Meta、比亚迪、京东入股的具身智能，如何做到估值百亿？
文 | 华商韬略 方乐迪
资本的嗅觉更诚实，在火热的具身智能赛道，一家名为帕西尼（Pasini）的公司不靠机器人动作炫技和后空翻，却靠干了件“苦差事”，并因此获得了超过10亿元人民币的B轮融资，将自己的估值一举推过了百亿门槛。
这轮融资的背后，站着一排重量级玩家：黄浦江资本领投，Meta关联方、比亚迪、京东等产业巨头赫然在列。
这并非又一个被资本热炒的概念。巨头们用真金白银投下的，是对一项“看不见的富矿”——真实世界里的多模态触觉数据——的集体认可。他们买的，是帕西尼在数据闭环上的核心竞争力。
具身智能的未来市场广阔，麦肯锡预测到2030年将超过万亿美元，横跨制造业、物流和服务业。然而，整个行业都饱受“数据饥渴症”的困扰。Gartner的数据显示，高达80%的AI项目因为数据质量问题而延期。市场上不缺数据，但极度缺乏能让机器人真正“上手”的高质量触觉数据。
想象一下，让你用手拿起一个纸杯、一块海绵和一块生铁，你会毫不费力地用出三种完全不同的力道。这是人类的本能，是无数生活经验沉淀下来的肌肉记忆。
但对于机器人来说，这个简单的动作却难如登天。它不知道该用多大的力，是会捏碎纸杯，还是抓不稳铁块。这背后微妙的力矩控制，必须依赖海量、高质量的数据来“喂养”和训练。
帕西尼之所以能脱颖而出，正是因为它提供的不是普通的数据，而是一种“定义权”——定义机器人如何感知和与物理世界交互的标准。这套定义权，建立在三大坚实的支柱之上。
【支柱一：从“看见”到“摸到”，补上机器人缺失的感官】
长期以来，行业主流的AI模型严重依赖视觉数据，就像给机器人装上了眼睛，却忘记了给它一双能感知的手。这导致机器人在物理交互上表现平平。例如，波士顿动力（Boston Dynamics）的Atlas机器人虽然在跑跳和平衡上技惊四座，但由于缺乏触觉，它很难完成需要精细操作的任务。
帕西尼另辟蹊径，通过自研的硬件，大规模采集视觉之外的触觉等多模态数据，构建了名为OmniSharing DB的百亿级实采数据库。这是全球独家的宝贵资源，它重新定义了“全模态数据”的标准：数据不仅要包含“看到”的信息，更要融入“物理接触”的信息。
IDC估算，这种多维度的数据能将模型的泛化能力提升20%到30%。Figure AI在融资68亿美元后，也重点强调了多模态训练，并与宝马合作进行汽车装配，这恰好验证了数据维度对于应用落地效率的关键作用。
帕西尼的探索，正在推动整个赛道从“视觉优先”向“全感官”的模式转型，为制造业和服务业的自动化释放出巨大的潜力。
【支柱二：告别手工作坊，用“超级工厂”工业化生产数据】
采集核心的触觉数据，靠实验室里几台机械臂敲敲打打的“手工作坊”模式是行不通的。为了解决这个问题，帕西尼投入重资，在天津建起了一座名为“Super EID”的超级数据采集工厂。
在这里，每天都有成千上万次的抓取、装配和接触在真实物理世界中发生，机器与人协同工作，每年能产出近百亿条高质量的实采数据。这种模式将数据收集从零散的项目制，升级为标准化的流水线生产，构筑了强大的规模壁垒。
相比之下，传统的数据采集方式，规模、质量和一致性都难以保证。即便是OpenAI的机器人项目，也曾因数据体量的限制而导致迭代周期漫长。麦肯锡的分析指出，规模化的数据能够将AI部署成本降低15%至40%。这与特斯拉（Tesla）的Dojo系统异曲同工——通过自采海量驾驶数据，特斯拉几乎垄断了自动驾驶市场，并获得了显著的市值回报。帕西尼的策略，正是在具身智能领域复制这一成功路径。
【支柱三：源于真实，拒绝“活在模拟器里”的AI】
其他数据方式仍有一定局限性，譬如与现实世界之间存在着“鸿沟”。许多在模拟器里表现完美的模型，一旦进入真实环境就错误百出，Google的PaLM-E模型就曾面临这样的泛化难题。
帕西尼从一开始就坚持“以人为中心”的实采模式，所有数据都源于真实的交互任务。这确保了数据的“血统纯正”，也让数据与模型之间建立了清晰的因果关联，极大地提升了模型的性能转化效率。根据Forrester的报告，真实数据能将机器人的训练周期缩短30%。亚马逊的仓库机器人就是最好的例子，在早期仿真方案失败后，团队果断转向实采数据，最终将分拣效率提升了50%。
