专家经验批量变AI数据：专访本原智数李逆勇

同样做数据服务，数据公司的毛利率可以低于20%，也可能超过80%。李逆勇把这组差距归结为三个角色：按照客户规则加工数据的施工队、独立生产数据集的供应商，以及能够诊断模型短板的数据顾问。越接近模型能力诊断，数据公司的定价权越高。

大模型进入金融、法律、医疗和具身智能等专业领域后，一个更困难的问题被推到数据公司面前：模型到底缺什么数据？客户可能拥有百万条原始数据，却无法判断应该留下多少、如何组合，以及哪些数据能够真正提升模型能力。

数据生产已经不只是人员组织和项目管理，更需要对模型能力和数据价值作出判断。

本原智数创始人兼CEO李逆勇认为，数据公司的核心任务，是把人类知识与经验萃取出来交给模型。数据形态会随着语音、视觉、大语言模型和具身智能不断变化，模型评测、专家组织、数据工程和真实场景触达能力才能帮助公司穿越周期。

基于这一判断，本原智数推出原测、原识、原智、原物四个平台，覆盖模型评测、专家数据生产、智能体落地和具身数据服务。李逆勇认为，未来数据公司最值钱的交付物，可能不是一批数据，而是对数据的判断。

本次访谈，爱分析与李逆勇围绕数据定义权、专家经验规模化、企业AI落地分工和具身数据路线等话题进行了一次深度交流。

核心观点

数据公司正在从“施工队”走向数据标准共建者。视觉和自动驾驶时代，数据标准主要由算法团队定义；当模型进入金融、法律、医疗等专业场景，行业专家开始参与定义数据质量，数据公司也由被动执行者转向模型评测和数据方案设计。

专家数据最难的问题，不是找到专家，而是判断模型究竟缺什么数据。专家供给的效率可以通过组织和工具改善，但什么样的数据能够提升模型、多少数据才有效，目前仍缺少标准答案。

具身数据不存在脱离训练阶段的绝对价值排序。李逆勇认为，预训练首先追求“质量够用、价格足够低、规模足够大”；进入中训练和后训练后，再逐步增加UMI、真机遥操作等更高质量、成本也更高的数据。

数据认知将成为AI数据公司的第一竞争力。模型评测和数据洞察决定应该生产什么数据，数据工程决定能否把它生产出来，专家与原始数据资源决定供给规模。只有后两层能力，数据公司仍容易停留在挣“辛苦钱”的阶段。

1、数据公司要具备跨越模型周期的能力

爱分析：本原智数为什么选择在同一时间推出四个平台，同时涵盖模型评测、专家数据生产、智能体运营和具身智能？

李逆勇：我一直在思考，模型数据公司本质上在做什么。我的答案是，把人类的知识和经验萃取出来，交给模型。数据公司真正要回答的，是哪些知识和经验值得被萃取，以及怎样更高效地萃取。

回看过去十多年AI的发展，每个阶段需要萃取的人类知识都不一样。语音模型学习语音与文本的映射，视觉模型学习图像中的知识，自动驾驶模型学习人类驾驶员的经验，大语言模型则主要从语言中学习人类对世界的理解。

但语言是人类对世界的一种压缩。你可以用文字告诉模型，铁球落下时会受到重力加速度影响，但一段真实视频可能更直接地告诉它物体如何运动。随着语言所能传递的信息逐渐显出边界，世界模型和具身模型开始需要理解真实物理世界中的动作与交互。

所以，我不认为一家数据公司应该把自己限定在语音、文本或视觉中的某一种数据形态上。数据形态会随着模型变化，但萃取人类知识和经验这件事不会变。本原智数因此把自己定位为AI全生命周期数据服务商，建设能够服务不同模型、不同阶段的基础能力。

四个平台对应的是一条完整链路。原测先评估模型或智能体的能力边界，找到能力缺失和数据短板；原识组织、培训和辅助专家生产高质量数据；原智把模型能力适配到企业的实际问题中；原物则面向世界模型和具身智能，采集、加工物理世界中的交互数据。

爱分析：为什么强调“全生命周期”？过去积累的数据能力，不能自然迁移到新的模型周期吗？

李逆勇：不一定。过去的行业已经证明，每进入一个新周期，原来的数据公司都会面临挑战。语音、视觉、自动驾驶各自都曾出现表现很好的数据服务公司，但模型转向大模型、世界模型和具身智能以后，原来建设的数据能力能否迁移过来，需要重新检验。

