人形机器人创业最容易获得关注的，通常是那些能够跑步、跳舞、叠衣服甚至打拳的机器。

但在这些光鲜的演示视频背后，一门不那么性感的生意正在迅速升温：雇人一遍遍拿起杯子、折叠衣服、整理餐具，再把这些动作变成机器人可以学习的数据。

2026年9月，机器人训练数据公司XDOF成为这条赛道上最新的资本焦点。

据TechCrunch报道，XDOF正在就新一轮融资进行后期谈判，8VC可能领投，公司估值约为12亿美元。距离它在今年6月走出隐身模式，才过去不到三个月。

需要强调的是，截至相关报道发布，这轮融资尚未最终完成，融资金额和具体条款仍可能发生变化。因此，“12亿美元估值”目前更准确的说法，是资本市场正在讨论的价格，而不是已经落袋的结果。

但投资人如此急迫并非毫无依据。

报道称，XDOF的年化收入已经接近5000万美元，服务约20家客户，其中包括一些未公开名称的前沿AI实验室。就在6月，公司刚刚宣布完成7000万美元融资，投资方包括Thrive Capital、Spark Capital、Andreessen Horowitz、Lux Capital和WndrCo。

一家2024年才成立、不生产人形机器人，也不发布基础模型的公司，为什么能在如此短的时间内被推到独角兽门口？

答案可能是：当所有人都在争夺机器人时代的“OpenAI”时，XDOF选择先做机器人时代的“数据工厂”。

一

机器人缺少的不是知识，

而是“身体经验”

大语言模型的崛起，很大程度上建立在互联网已经积累的大规模文本、图片和代码之上。

模型不需要亲自写一本书，也不需要真的经营一家商店，就可以从人类留下的数字痕迹中学习语言、知识和推理模式。

机器人面对的世界却完全不同。

互联网上有无数关于“如何折叠一件衬衫”的文字和视频，但机器人需要知道的远不止这些。

它需要判断衣服的材质和形状，计算机械臂的运动轨迹，控制夹爪力度，识别衣角是否滑落，并在动作失败时重新抓取。摄像头看到了什么、关节如何移动、夹爪何时闭合、动作最终是否成功，都需要被同步记录。

普通视频只能告诉机器人“人做了什么”，却未必能够直接告诉它“机器应该如何动”。

因此，一段有价值的机器人训练数据，通常需要同时包含图像、深度信息、关节状态、机械臂轨迹、夹爪开合、动作指令和任务结果。部分精细任务还需要触觉、力度和空间位置等信息。

更棘手的是，这些数据很难像网页文本一样直接抓取。

要获得一条可靠的机器人操作轨迹，往往需要真人操控机器人完成任务；如果动作失败，还需要重新摆放物品、校准设备并再次操作。机器人不同，传感器、机械结构和控制接口也可能不同，同一套数据未必能够直接复用。

这使机器人训练数据变成了一种昂贵的实体生产活动。

语言模型消耗的是互联网已经存在的数据资产，而机器人需要人类重新为它生产一套关于物理世界的“动作互联网”。

XDOF瞄准的正是这个缺口。

二

XDOF卖的不是动作视频，

而是一座“数据工厂”

XDOF由来自加州大学伯克利分校的研究人员Philipp Wu、Fred Shentu等人创立。

在成立公司之前，两位创始人参与开发了GELLO，一套低成本机器人遥操作系统。它利用3D打印部件和通用电机，制作出与目标机械臂结构相似的控制设备。

人类推动小型控制器，真实机械臂便可以同步完成相应动作。根据GELLO论文，一套控制设备的物料成本可以控制在300美元以内，并且比VR手柄等低成本方案更适合采集复杂、接触密集的操作数据。

这项研究后来成为XDOF商业模式的技术起点。

公司的数据业务大致可以分为三个层次。

第一层，是直接在客户的机器人上进行遥操作。

XDOF部署设备和操作人员，在客户指定的机器人、场景和任务中收集数据。这类数据与客户的真实产品最匹配，商业价值也最高，但成本高、扩张速度慢。

第二层，是利用标准化机器人和遥操作设备，大规模生产较为通用的操作数据。

这些数据不一定只服务某一个客户，可以覆盖折叠、抓取、放置、整理、擦拭等常见技能，更接近机器人基础模型需要的通用训练材料。

第三层，是采集人类第一视角动作数据。

采集者佩戴摄像头或动作传感器，完成包装、叠衣服、整理物品等日常任务。虽然这些数据并不是由机器人本体产生，却可以用更低成本扩展任务和场景的多样性。

XDOF真正销售的，也不只是最后生成的数据文件。

机器人数据采集涉及硬件维护、操作员培训、任务设计、设备校准、数据同步、质量检查、失败标注和格式转换。任何一个环节出现误差，都可能让数百小时的数据无法使用。

因此，客户购买的是从机器人和操作人员，到数据清洗、标注、评估和交付的一整套生产能力。

XDOF将自己定义为“机器人基础设施公司”，而不是单纯的数据标注公司。它还推出了Foundry数据平台，供客户浏览样本、管理上传内容和调用完整数据集。

今年6月，XDOF与学术机构合作开放了ABC-130K数据集。根据其公开数据页面，该数据集包含超过13万条双臂机器人操作轨迹，总时长约3590小时，覆盖图像、机械臂关节状态、夹爪状态和任务指令等信息。

