具身AI数据平台融资背后：汽车软件与座舱体验的下一站

2026-02-13，一条看似“机器人圈”的融资新闻，其实对汽车软件人很刺眼：AgiBot（前智元机器人）旗下具身智能数据平台 Maniformer 宣布完成种子轮与天使轮合计数亿元人民币融资，领投方是红杉中国，跟投包括百度风投、云锋基金等，并将资金投向研发、产能扩张、全球化与高精度数据质量管理体系。

我更关心的不是“谁投了谁”，而是它直指一个行业痛点：具身AI存在 500万小时以上的数据缺口。把这句话换成汽车语境就是——你想让车变得更聪明、更懂人、更安全，最终都得回到同一个底座：数据从哪里来、够不够用、是不是同一种“口径”。

这篇文章放在「人工智能在机器人产业」系列里，我想用 Maniformer 作为案例，把“数据基础设施”这件事讲透：它为什么会影响智能座舱、辅助驾驶、车载语音与个性化体验；中国车企与特斯拉在“AI怎么用”上到底差在哪；以及你在做汽车软件与用户体验时，能立刻用上的几条方法论。

数据基础设施为什么会决定汽车AI的上限？

**结论先说：汽车AI的体验差异，往往不是模型大小决定的，而是数据管道与质量体系决定的。**模型可以换、可以微调，但数据的规模、覆盖场景与标注一致性，一旦落后，用户体验就会出现“聪明一阵、犯傻一阵”的断层。

Maniformer 给出的定位非常明确：要做具身AI行业的数据“底座”，覆盖从真实机器人到非具身、仿真环境的全谱系数据，并提供端到端数据服务，还要建立数据联盟去打破数据孤岛、推动统一系统设计与标准。

把它映射到汽车上，可以拆成三层：

1. 采集层：车端传感器（摄像头、雷达、IMU、麦克风阵列、座椅/方向盘压力与触控等）与车内交互日志。
2. 理解层：多模态融合（视觉+语音+触控+姿态），决定“系统是否理解你”。
3. 闭环层：在线评估、灰度发布、回流标注、数据版本管理与质量审计，决定“系统是否持续变好”。

很多团队把精力都押在第 2 层，但真正拉开差距的，是第 1 层和第 3 层的工程化能力。数据不是越多越好，而是越可控、越可复用、越能闭环越好。

一句话总结：AI体验的稳定性来自数据体系的稳定性。

Maniformer这类“具身AI数据公司”到底解决什么？

**它解决的是“真实世界难以规模化”的问题。**机器人要学会抓取、接触、施力，离不开长时间、跨场景、可复现的训练数据；而汽车想把智能座舱与驾驶体验做到“像人一样懂分寸”，同样离不开海量真实交互与边界场景。

从新闻信息看，Maniformer 的策略有三点，对汽车行业同样适用：

1）从真实场景入手，先把“可用数据”做出来

短期聚焦真实场景数据采集与服务，这是务实路线。因为仿真再强，也很难覆盖真实世界的长尾：方言口音、车内噪声、乘客多人的打断、儿童哭闹、导航与音乐的混音、甚至驾驶员情绪波动导致的交互变化。

对车企来说，座舱AI最怕的是：

• 语音“听得到但听不懂”，尤其在高速风噪/雨噪下
• 多人对话无法区分“谁在说”
• 一句话里既有指令又有吐槽，系统只抓到关键词

这些问题几乎都不是“换个大模型”能立刻解决的，而是需要结构化采集与持续回流。

2）走向跨载体、跨形态的数据——对应汽车的“跨域体验”

Maniformer 提到长期将推动跨具身、多模态（触觉、力觉）数据服务。这对汽车很有启发：未来车内交互不只是语音+屏幕，触觉/力反馈、座椅压力分布、方向盘微振动都可能成为“非语言交互”的一部分。

举个更具体的例子：

• 当驾驶员握方向盘力度异常、踩踏频率紊乱、语速变快时，系统可以把它识别为“紧张/急躁”，自动减少冗长播报、把导航提示变短、把空调与音乐切到更稳定的模式。

这类体验的关键是多模态数据对齐：同一时间轴上，语音、视觉、车控、触控、车辆状态都要能被一致地记录、标注、抽样与回放。

3）数据联盟与标准化——汽车生态会越来越需要

Maniformer 要做“数据联盟 + 交易平台”。在汽车圈，这对应一个越来越现实的命题：

• 车企要与 Tier 1、座舱应用开发者、地图服务、内容平台、乃至机器人/IoT生态协作
• 但数据口径不一致：同一个“唤醒失败”事件，各家埋点定义、日志结构、脱敏方式都不同