我们更关注几项能够跨越周期的基础能力：模型评测能力，专家调度和管理能力，对企业场景的理解能力，以及对物理世界的触达能力。具体的数据形态会变化，但这些能力可以持续积累。

爱分析：这四个平台目前主要是内部生产工具，还是面向外部客户销售的产品？

李逆勇：现阶段更多是对内使用，我们保留了对外开放和私有化部署的可能性。本原智数首先是一家数据公司，主要交付物仍然是数据集，这些平台目前主要用于提升内部的数据生产和交付能力。

平台也不是替代人的“全自动机器”，而是人机协同工具。通过交互界面、预标注和流程设计，专家生产同类数据的效率可以提升数倍，但人的判断仍然在其中发挥作用。

我们还会持续投入自动化能力。现在，公司实际承接的项目还不到客户订单需求的五分之一，限制我们的不是需求，而是交付能力。未来三到五年，我们都会继续投入，希望通过更自动化的流程，更快地生产客户需要的数据。

2、从“按图施工”到共建标准，数据服务的价值正在前移

爱分析：一般数据公司是在客户提出需求后组织交付，本原智数为什么要从模型评测开始？

李逆勇：一方面，我们希望向更高价值的环节移动，如果能够参与定义数据标准，定价能力自然会更强；另一方面，这也是我们在与客户合作中看到的实际变化。

视觉和自动驾驶时代，即使标注规则很复杂，普通人经过培训通常也能理解。行业最顶尖的算法人才集中在模型公司，数据质量标准也主要由算法人员定义。数据公司承担的是算法团队不愿意自己做的“脏活累活”，更像一个按图施工的施工队。

大模型进入企业生产后，情况变了。一个模型要解决金融、法律、医疗或咨询问题，什么是高质量数据，不再完全由算法人员定义。什么是一份好的分析报告、怎样判断一个医疗结论是否专业，需要金融、法律和医疗专家参与。

算法团队不再垄断数据标准的定义权，行业专家开始进入数据生产。与此同时，数据公司的人才密度也在提高，可以与模型公司进行更平等的讨论，由此有机会从被动执行者变成数据标准的共建者。

爱分析：这种变化会怎样改变模型公司与数据公司的合作方式？

李逆勇：我在2024年提出过三类合作方式，现在基本得到了验证。

第一类还是“施工队”。甲方提供原始数据和加工规则，数据公司严格按照要求执行。这个阶段同质化严重，毛利率已经降到20%以下。

第二类是购买数据集。甲方知道自己需要某类数据，但不再提供完整的生产图纸，数据公司决定如何采集、加工和组织交付。这个阶段，毛利率大致可以达到50%。

第三类更接近咨询。甲方只知道模型的某项能力需要提升，但不知道需要什么数据。数据公司先评估模型短板，再给出数据方案，并通过评测证明这批数据带来了怎样的能力变化。这个阶段的毛利率可能达到80%以上。

本原智数正在从第二类向第三类转型。计费方式仍然可以按数据结算，但当数据公司能够判断模型缺什么、定义数据方案并验证效果时，数据的价值就会明显不同。

爱分析：这是否意味着数据公司正在获得更多数据标准的定义权？

李逆勇：更准确地说，定义权正在流动。数据公司服务的模型厂商不止一家，能够看到不同模型的优势和短板；同时，数据公司也可以连接高校实验室、律所、投行和各类行业专家，共同建立新的数据标准。

模型公司有自己的技术视角，行业专家有专业判断，数据公司则在不同客户、不同专家和不同数据生产链路之间积累经验。它不是单方面取代谁，而是让数据标准从单一算法视角变成多方共建。

3、专家数据最难的，不是找专家

爱分析：专家经验如何转化为可规模化生产的数据？

李逆勇：我们目前把专家数据生产拆成三条路径。

第一条，顶级专家直接生产数据。数据公司要做的是找到合适的专家，帮助他们理解模型需要什么知识，再通过工具和流程提高生产效率。

第二条，大专家搭框架，小专家做生产。以医疗为例，有些任务需要主任医师的经验，但让主任医师承担大量具体标注既不现实，也无法规模化。可以由主任医师设计标注框架和判断标准，再由主治医师或博士生完成具体内容。

