2026-05-21 14:46 UTC+8站內改寫6 分鐘閱讀更新: 2026-06-30 21:03 UTC+8

得場景者得AI天下，出行賽道跑出了一家值得關注的資料玩家

全場景資料、全鏈條服務助力AI大模型高效迭代

來源量子位作者: 杰西卡

得場景者得AI天下，出行賽道跑出了一家值得關注的資料玩家 – 量子位

傑西卡 2026-05-21 14:46:02

來源：量子位

全場景資料、全鏈條服務助力AI大模型高效迭代

傑西卡發自凹非寺

量子位 | 公眾號 QbitAI

AI行業，最稀缺的搶手貨變了。

李飛飛提出“空間智慧”後，行業正在形成一個越來越明顯的趨勢判斷：大模型之後，世界模型、具身智慧正成為資本和產業關注的新焦點。

然而，AI開始轉向理解並作用於真實的物理世界之時，一個尷尬的現實也隨之浮現：

訓練這些模型所需的真實物理世界互動資料，極度稀缺——缺到甚至有業內觀點認為，需求與供給之間，可能存在近十萬倍的差距。

因為過去的大模型，靠海量文本和圖片就能完成語言理解與生成，但具身智慧需要的是“決策→行動→反饋”的完整鏈條——這些靜態、缺乏因果和互動的資料，很難再滿足需求。

行業迫切需要一種全新的資料：來自真實物理世界、帶有因果邏輯、能持續產出的互動資料。

於是，高質量的物理世界資料，成為當下戰略級的稀缺資源；而能為行業持續、低成本、大規模生產物理世界資料的玩家，也逐漸被推上風口。

有意思的是，業內人士告訴量子位，AI時代最大的物理世界資料入口之一，很可能正在從一個很多人意想不到的行業裡誕生，那就是出行平臺。

你可能並不知曉，平日裡常用的出行服務平臺，除了出行服務之外，正在用資料新業務“賺外快”。

出行平臺，流行起用資料“賺外快”？

出行服務行業，最近逐漸流行起一門新的生意：手握海量真實道路一手資料來源的平臺們，正透過資料資產化、服務化等方式，開闢第二增長曲線。

而且這些平臺中，已經有玩家成功變現，初步驗證了商業化路徑的可行性。

最先對外披露具體資料的，是廣汽集團旗下的出行服務平臺——如祺出行。

如祺出行在2025年財報中披露，以AI資料業務為主要收入來源的技術服務板塊，已成為公司增長最快的板塊。

而這個AI資料業務，指的是如祺出行的資料業務板塊（以下簡稱“如祺資料”），最早佈局於2023年。

彼時，如祺出行在2023年5月獲批了乙級測繪資質，開始將那些搭載雷射雷達、高精度慣導、周視與環視攝像頭等感測器的智慧駕駛資料採集車，投入常態化運營。

這些車輛在提供出行服務的同時，也在合規採集真實的駕駛和道路資料。而如祺資料也在採集資料的過程中，不斷延伸其資料服務能力。

直到最近，如祺資料首次對外完整披露了其AI資料資產及能力版圖。

公開資訊顯示，其資料資產已覆蓋標註資料、行為資料、合成資料及多模態訓練資料集四大類，涵蓋從原始採集到加工交付的全鏈條。

這其中，標註資料是基礎，行為資料則記錄了駕駛員在實際道路環境中的操作決策，合成資料用於補充長尾場景，多模態訓練資料集則覆蓋影像、文本、音訊與影片，可以直接用於大模型的垂類微調。

規模上，如祺資料已搭建起一張覆蓋面可觀的資料採集網路。

截至2026年5月，公司在廣州、上海、重慶、瀋陽等城市，部署了超過300輛智慧駕駛資料採集車。

透過近三年的常態化運營，這些車輛的日均產出已經達到1600小時、130TB；平臺亦累計沉澱出千萬級的高價值駕駛場景片段。

這些片段背後，本身就是完整的真實世界互動過程。從這個角度看，平臺產生的資料，更像是在持續生產物理世界的“切片”。

而規模之外，商業化進展才是真正檢驗其模式可行性的關鍵。

在如祺財報中，2025年，以AI資料服務為主要收入來源的技術服務板塊，錄得營收1.6億元，同比大增487.4%。

這一增速說明，市場對高質量物理世界資料的需求正在快速釋放。

如祺資料的客戶結構也能驗證這一結論。據介紹，公司服務目前已覆蓋智慧駕駛、具身智慧、大模型、消費電子、醫療等多個領域；騰訊、小馬智行、理想、火山引擎、百度智慧雲、廣汽集團等頭部企業都是其客戶。

