仙工智能如何构建具身智能的数据壁垒与模型闭环？

仙工智能通过其独特的“机器人大脑”架构和平台化商业模式，构建了在具身智能领域稀缺的数据壁垒。其核心逻辑在于利用统一的大脑底座覆盖多种机器人构型，从而在规模化商业部署中自然沉淀高质量的真机数据。

首先，在数据获取的真实性与完整性方面，仙工智能的机器人大脑由“模型+小脑+神经”构成，贯穿了感知、决策、运动控制与执行反馈的全链路。这意味着机器人在真实商业环境中运行时，产生的数据不仅包含环境感知信息，还包含任务触发、策略决策、动作执行及最终结果等完整的物理交互闭环。相较于仅包含示范过程的遥操作数据或仿真数据，这种On-policy的真实运行数据更贴近最终部署场景，能够自然保留任务成败、策略调整及Corner Case等信息，有助于模型学习真实世界中的因果反馈关系。

其次，在数据的多样性与一致性方面，公司通过“一脑多形”策略解决了跨本体数据对齐的难题。目前搭载仙工大脑的产品已覆盖纯搬运、具身叉车、清洁机器人、复合机器人、轮式人形及机器狗等几十种构型。由于不同构型的机器人均通过同一大脑进行控制，且公司主动适配400多种核心零部件，使得不同构型回传的数据在时间戳及数据格式方面天然具有较高的一致性。这种统一的数据入口降低了多构型数据的异构程度，使得跨本体的知识迁移成为可能，从而扩大了模型的泛化边界。

最后，在数据的可持续性与闭环机制方面，商业化装机的规模效应确保了数据的持续产生。截至2025年12月，已有超过5万台搭载仙工大脑的机器人在全球真实场景中运行，累计多形态真机数据超过50万小时。当异常数据或新场景数据回流后，公司可以基于新数据迭代策略，再将更新后的模型重新部署至机器人，并进一步观察新策略下的真实执行结果，由此形成“运行—反馈—训练—更新—再运行”的持续闭环。这种机制使得模型能够伴随机器人的实际运行不断更新，应对动态开放物理世界中的长尾问题。

长期来看，这一数据飞轮是公司向通用具身大脑演进的基础。公司计划汇聚跨硬件、跨构型真机数据与仿真、遥操作等多源数据，探索泛工业和商业World Model，并通过“阶梯计划”进一步扩大真实世界机器人部署规模，推动“装机—数据—模型—能力—再装机”的正向循环，最终实现从垂类模型向通用具身智能平台的升级。