诺亦腾机器人两年营收暴涨 40 倍，靠的不是多卖了多少设备，而是先把“数据公司”这件事做明白。建筑业的智慧工地，同样需要从设备思维升级为数据思维，才能真正让 AI 落地。
机器人数据爆发，让建筑业看清一件事
2024 年，诺亦腾在机器人相关业务上的营收两年暴涨近 40 倍。这不是一个简单的“热点赛道”故事，而是一个信号：谁先把数据这件事做对，谁就有资格谈 AI 能力。
戴若犁把诺亦腾机器人业务单独拆出来，做一家“机器人的数据公司”，而不是“设备公司”。这一步，其实给了建筑行业一个很直接的参考：
智慧工地要的不是“买几套 AI 摄像头”，而是要一整套“面向未来 AI 模型的数据能力”。
这篇文章，我会先拆解诺亦腾机器人是怎么把“动作捕捉 + 具身智能”做成一个高增长的 To B 数据业务，再对照中国建筑行业的实际情况，给出一套更务实的 智慧工地数据策略：
- 为什么“设备思维”会拖慢建筑企业的数字化
- 具身智能的数据方法论，如何迁移到智慧工地
- 建筑企业做 AI 时，组织、商业模式该怎么设计
- 2026 年之前，建筑企业适合做哪三类数据建设
如果你现在负责建筑企业的信息化、智慧工地、数字化转型，这篇可以当作一份“绕坑指南”。
一、诺亦腾的选择：先把“数据”这件事做清楚
诺亦腾机器人的本质，是一家“数据公司”，不是机器人硬件公司。
戴若犁讲得很直接：
卖设备、卖项目，只是“交个朋友”，真正的交易界面是“数据本身”。
1.1 从个位数营收到 40 倍增长：拐点来自“数据需求形态”
过去十几年，诺亦腾的动作捕捉设备主要服务：
- 影视特效
- VR 互动
- 医疗康复
这些行业的数据，通常是按“秒”计费的，小而精；而从 2023 年下半年开始，机器人公司对数据的需求突然变成：
- 单位：小时、万条、百万条
- 需求量级：十万小时、百万小时
这背后本质上是一个认知差异：
- 影视行业：一次性项目，少量高精数据
- 机器人行业：模型训练，持续性、规模化数据
建筑行业现在普遍还停留在“影视模式”：
做一期智慧工地项目，装一批摄像头，搞一套平台，交付一次就结束。
而具身智能和诺亦腾走的是“机器人模式”：
围绕模型持续训练，按年、按月积累数据资产，越积越值钱。
建筑企业如果还把智慧工地当成“一次性工程项目”，其实已经输在起跑线上。
1.2 数据公司与设备公司的根本差别
在诺亦腾机器人的逻辑里：
- 设备：只是采数据的工具，可以自己投 Capex
- 服务：只是帮客户把前端链路打通
- 真正的产品：可复用、可跨客户的数据集与数据能力
套到建筑业就是：
- 摄像头、传感器、边缘网关，不应该是收入终点
- 真正的资产，是可以跨项目、跨工地、跨区域复用的：
- 安全行为数据集
- 施工工序过程数据集
- 机械设备运行与故障数据集
大多数建筑企业现在做数字化，容易踩的坑就是：
把“买设备、上平台”当成目标，而不是把“形成自身的数据能力”当成目标。
二、具身智能的数据方法论，对智慧工地的启发
戴若犁反复强调一件事：
真机数据很重要，但不能跨本体；真正能跨本体、可规模化使用的是“真实的人类行为数据”。
这句话如果放到建筑场景里，非常有参考价值。
2.1 真机数据 vs 真实数据：建筑版翻译
在机器人领域：
- 真机数据：直接在具体机器人本体上采集的遥操作、强化学习数据
- 真实数据：人类佩戴动捕设备、传感器采集的自然操作数据
为什么真机数据不能跨本体？
因为：每一台机器人在传感器布置、驱动特性、关节比例上都不同，数据迁移损失巨大。
建筑里很像：
- 某一个品牌塔吊的传感数据
- 某一型号挖机的动作曲线
- 某个工地的特殊施工工艺
这些数据在单项目优化上很好用，但跨公司、跨项目时效果骤降。
相反，如果你抓的是：
- 工人绑扎钢筋的动作流程
- 架子工搭设与拆除脚手架的安全动作
- 现场指挥、协同的语音与行为模式
