际数科技用测绘学误差分析与不确定性方法论，构建起空间智能数据的"中立质量层"——让客户可用数据规模提升10倍以上，数据漏斗从 10‑20% 跃升至 70‑80%，并已服务超 20 家智驾头部客户。
2026 年上半年，数据服务与数据集企业共发生 19 起融资，总金额近 50 亿元。全球自动驾驶数据标注市场 2025 年已达约 50 亿美元，CAGR 超 25%；具身智能数据市场虽然起步更晚——2026 年预计约 10 亿美元——但增速更猛，2030 年有望突破 100 亿美元。
但一个越来越明显的矛盾是：数据数量在增长，真正能提升机器人能力的有效数据仍然稀缺。多家具身本体公司表示，清洗数据的成本已经远远高于采集数据的成本。
很多团队在堆了大量数据后发现，模型在评测集上表现不错，一到真实场景就暴露问题。接触、滑移、遮挡、过力、异常恢复——这些只在真实闭环中才浮现的变量，很难被仿真引擎捕捉，在预训练的数据集中也很难覆盖。
这不是某个单一环节的问题，而是从场景选择、采集设计、过程控制、数据验收到质量修复、任务适配、资产复用——全链路都需要提升的质量能力。
注：六大核心卡点包括有效数据成本高、质量难预判、跨本体复用困难、离线评测与真实部署脱节、数据资产化困难、异构闭环难以沉淀。
为什么在众多模型厂商自建数采管线的同时，仍需要一个外部独立的质量层？
行业惯例是用模型端到端效果来验证数据质量。但空间智能的模型训练管线极长——等到真出了问题，其实很难归因：是模型问题、训练问题、调参问题还是数据本身的问题。
数据用完即弃，每次从零开始采。质量问题传导到模型端才被发现，归因成本极高。
在数据进入模型之前构建质量标准和评估方法、治理方案，不让质量问题伴随数据传到模型里。
际数科技的创始人周源认为，行业一定需要一个跨多方的组织来研究泛质量问题——研究不同场景对不同模态传感器、不同观测方案产生的影响，找到共性影响。这正是中立质量层存在的价值。
而这家公司的独特之处在于：三位创始人都拥有深厚的测绘学背景。他们很早就达成了一个共识：要用测绘学的方法做空间智能的数据"精炼厂"。
测绘行业的底层逻辑是看数据本质——看误差、看质量。在没有北斗的时候 GPS 误差是米级，但三峡大坝形变监测要求毫米级定位。怎么抽丝剥茧分析去除误差、拿到最确定性数据，这就是测绘研究的内容。
际数科技将核心方法论概括为"一张图、一把尺、一个飞轮"——本质是用测绘百年积累的误差分析和不确定性方法论，解决空间数据质量问题。
一张图——质量因子库（QFLab）：描述真实场景中物体、材质、动作、接触等因素与数据质量之间的关系，判断哪些因素的变化会对最终数据质量产生怎样的影响。这是整个体系的基座。
一把尺——高质量场景基座：通过场景精细化建模，让采集设备进入后能实现最准确的几何标定和时间对齐，从源头解决多模态观测的精度问题。
一个飞轮——数据质量飞轮：把带有质量问题的数据拿出来，通过专家知识和质检人员判定，学习质量问题和数据特征之间的关系，训练出一套质量模型。让模型学会专家的打分逻辑，替代庞大的专家和质检团队。
最后，用一个智能体把这些模型能力、工具能力组织起来，调度不同 pipeline，为不同客户提供不同规格的数据产品服务，最终输出高质量数据集。
注：质量模型已实现与人工 PK 的完胜，基本替代了一支 100 人左右的数据质检团队。
数据资产化的核心，是把原始数据加工成可复用、可交易、可定价的场景化资产。对具身智能行业来说，这意味着数据从成本项变成生产要素——不再是采完即用的消耗品，而是可以沉淀、复用、甚至跨客户共享的战略资源。
际数科技的底气，很大程度上来自三位创始人的互补背景：
周源（CEO）——武汉大学与俄亥俄州立大学联合培养博士，师从李德仁院士，曾参与 NASA/JPL 火星车空间定位与制图，主持过多项国家重大项目与国家标准制定。
叶文凯（CTO）——同济大学佐治亚理工联合培养博士，师从李荣兴院士，曾参与南极冰川研究等国家重大科研项目，曾在华为、极氪从事智能驾驶研发。
邹小弟（COO）——20 年以上汽车行业经验，曾任博世中国销售总监、百度 IDG 销售总监。
三人的分工形成了"方向判断、技术实现、商业落地"的互补闭环。也让这支团队能把测绘学的精度体系，真正转化为可交付、可规模化的产品。
这不是测绘行业的跨界尝试，而是一个百年学科向空间智能时代的自然延伸——用测绘的精度，重新定义空间智能的数据底座。
数据质量基础设施，正在成为具身智能时代的底层标准。
际数科技已开启新一轮融资，其"中立质量层"解决方案已在智驾领域完成规模化验证，2026 年正式切入具身智能领域。更多信息可关注官方渠道。
jishu.tech → 了解详情