也就是說，從出行服務衍生出的資料服務，已經具備跨行業解決實際需求的能力，並且能跑通從資料採集、加工到商業化交付的完整閉環。

隨之而來的變化是，外界更新了對如祺這類出行平臺的認知。

具備全鏈條資料服務能力的如祺，不再只是一家出行服務商，也不單單是傳統的資料標註服務商，而是在向“資料集+全棧能力”的綜合服務商升級。

而這種“資料集+全棧能力”的閉環能力，很可能也會成為下一代AI中，不可或缺的底層基礎設施之一。

出行平臺，為什麼突然造就了AI基礎設施？

想更好理解出行平臺的身份轉變，其實可以將其拆解為兩個更本質的問題：

為什麼AI行業對物理世界資料如此渴求？

以及，為什麼出行平臺恰恰能填補這個缺口？

一切要從李飛飛對世界模型的定義說起。她認為，當前主流的大語言模型存在一個致命缺陷，就是缺乏“空間智慧”——即對三維物理世界進行感知、推理和行動的能力。

因此，李飛飛倡導構建一種全新的AI系統，讓機器能像人類一樣，理解三維物理世界的執行法則，並完成互動。

這套系統，就是她所說的“世界模型”。而世界模型需要具備三個最核心的標準：生成性、多模態性、互動性。

這意味著，訓練下一代AI所需的資料，必須同時具備這三個特徵，尤其是“互動性”——資料不能只是被動的視覺呈現，還必須包含“動作-反饋”閉環的完整因果鏈條。

但問題在於，當前行業能夠穩定獲取的物理世界互動資料，遠遠無法滿足訓練需求。

因為傳統的資料供給方式主要有三種，且各有侷限：

其一，是從網際網路上爬取公開圖片和影片，這些資料大多是靜態的、缺乏互動資訊；

其二，是在實驗室或模擬環境中人工搭建場景，成本相對高、規模較小；

其三，是眾包採集，不過資料的質量和一致性有時難以保證。

短期內，三種方式都難以持續、大規模地產出帶有因果邏輯的互動資料。

這正是當前行業面臨的核心瓶頸。高質量、高保真、帶互動標籤的物理世界資料極度匱乏，需求與供給之間存在巨大缺口。

在這種背景下，出行賽道恰恰具備生產、積累這類高價值資料的天然優勢。

與傳統的資料供給方式不同，出行平臺的資料採集邏輯是嵌入真實運營。

每一輛資料採集車，本質上都是一個移動的感知終端，在完成日常出行服務的同時，同步記錄“駕駛員決策—車輛響應—環境反饋”的完整互動鏈條。

這種閉環資料天然具備多模態對齊、時序連續和因果邏輯的特徵。

用如祺對外展示的泊車場景舉例：

如祺資料不僅會記錄3D障礙物的位置資訊，還會同步採集汽車底盤的CAN訊號（反映車輛狀態，如方向盤轉角、油門剎車）、毫米波雷達回波、雷射點雲與攝像頭影片。

這些多模態資料圍繞泊車場景，形成了“行為（駕駛員操作）-狀態（車輛響應）-環境（周圍反饋）”的聯合資料集。

在訓練AI時，這類資料不僅能告訴模型“是什麼”，還能幫助模型理解“為什麼”，比如為什麼要避讓、如何判斷車位可用性等需要物理常識和因果推理的任務。

有長期關注AI大模型訓練的分析人士告訴量子位，這類具有完整推理、決策和反饋鏈條的資料，就是訓練空間智慧模型的“黃金資料礦”。

如祺資料也是基於這種獨特的資料來源，得以系統性地構建其全鏈條服務能力。

技術層面，如祺資料自研的OCC自動化標註演算法，採用同源底圖與自動化演算法，可減少90%人工標註時間，交付準確率超98%。

其合成資料模組可一鍵生成雨、霧、雪、夜等長尾場景，彌補真實採集盲區；多模態資料集則覆蓋影像、文本、音訊與影片，可以直接支援大模型的垂類微調。