开放这批数据，表面上是在帮助机器人研究社区，实际上也像是一份产品样品：先让外界看到XDOF能够生产什么，再向商业客户出售更大规模、更具针对性的数据服务。

三

5000万美元年化收入，

说明谁已经愿意付钱

XDOF最吸引资本的，并不只是“机器人数据”这个故事，而是据报道已经接近5000万美元的年化收入。

这个数字意味着，在人形机器人尚未形成大规模商业收入之前，位于产业上游的数据服务商已经找到了愿意付费的客户。

机器人公司和前沿AI实验室为什么不自己完成这些工作？

首先，数据采集是一项极其消耗运营能力的工作。

企业不仅需要购买机器人，还需要建设场地、维护设备、训练操作人员，并保证不同时间、不同设备产生的数据能够保持一致。实验室也许可以采集几百小时数据，但要把规模提高到几千甚至几万小时，就会变成另一种组织能力。

其次，机器人行业仍在快速试错。

一家创业公司可能同时测试多个机械臂、传感器和模型。如果每一次改变技术路线都要重新建设数据团队，固定投入将非常高。外包给XDOF，相当于把部分固定成本变成可以随项目调整的采购成本。

第三，机器人数据对质量的要求远高于一般图片标注。

XDOF曾在内部实验中发现，给叠衣服模型加入更多“成功示范”后，模型表现反而下降。原因是一些表面上成功的数据，中间包含无效移动、反复抓取和停顿，模型把这些噪声也当成了正确策略。

这意味着机器人数据不是越多越好。哪些动作有效、失败发生在哪里、任务是否真正完成，都需要结合机器人和模型进行判断。

客户购买的不是廉价人力，而是对数据生产流程的理解。

不过，5000万美元的数字也需要谨慎看待。

相关报道使用的是“年化收入”而不是经过审计的年度收入，也没有说明其中有多少是稳定订阅收入、多少来自一次性数据项目、硬件交付或者定制服务。

如果一家公司的收入主要来自为少数大客户建设专属采集系统，那么当前收入可以增长很快，但未必拥有软件公司那样的高毛利和可复制性。

按照12亿美元估值与5000万美元年化收入粗略计算，XDOF的估值约为当前收入运行速度的24倍。

资本显然不是按照一家普通外包公司的价格为它估值，而是在押注XDOF最终能够把劳动密集的数据采集，转化为标准化平台、可重复出售的数据资产和持续运转的数据网络。

四

“机器人时代的Scale AI”，

也可能只是一个阶段性生意

XDOF经常被形容为“物理AI时代的Scale AI”。

这个比喻很好理解：Scale AI在大模型浪潮中帮助科技公司采集、清洗和标注数据，XDOF则希望在人形机器人时代占据相似位置。

但机器人数据生意可能比大模型数据服务更加复杂。

第一个挑战，是客户可能最终选择自己生产核心数据。

对于通用AI实验室和头部机器人公司来说，真实运行数据不仅是训练材料，也是最重要的竞争资产。如果机器人在工厂和家庭中持续产生数据，公司可能更愿意把采集、模型训练和产品部署放在同一个闭环中，而不是长期交给第三方。

XDOF的机会窗口，可能出现在行业早期：多数公司急需数据，却没有能力迅速建立完整的数据生产线。

但随着头部企业规模扩大，这些客户究竟会继续外包，还是把数据能力收回内部，仍没有答案。

第二个挑战，是不同机器人之间的数据复用程度有限。

语言模型可以共同学习同一份文本，但机械臂的长度、自由度、夹爪结构和传感器配置各不相同。为某款机器人采集的数据，迁移到另一款机器人时可能需要重新适配。

如果跨本体学习迟迟不能成熟，XDOF就需要持续为不同客户生产定制数据，其商业模式会更加接近项目服务，而不是“一份数据重复销售”。

第三个挑战，是数据采集仍然依赖大量硬件和人工。

建立仓库、购买机器人、维修设备、培训操作员都会消耗资金。业务增长越快，场地和人员也可能同步增加。

如果收入增长必须伴随相近速度的成本增长，那么它就难以获得平台软件常见的规模效应。XDOF能否提高毛利率，关键要看它能否通过自动质量检测、统一数据格式和标准化设备减少人工投入。