第三条，人机协同。当我们已经积累了一部分专家经验，可以把这些经验转化为小模型，让模型与专家交互，共同完成生产。不同领域适合的路径不一样，但核心都是把少数专家的能力转化为更稳定、可扩展的生产体系。

爱分析：专家数据需求增长以后，行业最主要的瓶颈是什么？

李逆勇：各个环节都有瓶颈，但我认为最难的不是专家数量，而是不知道什么数据能够更快提升模型能力。

我们曾接触过一个案例：研究人员从大约100万条轨迹数据中筛出2000条，最后用这2000条数据训练的效果，反而好于直接使用100万条数据。这个结果说明，数据不是越多越好。面对100万条原始数据，到底应该压缩成10万条、1万条还是5000条，行业目前没有标准答案。

只要订单和组织能力足够，专家供给最终可以解决，即使是主任医师，全国也并非完全找不到，不同数据公司的差异更多是组织速度和效率。最难的问题仍然是：模型到底缺什么数据？

爱分析：谁最适合回答这个问题？

李逆勇：从生态位置看，数据公司比较适合。一方面，数据公司服务多个客户，可以看到不同模型公司如何解决问题；另一方面，数据公司能够与头部实验室合作，参与更前沿的研究。一边是项目实战，一边是理论探索，两者结合起来，才有可能形成数据认知。

但这并不意味着任何一家数据公司一定能够解决所有问题。每家公司的资源禀赋不同，有的团队更擅长定位问题、搭建数据框架，有的更擅长组织专家和规模执行。未来的市场可能类似咨询行业：既有覆盖主流问题的大型机构，也会有专注某一模型能力或专业领域的小而精团队。

4、智能体落地中，数据公司只做自己擅长的一段

爱分析：原智涉及智能体开发和全生命周期运营，这是否意味着本原智数要从数据服务走向应用开发？

李逆勇：模型在企业落地，大致可以分成三步。

第一步是定位行业问题，并围绕问题搭建工作流。这不是我们最擅长的环节，传统软件公司和咨询公司更有优势。它们一方面拥有长期积累的客户信任和商务关系，另一方面更了解企业内部流程。本原智数通常与这些公司合作。

第二步是选择模型。市场上不存在一个在所有能力上都领先的模型。定位问题以后，需要比较不同模型，判断哪个更适合具体场景，这一环节需要连接不同模型厂商。

第三步是改造模型，让它适配企业问题，这是数据公司更擅长的部分。我们知道哪些企业数据经过怎样的加工和微调，能够更好地发挥模型能力。

所以，原智不是要取代软件公司、咨询公司或模型公司。工作流设计和企业流程改造位于一端，模型供给位于另一端，本原智数重点做的是中间的数据适配和模型优化，与两端更多是合作关系。

爱分析：第三方数据公司的“中立”为什么重要？

李逆勇：因为没有一家模型公司能够覆盖所有能力和场景。第三方数据公司没有绑定某一种模型，可以相对中立地评估，在某个企业问题中，哪一种模型的实际效果更好，以及需要怎样的数据改造。

这也是我们选择与千百度合作时的重要考虑。此前也有头部大模型和具身模型公司提出合作，但我们不希望成为某一家模型公司的数据部门。长期保持第三方位置，才能继续服务不同模型公司和合作伙伴。

5、具身数据的价值，要放回训练阶段判断

爱分析：具身智能数据有仿真、Ego第一人称视频、UMI和真机遥操作等多种路线，本原智数怎样看这些数据的价值？

李逆勇：具身数据市场目前有四类参与者：从自动驾驶或具身智能领域出来的技术团队，原来的数据采集设备厂商，人力资源服务商，以及转型进入具身智能的数据公司。

每一类都有自己的优势。技术团队更懂模型和仿真，设备厂商掌握采集硬件，人力资源服务商拥有人员和场景，数据公司更了解数据标准、生产流程和客户需求。

现阶段，这些能力往往需要组合起来，很多设备厂商和人力服务商也是数据公司的合作伙伴。

判断一种数据有没有价值，不能脱离模型训练阶段。不存在一种数据在所有阶段都绝对优于其他数据。基本原则是：在质量够用的前提下，尽可能便宜、尽可能规模化。

当前具身模型主要还在预训练阶段。真机遥操作数据质量高，但成本高、采集效率低，很难承担百万小时乃至更大规模的预训练需求。Ego第一人称视频的优势，是质量能够跨过预训练门槛，同时价格更低、供给更容易规模化。