這套能力的本質，是將其在自動駕駛領域驗證過的資料工程化經驗——從合規採集、規模化清洗、精準標註到合成增強——打包成標準化產品。

客戶可以“開箱即用”，無需從零搭建底層採集與處理能力，就能直接獲取經過深度加工的標準化資料集與工具鏈。

在這一點上，如祺資料和Scale AI的邏輯有點類似：

不僅提供資料，還提供讓客戶“更懂資料、更高效用資料”的工具與方法論，從而降低高質量物理資料的使用門檻，提升客戶的模型迭代效率。

這在一定程度上降低了真實物理資料的使用門檻，也讓資料能力的適用範圍，能從自動駕駛擴充套件到具身智慧、大模型、消費電子、醫療等多個領域。

也可以說，規模和能力只是基礎，而出行平臺真正的想象空間，更在於它以場景為原點、向更多物理世界場景泛化的潛力。

這也是AI發展歷程中一再被證明的結論：得“場景”者，得天下。

得“場景”者，得天下

走進物理世界後，AI行業的底層邏輯正在變化——AI的競爭正在從演算法轉向場景。

正如移動網際網路催生了基於位置的服務（LBS）資料金礦，雲端計算成為了數字經濟的通用基建。

在AI邁向“空間智慧”的當下，那些能持續、低成本產出真實物理世界互動資料的「場景」，也正成為新時代最核心的基礎設施。

在這一背景下，越來越多人開始意識到：場景可能比演算法更稀缺。

因為演算法可以被複現，但一個真實、高頻、且能產生閉環互動資料的物理場景，卻極難被複制或搬運。

而資料本質上其實是場景的“溢位”，擁有場景，就擁有了持續產生資料飛輪的可能性。

出行平臺，就是這樣一個幾乎堪稱完美的“元場景”：它覆蓋了海量的公共道路空間，涉及持續的人機共駕決策，每天發生數以億計的互動事件。

這些要素疊加在一起，構成了一個天然的資料生產系統。

並且出行平臺採用的“業務即採集”模式，還在成本上天然具備明顯優勢。

傳統的專業資料採集，需要投入專門的採集車、專門的駕駛員、專門的場地，成本高昂，規模化難上加難。

但像如祺出行的採集車，本身就是網約車，在提供服務的同時完成資料採集，邊際成本被大幅攤薄。

更重要的是，這種資料能力，還可以從駕駛場景向更廣泛的物理世界延伸。

據接近如祺出行的人士透露，該公司正嘗試將“人-車-環境”的互動資料能力泛化至更多應用領域，例如具身智慧在車後服務場景，包括洗車、換電、維保、清理等。

車後服務場景作為出行場景的一部分，是如祺出行最擅長、資料積累最深的領域，如祺可以自然地切入，形成真實服務閉環。

而在這些場景中，機器人需要理解的避障、路徑規劃、精細操作等底層邏輯，和自動駕駛有高度的資料同構性。

這種“低成本、高互動”的資料生產模式，一旦在一個垂直場景跑通，就具備了成為行業標配的潛力。

一個更長期的趨勢是，未來，那些擁有深厚物理場景運營經驗的企業，其核心資產可能不僅是服務本身，更是其業務過程中持續產生的、高價值的場景資料。

這些資料經過系統性的治理與產品化，或許可以反哺乃至重塑AI產業。

就像出行平臺這樣的巨型物理世界介面一樣，在C端，平臺仍是運人的服務商；而在B端，出行平臺的身份，已經進化成為AI理解並進入真實世界的、至關重要的物理資料入口。

如祺出行

傑西卡

百度無人車新紀錄：周訂單破35萬！李彥宏：開始單城盈利了2026-05-19

15.68萬樂道L80開賣，廚房搬進前備廂，李斌：純電大五座SUV的“拐點”2026-05-16

Robotaxi第一股又漲瘋了2026-05-14

重塑中國豪華汽車全球旗艦標杆，魏牌V9X重磅登陸北京車展2026-04-30