文远知行拆分数据业务，押注“车外生意”

自动驾驶公司正在把车队积累的能力，拿到汽车以外的物理世界里重新定价。

过去，Robotaxi公司的数据主要服务于车辆研发，采集、标注、仿真和模型训练，最终都回到一件事：让车在更多道路上安全运行。随着具身智能和物理AI兴起，这套数据生产能力开始面对新的客户，机器人、物流设备和工业智能体都需要在真实环境中完成感知、决策和行动。

这改变了自动驾驶公司的竞争边界。它们争夺的，不只是车辆能否上路，也包括能否把长期积累的工程系统转化为更多物理AI场景可以使用的基础设施。

华尔街见闻从知情人士处获悉，文远知行已推动数据业务独立运营，由全资子公司景烁承接。一位知情人士称，景烁的业务定位是具身智能和数据基础设施软件服务，既包括数据生成、数据采集，也包括自有数据系统，目前积累的真实数据不只来自汽车场景。

对此，文远知行方面在7月22日对华尔街见闻表示，匝剔可披露信息。

文远知行此次动作，意味着自动驾驶公司正将自己能力进行跨场景迁移，搭建起数据采集、处理、仿真、评测和模型迭代所形成的工程系统。

对整个Robotaxi行业来说，竞争正在从积累更多道路里程，转向把道路上形成的能力做成可重复采购的产品。谁能让这套系统在汽车之外持续产生订单，谁才有机会从自动驾驶方案竞争，进入物理AI基础设施竞争。

独立运营

文远知行这次拆出的，是一套围绕数据生产和模型迭代的软件服务。这也是文远知行首次拆分出一个业务板块，让其独立运营。

景烁成立于2024年5月，是文远知行全资子公司，过去依托自动驾驶领域的经验，建设AI数据闭环和解决方案体系。

景烁此前已经具备一定的数据服务和交付基础，只是过去更多以文远知行自动驾驶研发体系中的配套业务出现。

目前，景烁对外展示的业务已经进一步延伸。其AI平台覆盖原始数据、训练数据和标注数据管理，也包括模型选择、训练、评估和部署；具身智能业务则覆盖数据合成、遥操作数据采集和数据处理。

华尔街见闻了解到，景烁定位为具身智能和数据基础设施软件服务业务，覆盖数据生成、数据采集和自有数据系统，且目前积累的真实数据并不只来自汽车。

景烁真正要卖的核心不是样本数量，而是把真实世界数据变成训练材料的能力。此外，数据采集只是其中一条路径，真实数据进入系统后可以继续生成仿真数据。

对机器人公司来说，这种能力的价值不在于多拿到一批道路视频，而在于能否降低数据生产成本，并让不同来源的数据进入同一套训练和验证流程。机器人行业缺的不是某一个场景的样本，而是能够持续生成高质量数据的系统。

前述知情人士称，相关业务此前已经做了较长时间积累，近期经过评估后，才决定开始独立运营，并进行融资。

也就是说，景烁并非从零开始寻找一个具身智能方向，而是把原有能力重新组织成面向外部客户的业务。

景烁对2026年的收入目标是3亿元。根狙棠远知行财报，其2024年智能数据服务收入约为 5580万元，2025年根据财报推算的数狙酞1.596亿元。

华尔街见闻了解到，景烁近期已完成A轮融资。文远知行内部判断是，这块业务需求较大，投资人对业务前景也比较有信心。此前，文远知行还曾推动Robovan独立融资，估值超4亿美元。

Robovan和景烁的收入逻辑并不相同。Robovan面向的是车辆、物流运营和技术服务，客户关心车辆能否交付、运营效率如何以及单车成本能否下降；景烁面向的则是数据生成、仿真和模型训练服务，客户需要的是能否接入自身模型和机器人本体。

不过二者都离不开WeRide One底座。WeRide One是文远知行的自动驾驶通用技术平台，负责支撑不同车型和场景的研发、部署与运营。

这正是景烁能够被单独拿出来的基础：文远知行已经拥有跨车型、跨场景复用技术的内部平台，景烁要做的，是把这套平台中的数据生产和工程能力进一步包装成面向外部客户的服务。

能力定价

数据业务独立出来，短期内可能给资本市场带来新的想象，但它不会自动变成一条已经兑现的新增长线。

对于Robotaxi公司来说，过去积累的真实道路数据、自动驾驶算法和运营经验，首先服务于自己的车辆和车队。把数据业务分拆出来，真正改变的是这部分能力的组织方式：它从内部研发成本，变成了一个可以单独报价、单独融资、单独核算的业务。

景烁要面对的问题，也不是有没有数据。

道路数据不能直接变成机器人数据。自动驾驶和具身智能的传感器、动作空间、任务目标都不同，机器人还需要大量关于抓取、移动、操作和人机交互的数据。真正可能跨场景复用的，是数据治理、场景挖掘、仿真生成、模型评测和工程交付流程。

所以，Robotaxi公司能否进入具身智能数据业务，关键不在于把车上的数据简单搬到机器人上，而在于能否把过去服务自动驾驶的工程方法，重新组织成适用于不同机器人本体和任务的数据产品。

这个市场已经出现相似动作。2026年6月，如祺出行旗下数据业务板块发布具身智能数据平台，尝试把Robotaxi相关的数据能力拓展到机器人场景。

不同公司的差异，并不在于谁最早提出了物理AI，也不在于谁的宣传口径更接近大模型。更关键的区别是，有的公司把数据、世界模型和仿真能力继续留在内部，服务车辆规模化和技术迭代；有的公司则进一步把这些能力拆成独立业务，直接面对车外客户。

2026年3月，沙利文发布的物理AI仿真及数据平台报告认为，相关市场仍处于早期增长阶段，平台价值取决于下游应用的技术成熟度和商业化进程。报告同时提到，智能汽车和具身智能都在增加对长尾场景复现、传感器仿真和算法闭环优化的需求。

另有具身机器人公司技术人士对华尔街见闻表示，训练数据有限和仿真堆栈碎片化，是物理AI研发中最核心问题。尽管世界模型和仿真引擎可以压缩训练与评测周期，但最终仍要依赖真实场景落地。

这给景烁这样的数据服务商提出了更高要求。单纯提供标注人员和采集人员，容易变成按项目收费的人力服务；真正有产品属性的，是能够把真实数据、仿真数据、场景库、模型评测和交付流程组合起来，降低客户开发机器人的时间和成本。

野村证券在7月一份报告中指出，数据即服务可以按照小时或项目快速变现，但如果供应商缺乏模型评估和应用能力，后续可能被机器人企业自行整合。

这个判断指向了数据业务的一个现实：数据采集容易被看见，持续提升模型效果的能力才更难外包。

这也是Robotaxi行业正在面对的新问题。过去，市场主要用车队规模、运营里程、订单和单车经济性衡量这类公司；未来还要看，企业能否把长期研发投入转成汽车之外的订单，能否让内部工具链变成外部客户愿意持续购买的产品。

文远知行拆分景烁，提供了一个观察样本。它要验证的不是“具身智能”这个概念能否带来短期关注，而是Robotaxi公司多年积累的数据和工程系统，能否从服务主业的研发投入，变成跨场景出售的能力。

如果这笔账算得通，自动驾驶公司的竞争就会从谁的车队规模更大，延伸到谁能把车队里积累的数据和工程流程卖给更多物理AI客户

订单、复购和毛利，才会让它们真正获得新的定价。