这些更像“人类行为真实数据”，可以跨项目、跨区域迁移使用，对行业级 AI 模型价值更大。
2.2 仿生视角：先想“人怎么干活”，再想“AI怎么学”
戴若犁在规划机器人数据时，没有先问“客户要什么”，而是先问：
人在完成一个任务时，需要哪些输入模态？
例如：端起一杯咖啡到喝下去：
- 视觉：定位杯子、判断距离
- 姿态：手臂的轨迹、身体平衡
- 触觉：握持力度，杯子是否打滑
- 力觉：重量变化、碰撞反馈
建筑企业在做智慧工地时，常见的错误是：
先罗列一堆“功能需求”，比如：实名制、安全帽识别、危险区域告警……
更有效的做法是：
先从“人执行任务”的视角拆解数据需求。 例如：
-
场景：高支模搭设
- 人眼：如何判断支撑是否牢固？
- 动作：什么是“标准姿态”，什么是“危险姿态”？
- 声音：现场沟通中，什么样的语气、用词预示风险升级？
-
场景：塔吊协同吊装
- 指挥手势、口令的规范数据
- 司机视角的视频与操作轨迹
- 风速、载荷、吊点等传感信息
你会发现，一旦采用“仿生视角”，智慧工地不再是堆摄像头，而是一套多模态数据设计工程：
- 视频（单目 / 双目）
- 行为姿态
- 语音与环境声
- 结构应力、位移、振动
- 机械运行状态
2.3 数据金字塔：建筑行业版应该怎么搭
在 GAIR 上，戴若犁会讲“具身智能数据金字塔”，大致包括：
- 遥操作数据（Tele-op）
- 多样化人本数据（Human-centric）
- 互联网数据
- 合成仿真数据
如果把它迁移到建筑行业，可以做一个“智慧工地数据金字塔”：
-
现场真实行为数据（Human-centric）
- 工人作业过程的多模态记录
- 班组长、安全员的巡检行为
-
设备与环境运行数据（类似 Tele-op + 传感）
- 塔吊、升降机、挖机的操作与状态
- 环境监测：噪声、扬尘、温度、风速
-
工程文档与设计数据（行业互联网数据）
- BIM 模型、施工组织设计
- 技术交底、质量标准、验收记录
-
仿真与生成数据（Synthetic）
- 基于真实数据做场景仿真：
- 高坠、坍塌、碰撞等危险场景
- 工序错序、资源冲突的模拟
- 基于真实数据做场景仿真：
关键点是：
仿真、世界模型的数据作用，是对真实数据的“增广和补全”，而不可能直接取代真实工地数据。
对建筑企业来说，如果你现在连第 1 层和第 2 层的数据都没体系化采集，就谈“大模型 + 世界模型解决智慧工地”，只能算 PPT 阶段。
三、To B 数据业务：对建筑企业数字化组织的三点建议
诺亦腾机器人的业务，本质是一个 高壁垒、强交付、重运营的 To B 数据服务。这对建筑企业做智慧工地，有几条非常直接的启示。
3.1 把“项目部 + 信息化部”升维成“数据事业部”
诺亦腾做法是：
- 单独拆出机器人数据公司
- 独立融资、独立团队、独立目标
建筑企业在组织上可以做一个简化版：
- 在集团层面设立 “智慧工地与数据中心”，而不是简单的信息化科
- 职责从“买系统、运维平台”，升级为：
- 设计公司级数据标准与标签体系
- 规划工地多模态采集方案
- 负责跨项目的数据沉淀与复用
只要还是“项目部各搞一套系统”，你永远只能得到一堆孤岛平台，而不是可训练的行业数据资产。
3.2 不要把自己做成“弱势外包商”
传统自动驾驶和大模型的数据公司，在甲方面前经常只是“人力外包”：
- 甲方掌握车队和原始数据
- 乙方做标注和简单处理
戴若犁现在刻意绕开这种模式，原因很现实：
这种模式的溢价空间有限，难以形成自己的核心能力。
建筑企业如果完全把数据生产外包给第三方：
- 供应商掌握采集规范与标签体系
- 模型训练过程你看不见，长期被绑定
更好的做法是：
- 硬件采购可以外包
- 算法可以合作
- 但数据标准、标签体系、关键样本库要掌握在自己手里
你可以像戴若犁说的那样，让供应商“交个朋友”，帮你把链路打通，但别把数据主权也交出去。
