《山海经》里有一种能自行生长、永不耗减的神土名叫息壤。对具身智能和世界模型而言数据就是这片土壤。机器人要操作物理世界、世界模型要预测时空演变靠的都不是几百条精修样本而是海量、多源、贴近真实、且经严格质检与标注的操作数据。只是这片土壤想真正长起来同样面临着挑战。息壤开物物理智能时代的底座型公司息壤开物不做机器人本体也不做单点应用而是自研物理基础模型Large Physics Model, LPM——让模型从物理交互数据里自己习得物理规律理解状态演化、规划长程动作、支撑闭环执行。它没走在现成 VLM 上外挂动作头的增训路线而选择更重的原生物理预训练。这是一条更难、天花板也更高的路。走通这条路靠一支把大模型从底层训到产业交付的团队。核心班底出自头部大模型工程体系经历过万卡级稳定训练、视频大模型与复杂行业交付理论侧有因果与多模态方向的顶尖学者提供第一性原理支撑。在清华等团队推动的国际具身世界模型基准 WorldArena 2.0 全球总决赛2026-09-16中息壤开物于视频质量赛道拿下轨迹精度全球第一、物理合规性全球前三。而要把这样的物理底座持续训出来背后必须有一座能稳定供给海量高质量数据的工厂——这正是息壤的另一份使命。一座面向全行业的数据工厂息壤开物自研的 AI 数据工作台 XIRRA 上已沉淀数十万小时操作视频、数千万量级 Episode覆盖真机、第一视角Ego、手持采集UMI、遥操等形态单个数据集最大超过百TB。与采一批数据、训一个模型的本体厂商不同息壤更像一座面向全行业的数据工厂多源原始数据统一入库、统一 schema、统一质检与标注导出为训练包作为标准化数据资产供给下游各类 VLA 与世界模型团队。数据增长很快把工厂推到新关口。采集带有明显波次特征——一批数据涌进来就要尽快加工、质检、标注、交付而任何固定规模的自建集群面对数千万条 Episode 的全库质检一轮理论上需要数万小时难随峰谷伸缩瓶颈不在算法而在算力弹性。难的不只是快多源异构数据分散在各类容器里相机角色、控制频率、状态与动作维度各不相同标注规范在整个行业都还欠定义。这是具身数据加工共同面对的硬骨头。所以息壤要解决的不是处理完某一批数据而是让整座工厂能弹性扩容、自动流转、全程可追溯地长期运转。把数据工厂搬上云阿里云大数据 AI 平台“具身数据管线解决方案”以一条端到端的数据链路贯通采集、处理、训练与推理全流程。加速问题闭环、缩短迭代周期在降低管理与生产成本的同时将海量多模态原料淬炼为高价值资产为具身智能注入持续进化的数据闭环能力。息壤开物基于此方案联合阿里云依托MaxComputeMaxFrame DataWorks OSS PAI 百炼把原本受限于固定自建资源的加工链路重构成一座跑在云上的数据工厂算力弹性伸缩、任务自动调度、血缘全程可追溯。数据在工厂里的四道工序从一段原始视频到一份能被模型直接加载的训练集数据要在这座云上工厂里走过四道工序。工序一 · 入湖与标准化把异构原料炼成标准件多模态具身原始采集数据先汇入 OSS 数据湖再交给 MaxCompute 上的Python分布式引擎 MaxFrame。MaxFrame 把整段视频加工拆成可并行的子任务调度到按需伸缩的资源池上计算密集的环节交给 GPU其余由 CPU 承担不断创新的模型和算法也能够封装成 DataFrame 算子即可随数据分布式运行各阶段独立落表、支持断点续跑单个片段失败不阻塞全局大批量长任务也能稳定跑完。这条云上产线是息壤 XR 数据平台前两环——多模态接入与清洗——在MaxCompute 上的落地平台把接入 → 清洗 → 标注 → 质量检查 → 版本管理 → 发布整条流程打通。平台的价值是把多源经验统一编译成可训练、可追溯、可迭代的数据资产保持跨本体、跨模型的中立连真实失败案例也一并沉淀。工序二 · 质检把不可用的数据拦在产线上质检分两层对应 XR 数据平台的质量检查环节。第一层是将质检算子封装成 MaxFrame 算子分布式并行逐个卡住丢帧损坏、长时间静止等等客观缺陷数千万量级的 Episode 也能逐条过筛。第二层交给模型的三阶段语义质检末端强制挂一道质量门禁。这样综合分不达标的 Episode 直接挡在发布之外。在质检能力的保障下不合格数据在产线上就被拦下、并留有证据不会污染下游训练集。工序三 · 标注边界精度决定数据价值标注的门槛不在标没标而在切得准不准边界差上零点几秒在越严的匹配口径下要求预测段与标准段近乎重合、一段只配一段差距越被成倍放大而下游模仿学习真正需要的恰是边界干净、粒度贴近人工的原子动作。为此标注被拆成四个递进阶段对应 XR 数据平台的标注环节先由模型通盘理解视频、给出粗分段再逐段把动作边界抠到帧级随后用确定性规则做碎片吸收、边界吸附与连续性修复——不靠模型的感觉而靠可复现的规则兜底同一段数据无论跑多少次边界都一致、可审计最后按规范句式重写指令。走完 AI 自动完成约八到九成人工只复核高风险片段把从零标变成只改错。工序四 · 治理与交付管得住也供得出数据工厂最怕两件事任务没人调度、出了问题没人知道DataWorks 支撑的正是这一块。整条产线能够统一调度周期灵活配置、历史数据一键补数回溯多种触发方式任务异常自动重试并有 AI 诊断与基线预警兜底其触发式调度引擎单集群每天可调度千万级任务、分钟级自愈正好接得住具身数据波次式的突发负载。调度之外DataWorks 还替工厂看住质量与血缘让XR平台实现版本管理的落地一份训练集从哪来、经过哪些加工、停在哪个版本一键倒查。贯穿全程 · 训推闭环数据与模型互为输入数据出厂只是起点让它真正产生价值的是喂给模型、模型再反过来挑数据的那一圈闭环。这一圈跑在阿里云 PAI 上——它把调试、训练、评测、服务串在同一条平台上数据与环境不必在多套工具间反复搬运。这是一场训练工程能力与弹性平台底座的强强联合。一边是息壤核心班底经历过万亿参数长稳训练与极致推理优化曾依托百万小时级视频、用两个月完成一个视频大模型的训练与发布深谙怎么把大集群训稳、训快。另一边是 PAI的深度优化能力分布式断点续训、故障节点自动隔离替换、通信与显存优化层层叠加。两者相乘弹性算力才不止于能扩而是扩上去仍能稳定跑出高有效训练时长——息壤的操盘经验把利用率守在高位PAI 的弹性与故障自愈让千卡长稳训练不必再靠人海盯守。数据不再是瓶颈之后对息壤开物这样的数据与模型底座型公司来说云带来的不只是算得更快而是让持续、规模化、可追溯地供给高质量数据第一次真正可行。数据不再是瓶颈世界模型与具身大脑的迭代才能跑起来。在真实采集之外双方也正基于视频生成大模型等前沿基模共同探索生成式数据合成与闭环仿真为具身智能的长尾场景补充训练数据并将在世界模型、数据飞轮等方向持续联合创新。对息壤而言云上数据工厂同样只是起点——同一套数据资产与物理底座将沿着通用底座—领域模型—垂域应用的分层复用持续沉淀到更多机器人本体、更多操作任务、更多工业与生活场景的具身落地中。数据的土壤一旦培起来上面能长出什么值得期待。