如果没有联盟式的标准，最后会变成：每家都在重复采集、重复清洗、重复踩坑。标准化不是理想主义，而是成本控制。

特斯拉 vs 中国车企：AI在汽车软件与UX的两种打法

**直白地说，特斯拉更像“模型与系统一体化的闭环公司”，中国车企更像“生态协同的工程组织”。**两者不分高下，但优劣势很明确。

特斯拉的强项：闭环快、统一口径、端到端思路强

特斯拉长期强调数据闭环与软件驱动：车端统一、回流快速、迭代节奏稳定。它的优势在于“口径统一”：硬件、软件、数据管道相对一致，适合把某些能力做到极致。

中国车企的强项：场景多、生态广、用户需求更碎

中国市场的车型、配置、渠道、用户群体差异更大；车机生态的内容与应用也更丰富。这让中国车企更早面对“跨系统、跨供应商、跨数据域”的现实问题。

这恰好解释了为什么 Maniformer 这类公司会被看重：它提供的不是某个模型，而是让生态协作变得可规模化的“数据基础设施”。

我自己的观点是：未来三年，汽车软件竞争会从“功能多不多”变成“体验稳不稳”。而体验稳定性的前提，是数据体系能否支撑跨车型、跨地区、跨人群的泛化。

把“具身AI数据方法论”用到智能座舱：一套可落地清单

**结论：想提升车载AI用户体验，先把数据当产品做。**下面这套清单，不需要等组织重构，很多团队两个月就能做出变化。

1）建立“体验指标—数据事件—模型版本”的三段式映射

把主观体验变成可追踪对象：

• 体验指标：唤醒成功率、一次说清率、打断后恢复率、误触率、任务完成时长
• 数据事件：每一次唤醒、ASR 结果、NLP 意图、UI 状态、噪声估计、车速与车窗状态
• 模型版本：每次上线关联数据版本与评估集

这样做的好处是：你能回答“这次体验变差是哪里出了问题”，而不是靠感觉。

2）用“长尾样本预算”专门买最难的数据

把采集资源砸在高价值场景上，而不是平均铺开：

• 夜间高速雨雪 + 车内多人对话
• 方言用户 + 音乐外放
• 儿童/老人语音特征
• 复杂指令（比如“导航到上次去过的那家店，顺路把空调调到 23 度”）

这类数据往往数量少、采集贵，但对体验提升的边际收益最高。

3）引入“数据质量管理体系”，像管生产线一样管标注

Maniformer 强调高精度质量管理，这在汽车上尤其关键。建议至少做到：

• 标注一致性抽检（inter-annotator agreement）
• 金标集（golden set）与周期性复测
• 数据漂移监控：不同地区/车型/季节噪声分布变化

别小看季节因素。春节返乡高峰（2026-02 正在发生）会显著改变车内噪声与乘员结构：多人、行李多、路况复杂，这就是最“虐”语音与交互系统的时候。

4）把“仿真”当放大器，而不是替代品

仿真适合做覆盖与回归测试，但真实数据决定上限。更合理的组合是：

• 真实数据发现问题与分布
• 仿真生成可控变体（噪声级别、口音扰动、光照条件）
• 再用真实回流验证泛化

对机器人产业与汽车产业的共同启示：谁掌握数据，谁掌握迭代速度

Maniformer 在 2026 年初注册、很快完成数亿元融资，并提出“数据联盟”的叙事，说明资本与产业都在押注同一件事：具身智能从实验室走向规模化，缺的不是想法，是数据与工程系统。

对汽车软件与用户体验团队来说，这条逻辑同样成立：

• 你想做更自然的语音助手、更聪明的个性化推荐、更稳定的车内多模态交互
• 真正的门槛，是数据能否跨车型、跨地区、跨供应商地持续沉淀

如果你正在规划 2026 年的座舱AI或车载大模型路线，我建议把预算的一部分从“再训一个更大的模型”挪到“把数据闭环做完整”。体验会更稳，投诉会更少，迭代也更快。

最后留个更现实的问题：当“数据联盟 + 交易平台”进入汽车生态，你的团队愿不愿意把数据标准开放到什么程度，来换取更大的协作收益？