在物理AI成为自动驾驶与具身智能企业共同争夺的风口之际，如祺出行选择了一条差异化路径：不自行训练大模型或世界模型，而是将自身定位为模型背后的数据基础设施提供商。如祺出行COO韩锋近日在与新智驾的对话中透露，公司自2023年推出智驾数据工具链以来，已逐步搭建起从数据采集、清洗处理、标注加工到模型效果评测的完整数据闭环。
韩锋表示，如祺出行的核心优势在于场景与数据。依托常态化运营的数据采集车、Robotaxi及线下运维网络，公司能够在真实社会环境中持续获取驾驶行为、道路路况、路网信息等数据，并将其加工为自动驾驶、世界模型及具身智能公司可直接使用的训练材料。他强调，自动驾驶与智能机器人所需数据形态不同，前者聚焦二维道路空间，后者涉及三维空间中的抓取、搬运与精细操作，但两者底层的数采、标注、质检与交付流程高度相似，工具链具备复用性。
针对当前行业 increasingly 依赖世界模型和仿真平台生成合成数据的趋势，韩锋认为，世界模型能力越强，真实数据的重要性并不会降低。合成数据能够以真实长尾案例为基础扩展危险、临界及复杂场景，而真实场景数据则持续记录交通参与者不可预设的行为与传感器物理响应，为合成结果提供校准与验证依据，两者形成互补闭环。
在客户价值层面，韩锋指出，客户真正需要的是可直接进入训练流程的低成本、高质量数据，以及确定性的交付产能和工程效率。他以一家2016年成立的头部自动驾驶公司为例，称如祺出行通过提前介入客户数据规范、将复杂标注任务结构化、匹配相应资源并进行数字化管理，实现了以天为单位的持续交付，缩短了产能爬坡周期。
关于行业壁垒，韩锋坦言，数据采集与标注并不存在学术意义上的单点高技术门槛，真正的门槛来自长期沉淀的体系化能力，包括大规模采集的工程细节、可快速适配不同客户格式与传感器标准的数据处理工具链，以及随客户反馈持续迭代的采集方法与处理算法。他透露，数据标注目前是成熟度与自动化程度较高的环节，适配全新客户的周期已从过去的一年多明显缩短。
对于数据服务天然定制化带来的规模不经济风险，韩锋表示，公司不希望业务增长与人员规模同比例扩张，长期方向是将项目中反复出现的能力抽象为自动化工具与标准化平台能力，在定制化需求与标准化复用之间取得平衡。
韩锋表示，三年后希望外界仍将如祺出行视为一家出行服务公司，同时也将其看作AI数据生态中的重要基础设施。在模型公司林立的当下，能够长期通过真实场景稳定获得数据并将原始数据加工为可用资产的组织能力，或许比模型本身更为稀缺。
该文观点仅代表作者本人，企服科学平台仅提供信息存储空间服务。
