5月29日，一场围绕“智能重构——Token经济商业闭环与治理锚点”的闭门研讨会在北京中关村科技园区东城园举行。无问智科CFO贺敏在圆桌环节分享了对物理AI数据基建与Token商业闭环的思考，核心观点很直白：具身智能想要真正落地，数据基础设施得先跑通。

先说几个核心判断。通用大模型的发展速度已经远超预期，ChatGPT从2024年底至今，整个行业日新月异，连“Token”这个概念都开始融入大众生活——各种AI工具的每一次调用，都在消耗Token资源。但到了物理世界，情况完全不同。具身智能面临的数据稀缺度，远远高于自动驾驶和通用大模型。

贺敏坦言，当前行业最大的瓶颈就是数据困境。通用大模型靠的是互联网多年积累的海量数据，迭代快、成本低；而具身智能需要的数据，真机采集成本高、效率低，无本体数据虽然便宜但场景不可控、分布偏移问题突出，仿真数据则需要真实数据作为基础才能解决sim2real gap。这三类数据各有侧重，没有哪一类能单独扛起训练任务。

针对这一难题，无问智科的核心布局是打造物理AI数据基座，他们自研的平台叫“无垠”，战略框架分三层：采集世界、生成世界、模拟世界。

采集世界解决的是数据的来源问题。行业普遍沿用数据金字塔体系——最顶层是真机数据，质量高但采集难度极大；中间层是无本体数据，通过人类穿戴设备采集工作数据，目前在东南亚、印度以及国内多地都形成了专业的采集工厂，属于新兴的劳动密集型数据产业，成本更低、落地效果也更优；底层则是仿真合成数据，可以用来大规模支撑模型预训练。这三层数据各有价值，但真正的突破在于第二层和第三层——生成世界与模拟世界。

生成世界的核心是自主研发垂类世界模型。目标很明确：让模型自己生成无限丰富的数据，从而赋予机器人预测、判断、推理的高阶能力。而模拟世界则基于这套垂类世界模型和可微分物理引擎，打造了一个机器人专属的世界模拟器。它既能在云端让机器人进入模拟环境学习和测评，也能安装在端侧作为操作系统，让机器人在工作中具备自我学习、自我总结、自我进化的能力。

谈到Token商业闭环，贺敏拆解了无问智科的落地思路。他指出，工业场景机器人落地难，根源在于岗位场景非标、作业流程琐碎。无问智科的应对策略是深度联动3C制造等领域的头部生产企业，协同梳理一线岗位的动作技能、标准化SOP体系、交互物体库等，沉淀出高质量工业数据集。

更值得关注的是商业模式的创新。传统的按工作量和License收费的模式，在AI时代显得格格不入。无问智科计划推出以Token计费的新模式——这意味着客户用得越多、价值越大，付出也就越高。这种模式能有效降低客户的决策和信任成本，提高业务标准化程度，也更直观地展现出产品对下游客户的实际价值。随着垂类世界模型逐步成熟，这种以PaaS为主、按Token消耗量收费的商业模式，有望成为行业新范本。

可以确定的是，随着世界模型技术逐步成熟、落地跑通，数据采集与模型迭代形成的Token商业闭环正在加速成形。物理世界的智能化大门，或许比我们预想的更早敞开。