一、案例背景
（一）从华为”天才少年”到具身智能创业者
2026年盛夏，上海。在一间简朴的会议室里，前华为智驾AI一号位、墨奇智能CTO黄青虬接受了36氪的专访。就在不久前，墨奇智能刚刚完成了高达十几亿元人民币的天使轮系列融资，这一数字在具身智能创业赛道中堪称罕见，引发了业界广泛关注。
黄青虬的履历堪称耀眼。2020年，他以华为第二届”天才少年”的身份加入华为车BU，担任自动驾驶AI部门负责人。在华为期间，他主导攻克了激光感知的AI化、感知融合系统的AI化，以及在ADS 4.0阶段整个辅助驾驶系统的AI化。更为关键的是，他带领团队完成了华为自动驾驶数据工程从0到1的搭建——这项工作从ADS 2.0时期启动，到ADS 3.0时期基本成型，再到ADS 4.0时代已能服务整个端到端系统。
这段深度介入数据工程的经历，塑造了黄青虬独特的产业认知。在华为ADS系统的演进过程中，数据体系的角色经历了质的飞跃：从最初仅服务GOD（通用障碍物检测网络），到后来服务所有静态感知、红绿灯甚至预测系统，最终在4.0时代服务整个端到端自动驾驶。这一过程让黄青虬深刻认识到，数据基础设施的完善程度，直接决定了AI系统的能力上限。
（二）具身智能赛道：热潮与泡沫并存
2026年的具身智能赛道，正处于资本狂热的顶点。据不完全统计，仅2026年上半年，国内具身智能领域披露的融资总额已超过200亿元人民币，较上年同期增长超过150%。大量创业公司如雨后春笋般涌现，各家都在讲述着关于通用机器人、人形机器人、智能体的眩目故事。
然而，热潮之下暗流涌动。业内普遍面临三大核心挑战：其一，数据获取成本极高。与互联网行业天然拥有海量数据不同，具身智能需要物理世界中的数据，采集成本是互联网数据的数十倍甚至上百倍。其二，数据质量标准缺失。物理世界数据的标注、清洗、质量评估尚无统一标准。其三，场景碎片化严重。不同场景、不同形态的机器人所需的数据差异巨大，难以形成规模化效应。
……