如今，帕西尼的数据优势正在帮助比亚迪等合作伙伴解决产线装配中的实际痛点，推动着物流与制造领域价值链的深刻重构。
手握“数据定义权”，帕西尼的硬件、数据与模型的协同，不仅让其自研的OmniVTLA大模型在精细操控能力上持续领先，更将“数据定义权”升级为了“技术定义权”——帕西尼卖的不仅是数据，更是整个行业的标准。
在商业上，与Meta、京东等巨头的合作，让帕西尼的数据价值在汽车和物流等关键场景中得到验证，进一步巩固了其领导地位。这轮新的融资将用于扩建数据工厂和加速模型迭代，让已经转起的飞轮更加势不可挡。
帕西尼的故事预示着，具身智能已经进入了“数据资产 + 闭环效率”的全新时代。谁能掌握最深厚、最真实的数据，谁就能定义行业的未来。帕西尼不仅为自己打开了通往更高估值的大门，也为所有硬科技企业提供了一个构建深层护城河的全新范式。
欢迎关注【华商韬略】，识风云人物，读韬略传奇。
版权所有，禁止私自转载
部分图片来源于网络
如涉及侵权，请联系删除
相关攻略
谷歌DeepMind今天扔下了一颗重磅冲击波：正式开源发布Gemma 4系列模型。根据官方说法，这是谷歌迄今为止最智能的开放模型，专为高级推理和智能体工作流而生。最引人注目的是，它号称实现了“单位参数下前所未有的智能水平”——换句话说，就是用更小的模型体量，干出更聪明的活儿。 先看几个硬核数据：其3
当前，视觉语言动作模型（VLA）作为具身智能的核心技术路径，正面临严重的“碎片化”挑战。不同团队采用的动作解码范式各异，数据与训练管线深度绑定，评测标准互不统一，导致研究成果难以横向对比，复现成本高昂，这严重阻碍了领域基础模型的迭代与进步。 针对这一行业痛点，开源项目StarVLA并未选择盲目堆砌算
在OpenClaw应用热潮席卷的当下，一个核心的安全隐患正日益凸显：云端隐私数据保护的缺位。想象一下，你刚向模型输入了一段公司的财务数据，下一秒这条敏感信息可能就已经在云端“裸奔”。这种担忧，正驱使着越来越多的用户将目光投向本地终端，期待能“安全养虾”。然而，端侧设备的有限算力，往往难以高效支撑复杂
AI领域再添重磅工具。MiniMax稀宇科技正式推出MMX-CLI，一款专为AI Agent设计的命令行工具。它极大地简化了AI助手调用多模态能力的流程，无论是代码编写、图像创作还是视频生成，都能通过简洁指令轻松完成，显著提升开发与自动化效率。 根据官方发布的信息，MMX-CLI的核心优势在于“开箱
头图由智象未来AI大模型生成智东西作者 王涵编辑 漠影在演唱会、各大晚会的舞台上，机器人伴舞团以整齐划一、精准卡点的舞姿惊艳全场。这种整齐划一不仅是硬件的胜利，更是“训练有素”的结果。具身智
热门专题
热门推荐
资金费率是永续合约锚定现货价格的关键机制。当合约价高于现货价时，多头需向空头支付费用；反之则由空头付费。费率每8小时结算，通过经济激励促使价格回归。持续付费通常表明持有多单且市场处于正费率状态。交易者可结合现货持仓与空头合约进行套利，赚取费率收益。
人力资源经理统筹公司人力资源事务，涵盖招聘、培训等多方面职责，其岗位说明书既是企业选人的标准，也是员工履职的指南。借助AI写作工具，可提升说明书撰写效率。
九号公司发布鼹鼠自平衡2 0与同频双闪两项核心技术。前者通过算法与系统协同实现车辆自主平衡，提升低速与驻停时的操控便利与安全；后者基于统一授时与软总线架构，实现多车灯光精准同步，增强车队辨识与协同体验。两项技术体现了九号在底层智能架构上的系统突破，推动两轮出
想要在《毒液突击队》中解锁“难以捉摸”成就？这项挑战对玩家的潜行技巧要求极高，但只要掌握正确方法，成功触发的难度将大大降低。其核心秘诀在于：保持全程隐匿状态，确保没有任何敌人察觉到你的存在。 成就目标解析 “难以捉摸”成就的达成条件非常严格：在指定的任务关卡中，你必须完全避免进入敌人的“警觉”或“发
推荐系统常因语义、多模态和意图理解不足产生偏差。通义千问系列模型可针对性补强：通过轻量模型重排序提升相关性，多模态模型确保图文匹配，指令模型解析用户行为提炼兴趣标签，OCR提取图像文字，并结合PID控制算法动态融合多源信息，依据实时反馈自动优化权重。