Dyna Robotics在2026年发布的Dyna-2使用超过100万小时第一人称人类视频完成预训练，也说明人类视频正在成为具身模型扩大数据规模的一条重要路径。行业正在寻找质量、成本和数量之间的平衡，而不是只追求单小时数据质量最高。

我的一个大致判断是，现阶段的数据组合可以是50%左右的Ego、40%左右的UMI和10%左右的真机数据；到了中训练阶段，可以提高UMI等数据的比例；真正进入后训练以后，再使用更多真机遥操作数据。

这个比例不是固定答案，不同模型公司的选择差异很大。

爱分析：真机数据为什么难以成为预训练的主力？

李逆勇：目前行业还没有真正解决跨本体泛化问题。真机数据通常与具体机器人本体绑定。

整个行业都在寻找更无感、更接近生产伴随式的数据采集方式。从UMI到Ego，再到更轻量的可穿戴设备，方向都是减少对专门采集人员和机器人本体的依赖，让数据能够在真实生产过程中持续产生。

爱分析：具身模型的预训练还会持续多久？

李逆勇：我个人判断至少还需要两到三年。2026年，行业开始跨过100万小时关，下一步可能是1000万小时。具身智能如果要走向更通用的能力，最终可能需要10亿小时量级的数据。

按这个量级估算，具身数据可能对应一个数千亿元人民币的市场。但这仍然是基于数据规模和当前成本的推算，实际市场空间还取决于模型路线、采集成本和商业化进度。

爱分析：从预训练进入后训练以后，数据需求会发生什么变化？

李逆勇：可以类比大语言模型。预训练解决的是基础知识、语言和推理能力，后训练解决的是写代码、做PPT等具体生产任务。

具身模型也类似。预训练主要让模型获得空间理解、位移判断和力的感知等基础能力；后训练则对应具体工种和精细操作。过去工人有从一级到八级的技能等级，预训练更像让模型具备各行业“一级工”的通用基础，后训练再把它训练成某个专业领域的“八级工”。

6、数据公司的竞争力，分为认知、工程和资源三层

爱分析：从传统标注走向专家数据和具身数据，数据公司的核心竞争力会发生什么变化？

李逆勇：最大的变化，是数据认知变成了最重要的竞争力。模型评测和数据洞察是所有服务的前提。如果没有这项能力，数据公司基本只能挣生产和交付的辛苦钱。

我们希望未来成为一个由Benchmark社区引领的组织。Benchmark不仅用于给模型打分，更重要的是帮助我们理解模型的能力边界和数据短板。只有知道问题在哪里，后续的数据生产才有方向。

在数据认知之下，第二层是数据工程能力。新的数据应该怎样采集、清洗、标注和组织，怎样把一种数据形态稳定地生产出来，需要完整的工程和项目管理体系。

第三层是数据资源能力。这里既包括找到合适的行业专家，也包括获得高质量原始数据。客户都想要的数据，未必每家公司都能稳定获取。

这三层能力从上到下分别回答三个问题：应该生产什么数据，怎样把数据生产出来，以及从哪里获得生产要素。未来的数据公司，不能只在最后一层拼人力和成本。

爱分析：中国与美国的AI数据服务市场有哪些差异？

李逆勇：从我的观察看，美国AI数据市场的规模可能是中国的十倍以上，这与知识产权保护、企业服务付费能力和整个To B服务生态有关。

在大语言模型数据方面，国内客户提出的一些需求，大致相当于美国客户一年前关注的问题，整体可能存在接近一年的差距。但具身智能和视频生成是例外，中国在这两个方向处在全球较前沿的位置。

爱分析：数据服务市场最终会走向高度集中吗？

李逆勇：我认为会出现几家非常明星的数据公司，但长尾也会长期存在。数据know-how很难由一家公司全部占据，模型能力和行业场景足够多，不同团队会形成各自擅长的问题。

数据服务市场可能更像咨询行业：既有覆盖主流需求的大型机构，也有在特定模型能力、专业领域或数据生产环节上非常强的小型精品公司。真正决定位置的，不只是规模，而是谁对模型和数据理解得更深，谁能更快把这种理解转化为可交付的数据。