3.3 明确目标：不是为了“上 AI”，而是为了“解题”
戴若犁说：“做大不是目标，解决行业问题才是目标。”
对建筑企业而言，你的智慧工地数据业务，永远要围绕几个非常具体的“KPI 问题”来设计：
- 重大安全事故发生率
- 质量通病发生率
- 工期偏差、返工比例
- 机械停机率与维修成本
然后再反推：
- 为了降低脚手架坍塌风险，我们需要哪些模态的数据？
- 为了减少混凝土蜂窝麻面，需要覆盖哪些工序的影像与传感？
不是为了“有 AI 可用”，而是为了“这几个数字每年能看见实打实的变化”。
四、建筑企业现在可以做的三件“数据正事”
结合诺亦腾机器人的经验，以及当前中国建筑业的现实约束，2026 年前，建筑企业在智慧工地上可以务实地做三件事。
4.1 从一个工种、一个危险源场景，做出“标杆级数据集”
不要一上来就想“全场景覆盖”。
可以选：
- 高处作业（坠落风险最大）
- 起重吊装（协同复杂）
- 深基坑施工（土方、支护、降水）
以“高处作业”为例：
- 明确目标：三年内减少 30% 高处作业事故
- 设计数据模态：
- 俯视 + 仰视双目视频
- 人体骨骼点姿态
- 安全带、安全帽佩戴状态
- 作业区域边界、洞口遮护状态
- 形成数据集：
- 正常作业样本
- 违规操作样本
- 隐患状态样本
一旦有了一个行业级的高质量数据集，你就有资格谈：
- 安全行为识别模型
- 风险预测与预警
- 智慧工地在集团内的规模复制
这和诺亦腾从“大量人类动作数据”入手，再服务不同机器人本体，是一脉相承的。
4.2 建一条“小而精”的数据工厂试验线
诺亦腾的数据工厂不是简单的“多装几台动捕设备”，而是一整套：
- 采集
- 校准
- 预标注
- 维度增广
- 模态补全
建筑企业可以先在一个示范工地，搭一个“小而精”的智慧工地数据工厂：
- 固定拍摄点 + 可移动摄像头
- 现场作业佩戴式终端（如安全帽摄像头、腰间 IMU）
- 与 BIM、进度计划打通
目标不是一下子覆盖所有场景，而是：
先把“从采集到可训练数据”的完整链路打通，跑通流程，形成标准。
4.3 预留与世界模型、仿真平台对接的“接口”
未来 2–3 年，世界模型和仿真平台在建筑领域肯定会加速落地：
- 施工方案在虚拟工地里先跑一遍
- 安全风险在仿真环境中推演
- AI 助理在“数字孪生工地”里学习规则
但正如戴若犁所说：
世界模型更多负责“规则”，真实数据承载“大量人类先验”。
所以与其现在就纠结选哪家仿真平台，不如先在数据侧做几件事：
- 所有视频数据保留空间位置信息（机位、角度、标定）
- 所有事件数据（安全、质量）与时间、空间、工序强绑定
- 给未来的仿真 / 世界模型，留出高精度、可回放的真实样本库
这样，当你真正上马世界模型或行业大模型时，不是从零开始，而是带着成体系的“工地记忆”进入下一阶段。
结语：智慧工地，真正的竞争在“数据层”
诺亦腾机器人这两年在具身智能上的爆发，说白了就一句话：
把“设备公司思维”升级成“数据公司思维”，然后踩在 AI 浪潮正中间。
中国建筑行业的 AI 应用、智慧工地建设，现在其实也走到了一个类似的关口：
- 继续停留在“装设备、上平台、做示范工地”，效果会越来越边际递减
- 提前布局“数据金字塔 + 小型数据工厂 + 明确业务指标”，未来三到五年会拉开一整个量级的差距
如果你现在负责企业的智慧工地、数字化或者信息化工作，可以先问自己三个问题：
- 我们企业真正可用于训练 AI 的自有数据集，有多少？
- 有没有哪个场景，已经形成了可跨项目复用的高质量数据？
- 明年我们是不是可以只盯住一个安全或质量场景，把它做到“行业最懂数据的那一家”？
答案不需要今天就完美，但方向必须今天就校正。
建筑业的 AI 争夺战，表面上比的是谁的算法好、平台炫，底层比的其实是：谁敢先把“智慧工地的数据能力”当成一门真正的长期生意来做。