珩给出肯定回答。采到的数据得先处理过，才谈得上用于模型训练。高质量数据不是“有段视频”就行，得让模型从中学会靠谱的操作逻辑。

创业邦接着问：这些复杂场景，星忆用什么技术来对付？

宋知珩说，团队在手部姿态识别、人体姿态识别和多模态数据上做了十多年，从 2015 年至今，顶会、顶刊上发过数十篇相关论文。

这些研究成果被他们训进一个统一的Transformer模型，当作基座。他打了个比方：大语言模型是在预测下一个word，或者做完形填空；他们的模型预测的是手和人体姿态在物理空间里的时空一致性，然后把这部分精准标出来。

创业邦问：“时空一致性”到底在解决什么？

宋知珩解释，连续动作中，手和人体姿态不能前一帧后一帧突然跳。碰上遮挡、低光照、运动模糊，也得尽量把合理姿态恢复出来。模型要处理的不是单帧画面里有没有一只手，而是这只手在一段动作里怎么动、跟人体和物体之间的关系连不连贯。

创业邦抛出问题：一家具身智能数据公司，真正的核心壁垒在哪？

宋知珩把核心壁垒拆成两块。

一块在采集端，拼的是硬件和人力成本。硬件上，深圳、华强北这类供应链能把市场要的硬件很快做出来；低成本人力的组织，不少人力外包公司干了很久，也有自己的积累。

另一块在数据处理端，拼的是效率和精度。宋知珩说，他们过去的积累都在算法上，做数据后处理是顺理成章的选择。

创业邦问：你们更看重数据处理端的能力建设？

宋知珩提到，采集硬件会受产品成熟度、售后等因素影响，规模化有制约；人力外包想组织更大规模的人，也不轻松。而做数据后处理，算法越强、数据飞轮转得越好，处理能力scale（规模化）的速度可以是指数型的。

创业邦追问：这是不是意味着，你们不想把生意做成“人越多、产能才越大”那种？

宋知珩说，行业里不少做数据后处理和标注的厂商靠大量人力堆标注，但这事没法真正scale。他们想的是把后处理和标注的效率、自动化率不断往上提。这样服务客户的能力要扩张，不必只靠线性加人，也可以更多依赖算力和算法。

当客户继续

数据管线内化

星忆的客户从哪来？

创业邦问：公司目前主要客户是什么类型？不同客户的需求差别在哪？

宋知珩回答，主要是模型厂、机器人厂商和互联网大厂。

眼下主流客户还是拿数据去训练具身模型。越来越多从大语言模型转向多模态模型的公司，也需要第一人称视角的人类数据。宋知珩举例说，有些多模态模型在具身抓取上表现很好，他们认为一个重要原因是训练时用了大量人类数据。

不过眼下具身客户数量仍占上风，原因在于这类需求最直接。多模态模型那边，人类数据也好、第一人称视角的人类数据也罢，都只是整个数据集里的一块；换成具身模型，这类数据的占比就会更高。

创业邦问：OpenAI GPT-6 Astra 这类多模态模型开始展现出对物理世界的理解能力，大语言模型公司转向多模态之后，对第一人称人类高质量数据的需求，会比具身模型公司更大还是更小？

宋知珩的判断是，现阶段多模态模型公司对这类数据的需求更大。他给出的理由落在发展阶段上：具身模型公司整体还比较早期，模型参数规模偏小，训练要用的数据量也还没完全打开；多模态模型则已经走到参数规模更大、理解能力更强的阶段，对真实世界数据、特别是人类操作与交互数据的需求会更明显。

他拿 GPT-6 Astra 举例，据其了解，这款模型训练已用掉数百万小时的人类数据，后面还在继续采购这类数据。国内一些多模态模型厂商，也在逐步加大对第一人称人类数据的采购。

在宋知珩看来，第一人称人类数据对具身模型是学习操作逻辑、理解物理世界的重要训练材料；放到规模更大的多模态模型那里，这类数据同样会成为补足真实世界理解能力的重要来源。

创业邦问：公司订单和商业化眼下走到哪一步？

宋知珩回答说，公司现在有千万级订单，收入不止 2000万元，商业化在逐步推进。不过服务客户的过程中，最大的挑战也露了出来：数据后处理和标注如果大量依赖人工，服务能力就很难真正规模化。他称公司当前的重点，是持续提升数据后处理和数据标注的效率与自动化率——只有把这两件事做好，才可能靠扩增算力大幅扩充服务客户的产能。

被问到能否透露合作客户，宋知珩表示可以讲一部分。公司与 Being（智在无界）有合作，对方正在做最新的 H0.8 隐式触觉视觉模型，用了他们的关键数据，其官网有相关提及，双方也在开展战略合作。

他还提到与京东的合作比较深入。创业邦追问，京东本身也看重机器人业务，双方的合作点具体在哪？

宋知珩的解释是，京东很重视机器人业务和数据采集业务，其能力恰好在于既有采集硬件，又有大规模人力和丰富多样的场景去做采集。他总结这层关系：对方擅长采集，星忆智能擅长处理，两边正好接上。