在具身智能这一备受瞩目的赛道上，一家名为帕西尼的公司正以独特的方式崭露头角。当其他企业热衷于展示机器人炫酷动作时，帕西尼却专注于一项看似“苦差事”的工作——采集真实世界中的多模态触觉数据。凭借这一战略，公司成功获得超过10亿元人民币的B轮融资，估值突破百亿大关。
本轮融资阵容堪称豪华，黄浦江资本领投，meta关联方、比亚迪、京东等产业巨头纷纷跟投。这些资本巨头的选择并非盲目跟风，而是基于对多模态触觉数据这一“隐形富矿”的深刻认知。在具身智能领域，高质量触觉数据的稀缺性已成为制约行业发展的关键瓶颈。
麦肯锡预测，到2030年具身智能市场规模将超过万亿美元，覆盖制造业、物流和服务业等多个领域。然而现实是，高达80%的AI项目因数据质量问题而延期交付。市场上的数据总量并不匮乏，但能让机器人实现精准操作的高质量触觉数据却极为稀缺。这种供需矛盾为帕西尼提供了绝佳的发展机遇。
人类能够轻松区分拿起纸杯、海绵和生铁所需的不同力道，这种本能源于长期生活经验形成的肌肉记忆。但对机器人而言，这种基础操作却充满挑战。精确的力矩控制需要海量高质量数据进行训练，而这正是帕西尼的核心竞争力所在。公司通过构建数据闭环体系，确立了在机器人感知交互领域的标准制定权。
传统AI模型过度依赖视觉数据，导致机器人在物理交互方面表现欠佳。以波士顿动力的Atlas机器人为例，尽管其跑跳平衡能力令人惊叹，但缺乏触觉反馈使其难以完成精细操作任务。帕西尼另辟蹊径，通过自主研发的硬件设备，大规模采集触觉等多模态数据，打造出全球首个百亿级实采数据库OmniSharing DB。
这个独家数据库重新定义了全模态数据的标准，将物理接触信息与视觉信息有机结合。IDC研究表明，这种多维度数据可使模型泛化能力提升20%-30%。Figure AI在获得68亿美元融资后，也强调多模态训练的重要性，并与宝马开展汽车装配合作，这从侧面印证了数据维度对应用落地的关键作用。
为解决数据采集规模化的难题，帕西尼在天津投资建设了超级数据采集工厂"Super EID"。这座工厂采用流水线生产模式，通过人机协作每天完成数万次抓取、装配等真实物理交互，年产量接近百亿条高质量数据。这种标准化生产方式构建了显著的规模壁垒，使传统零散采集方式相形见绌。
规模化数据采集带来的成本优势不容小觑。麦肯锡分析指出，规模化数据可使AI部署成本降低15%-40%。这与特斯拉通过自采海量驾驶数据垄断自动驾驶市场的策略异曲同工。帕西尼正试图在具身智能领域复制这种成功模式，其数据工厂已成为公司最重要的竞争资产。
Forrester报告显示，真实数据可使机器人训练周期缩短30%。亚马逊仓库机器人的发展历程就是最佳例证，该团队在放弃仿真方案转而采用实采数据后，分拣效率提升了50%。帕西尼的数据优势正在帮助比亚迪等合作伙伴解决产线装配难题，推动物流与制造领域的价值链重构。
通过硬件、数据与模型的深度协同，帕西尼不仅使其自研的OmniVTLA大模型在精细操控领域保持领先，更将数据优势转化为技术标准制定权。与meta、京东等巨头的合作，使帕西尼的数据价值在汽车、物流等关键场景得到验证，进一步巩固了其行业领导地位。
新融资将主要用于扩建数据工厂和加速模型迭代。随着数据采集规模的持续扩大和模型性能的不断提升，帕西尼已形成良性发展循环。在具身智能领域，数据资产与闭环效率正成为决定企业竞争力的核心要素，帕西尼的实践为整个行业提供了值得借鉴的发展范式。
