币圈界报道：

构建物理智能的底层数据基石：XDOF启动7000万美元数据基建计划

随着OpenAI重启其2021年关闭的机器人项目，行业信号愈发明确：下一代人工智能竞争已从虚拟语言模型转向真实世界的物理操作。然而，当前最大障碍并非算法或硬件，而是缺乏可规模化、高保真的物理交互训练数据。这一结构性缺口催生了新型基础设施公司XDOF，致力于打通机器人学习所需的数据闭环。

打造专用于实体智能的数据生态体系

XDOF的目标是为前沿实验室与机器人企业建立难以自建的数据采集、清洗与标注系统。公司已获得Thrive Capital、Spark Capital、a16z、Lux及WndrCo联合投资，总额达7000万美元。联合创始人兼首席执行官Philippe Wu透露，团队规模约60人，已与20家客户展开合作，涵盖多家头部AI研究机构，具体名单暂未公开。

“所有顶尖研究单位都在向机器人领域拓展，”Wu指出，“我们亲眼目睹了语言模型时代落后的代价——现在绝不能重蹈覆辙。物理人工智能已是共识中的下一站。”

从学术困境到商业突破：数据驱动的先发优势

Wu在伯克利攻读博士期间便遭遇核心难题：缺乏大规模可用的机器人操作数据。他坦言：“这就像一个鸡与蛋的问题——没有数据，就无法训练基础模型；但若无人收集，又何来数据？”

为此，他与联合创始人兼CTO Fred Shentu共同开发了名为GELLO的低成本远程操控系统，让人类操作员通过机械臂生成结构化训练样本。该项目成果发表后引发广泛反响，成为该领域的重要参考范式。

ABC数据集：开启机器人预训练新纪元

XDOF与加州大学伯克利分校合作发布了迄今为止最大规模的高质量机器人训练数据集——ABC。该数据集包含13万条实际操作轨迹、300小时仿真数据及100小时评估记录，首次向学术界开放如此体量的物理交互资源。

伯克利博士生David McAllister表示：“当优质数据与模型同步发布时，社区往往能实现超出预期的创新。目前已有团队基于该数据集成功训练出能折叠衣物、压平纸箱以及装配AirPods充电盒的机器人。”

三层架构：覆盖从真实场景到日常行为的数据链路

XDOF设计了分层数据采集策略：第一层为部署于真实环境中的机器人遥操作数据；第二层利用类似GELLO的远程设备获取通用型操作数据；第三层则通过自研可穿戴传感器捕捉人类日常任务中的“第一视角”数据。

“相机选型直接影响手部追踪精度，若硬件设计不当，后续算法将被引入不可预测的偏差，”Wu强调，“必须从源头确保数据质量。”

为何需要专业数据工厂？实验室难以自建

尽管多数实验室具备研发能力，但要建立可持续的数据生产体系，需数十万平方英尺空间、数百台机器人、持续维护与操作员培训。这种运营复杂度远超单个研究团队承受范围。

“你需要的是一个高度专业化、可扩展的基础设施平台，”Wu解释，“而这不是大多数实验室愿意投入的领域。我们正是填补这一空白。”

数据即未来：决定物理AI胜局的关键变量

XDOF的出现标志着AI产业正经历深层转型。当模型与算力趋于同质化，能否掌握高质量物理交互数据，已成为决定谁能真正落地现实应用的核心竞争力。有能力提供稳定、可信数据流的公司，正在成长为新的基础设施支柱。

命名深意：从自由度到无限可能

公司名称源自机器人学中的“自由度”概念，指机械臂可独立运动的维度。人类手臂有七个自由度，而人形机器人如Figure.AI最新产品已达三十个。字母X象征其愿景：突破现有限制，实现任意自由度下的无限操作潜力。

结语：通往真实世界的智能，始于可靠数据

XDOF的融资与公开亮相，印证了行业共识：迈向强大物理智能的道路，依赖于坚实的基础设施而非单一模型突破。随着更多机构重启机器人项目，对真实世界交互数据的需求将持续攀升。XDOF正站在这一浪潮中心，构建决定未来谁将胜出的数据通道。

常见问题解答

Q1: XDOF是什么？它做什么？ XDOF是一家专注于为机器人训练构建数据管道、采集工具与标注系统的初创企业。其核心使命是提供高质量、可扩展的物理世界交互数据，支持机器人在非结构化环境中学习与执行任务。

Q2: 为什么机器人训练数据不同于语言模型数据？ 语言模型可依托互联网文本进行训练，而机器人需学习抓取、移动、折叠等具体动作，这些行为涉及复杂的物理反馈。因此必须采用遥操作、可穿戴传感等专门手段采集数据，无法依赖公开网络资源。

Q3: XDOF融资情况如何？投资者有哪些？ 公司已完成7000万美元融资，投资方包括Thrive Capital、Spark Capital、a16z、Lux和WndrCo。目前团队约60人，已与20家客户合作，含多家前沿人工智能实验室。