第四个挑战，来自替代技术。

仿真环境、合成数据、普通人类视频、可穿戴设备以及机器人的自主探索，都在尝试降低对真人遥操作的依赖。未来的数据结构可能是少量高质量真实操作，加上大规模仿真和人类视频，而不一定需要无限增加遥操作时长。

XDOF自己也在向人类第一视角数据和自动评估工具扩张。这说明公司知道，单纯依靠人类遥控机器人，很难支撑长期估值。

更现实的竞争也已经出现。Mecka等创业公司同样把自己定位为“物理AI的数据与部署层”，试图从人体动作、传感器信息和真实场景中建立机器人训练数据。

这场竞争最终比拼的不会是谁拥有最多视频，而是谁能够证明：自己的数据可以让机器人更快学会任务，并在真实环境中稳定工作。

五

对中国机器人产业来说，

真正的机会也许不只在“造本体”

XDOF受到资本追捧，对中国机器人产业同样具有启示。

中国已经拥有密集的机器人供应链和大量潜在应用场景。在电商仓库、制造工厂、餐饮门店、物业服务和家庭环境中，存在海量可以被机器人学习的真实任务。

但“拥有场景”并不等于“拥有数据资产”。

如果工厂里的操作过程没有被标准化采集，如果不同机器人使用的数据格式互不兼容，如果数据只停留在单个项目中，那么再丰富的场景也很难形成可以反复利用的模型能力。

中国企业当前普遍重视机器人本体、关节、减速器和运动控制，却可能低估数据生产体系的价值。

未来更重要的问题包括：谁负责定义任务，谁采集失败过程，谁拥有工厂运行数据，数据能否跨机器人迁移，以及这些数据如何持续回到模型训练中。

对于机器人厂商来说，卖出一台设备只是开始。真正能够拉开差距的，是设备进入真实场景后，是否能够持续产生数据、改善模型，再将改进后的能力部署到更多机器人上。

对于创业公司来说，机会也未必是复制一家XDOF。

中国更现实的方向，可能是围绕优势产业建立垂直数据体系：为汽车工厂采集装配和质检数据，为电商仓库采集分拣和包装数据，为餐饮场景采集制作和清洁数据。

数据不一定需要覆盖所有机器人，只要能够在一个高价值场景中证明模型成功率和部署效率，就可能形成商业价值。

与此同时，数据采集还会涉及员工隐私、劳动过程记录、商业秘密和跨境传输。如果摄像头长期记录工人如何工作，谁拥有这些动作数据、员工是否知情、数据能否用于训练其他客户的机器人，都需要提前建立规则。

结语

XDOF的快速崛起，呈现了机器人浪潮中一个颇具“名利场”意味的现象。

舞台中央是会奔跑、会跳舞的人形机器人，舞台背后却是成百上千名操作人员，不断重复抓取、折叠、擦拭和整理，把人类习以为常的动作拆解成机器可以理解的数据。

当所有人都在寻找机器人时代的基础模型时，资本开始意识到：模型并不是唯一稀缺品，能够规模化生产物理世界经验的组织同样稀缺。

XDOF的12亿美元估值，押注的不是今天的数据外包收入，而是一种更宏大的可能性——它能够成为机器人模型、本体和真实场景之间的基础设施。

但这笔账目前仍没有完全算清。

新一轮融资尚未最终完成，接近5000万美元的年化收入也不能直接等同于高质量的经常性收入。客户是否会长期外包核心数据、不同机器人之间的数据能否复用，以及劳动密集的采集业务能否获得平台级利润，都会决定XDOF最终是一家基础设施公司，还是机器人热潮中的高端数据服务商。

在每一次技术淘金潮中，卖铲子的人往往最先获得收入。

但不是每一家卖铲子的公司，都能成为矿山的主人。

XDOF接下来需要证明的，已经不是机器人是否需要数据，而是自己能否控制数据从采集、清洗、评估到模型改进的完整循环。

真正值12亿美元的，不是那13万段机器人动作，也不是仓库里的遥操作设备。

而是让每一次动作，都能变成下一代机器人学习能力的那套系统。

资料说明：

XDOF新一轮融资、估值、客户及年化收入信息参考TechCrunch 2026年9月4日报道；

该轮融资仍处于谈判阶段。

公司定位与业务信息参考XDOF官方网站及Foundry数据平台。GELLO技术信息参考公开论文。

ABC-130K规模及数据结构参考XDOF公开数据集页面。数据质量实验参考XDOF发布的机器人数据研究。