专访如祺出行韩锋：世界模型越强，真实数据壁垒越高

过去一年，“物理AI”成为自动驾驶与机器人领域竞相争夺的新方向。面对世界模型与具身大模型的技术风口，如祺出行选择了一条差异化路径：不亲自下场训练大模型，而是退居幕后，将出行平台转型为AI模型背后的数据基础设施。

在如祺出行首席运营官（COO）韩锋看来，世界模型的能力越强，真实数据的不可替代性反而越突出。合成数据虽然能以长尾案例为基座，在虚拟环境中模拟极端场景，但无法替代现实世界中不可预设的人类行为、环境演化以及物理传感器的实际响应。真实数据负责“发现问题并校准验证”，合成数据负责“定向扩展”，两者互为补充。

跑在路上的车，是持续运转的数据工厂

自动驾驶与具身智能公司通常拥有强大的算法团队，为何仍需采购第三方数据服务？韩锋认为，客户的核心痛点并非缺少原始数据，而是缺乏能够直接送入训练管线的高质量、低成本数据资产，以及确定性的工程交付产能。

大规模的数据采集、合规治理、清洗标注与多维质检，属于重资产、重运营的系统工程。如祺出行依托日常运营的出行服务车队、Robotaxi网络及线下运维体系，能够在低边际成本下持续获取现实世界的连续数据流。

在技术门槛上，数据服务并不依赖单一的学术突破，真正的壁垒在于长期工程实践沉淀出的全链路适配能力。不同客户对传感器标准、数据格式、模型输入的要求千差万别。如祺出行通过将标注与处理任务结构化管理，将新客户对接与适配周期大幅缩短，以标准化的数字平台避免人员规模与业务量线性增长的“劳动密集”陷阱。

从二维道路到三维具身智能

自动驾驶的数据能力如何跨界应用到机器人身上？韩锋指出，自动驾驶主要解决二维路网环境中的感知、决策与控制，而机器人则需要在三维空间内完成抓取、搬运等精细操作。尽管两者在任务形态和操控类数据源上存在差异，但底层的数据工程体系高度一致。

从数据导入、格式清洗、AI辅助预处理、动作标注，到质量抽检和合规导出，智驾沉淀的工具链大多可以直接复用。2026年中，如祺出行推出了面向具身智能的数据平台，专门处理第一人称（Ego-centric）操作视频。

在落地上，如祺出行并未直接切入未知的工业或家庭场景，而是依托已有的车后运维网络启动数据闭环。车内外的清洁维护、外观划痕检测、充电枪自动插拔等流程，本身就是Robotaxi线下运营的真实刚需，也是具身机器人未来落地的典型场景。通过已有作业流程采集第一视角操作数据，避免了专门搭建试验场景的高昂代价。

数据资产的独立商业化路径

韩锋强调，数据业务并非出行业务的短期流量变现，而是一项设立了独立团队、研发预算与营收目标的长期战略板块。

财报数据显示，如祺出行AI数据服务板块过去几年保持高速增长：2024年上半年收入同比增长175.8%；2025年上半年同比增长207.0%；2026年上半年增速达到274.4%，半年度收入突破1亿元人民币。客户群体也从最初的出行股东体系，扩展至互联网大厂、自动驾驶初创企业和消费电子公司。

在韩锋看来，三年后判断这项业务是否彻底跑通的标准，不仅是营收规模与复购率，更在于平台能否在高度定制化的AI需求中，持续沉淀出可复用的通用化工具链，真正成为物理AI产业中稳定输出养分的数据基础设施。