← Accueil actu | Salle du marché

Kaiwang Data lance le « plan Phare » : en trois mois, fédérer 100 partenaires pour bâtir ensemble un jeu de données de 1 million d'heures en scènes réelles pour l'IA incarnée

2026-11-11 · Source:36氪快讯·中继

Kaiwang Data lance le « plan Phare » : en trois mois, fédérer 100 partenaires pour bâtir ensemble un jeu de données de 1 million d'heures en scènes réelles pour l'IA incarnée

Visant six grandes scènes réelles avec une entrée en base avant fin 2026 : l'offre de données tirée par la demande peut-elle débloquer le déploiement de l'IA incarnée ?

Le 23 septembre, le fournisseur de données Kaiwang Data a officiellement lancé le « plan d'écosystème de partenaires de données en scènes réelles — plan Phare », ouvrant publiquement le recrutement de partenaires d'écosystème pour l'industrie de l'IA incarnée. Selon sa planification, la société entend, en trois mois, fédérer 100 partenaires pour bâtir ensemble 1 million d'heures de données en scènes réelles, dont les données des scènes de tête correspondent déjà à des besoins clients clairement identifiés.

L'IA incarnée est largement vue comme la voie clé par laquelle l'intelligence artificielle passe du monde numérique au monde physique. Qu'il s'agisse de robots humanoïdes, de robots de manutention d'entrepôt ou de robots de service commercial, les modèles sous-jacents ont besoin, pour l'entraînement, de grandes quantités de données de perception et d'interaction issues d'environnements réels. À la différence des textes et images d'internet, les données requises par l'IA incarnée doivent être proches des scènes de travail réelles et contenir une riche granularité d'interactions physiques — c'est précisément le plus grand goulot de l'offre actuelle de données de l'industrie.

Sur le chemin d'exécution, Kaiwang Data conduira, dans les 100 jours à venir et avec ses « partenaires de scènes réelles », la collecte de données autour de six grandes familles de scènes réelles : grande distribution et supermarchés, bureaux professionnels, vie domestique, entreposage et logistique, production industrielle, restauration. Le choix de ces six scènes est très représentatif : elles couvrent à la fois les scènes grand public où les robots de service sont les plus susceptibles de se commercialiser d'abord, et les scènes de production industrielle et logistique exigeant une précision et une continuité d'opération très élevées. Pour les équipes d'algorithmes, le degré de couverture des données entre scènes détermine directement le plafond de généralisation des modèles.

Côté jalons de livraison, ce jeu de données de 1 million d'heures en scènes réelles doit achever collecte, annotation et audit de qualité et entrer en base avant fin décembre 2026 ; à ce moment, Kaiwang Data lancera en parallèle des jeux de données de haute qualité pour les six industries. Vu le calendrier, il s'écoulera moins de deux ans et demi entre le lancement et la livraison, et la fenêtre effective de collecte est plus serrée encore : la capacité d'annotation, le processus d'audit qualité et la capacité de coordination avec les détenteurs de scènes seront mis à l'épreuve à haute intensité dans les 100 prochains jours.

L'acquisition à grande échelle de données en scènes réelles reste le point dur du passage au déploiement des modèles d'IA incarnée : la dispersion des scènes et la complexité de l'organisation de la collecte relèvent la barrière de l'offre de données. Un fabricant de robots ou une société de modèles ne peut guère, seul, conduire une collecte massive de données transsectorielle et multi-scènes, car les ressources de scènes sont dispersées parmi les entreprises réelles de la distribution, de la manufacture, de la restauration, etc., et le déploiement des équipements de collecte, l'anonymisation et la mise en conformité exigent une capacité d'organisation professionnelle. Kaiwang Data choisit d'agréger détenteurs de scènes et capacités de traitement de données sous forme d'alliance écosystémique et souligne que les données des scènes de tête sont déjà verrouillées sur des besoins clients clairs — elle tente d'organiser l'offre de données par la traction de la demande, plutôt que de collecter d'abord et chercher des acheteurs ensuite. L'avancement d'exécution du parcours complet — recrutement de partenaires, collecte de scènes, annotation et entrée en base — servira d'échantillon de référence pour juger la maturité de la chaîne d'approvisionnement en données de l'IA incarnée.

Du point de vue de la configuration sectorielle, l'évolution des fournisseurs de données vers un modèle de plateforme écosystémique reflète l'accélération de la division du travail dans la chaîne de l'IA incarnée. Parmi les trois facteurs — calcul, modèles, données —, la donnée est l'élément le moins standardisé et celui qui manque le plus de mécanismes matures de transaction et de tarification. Si le plan Phare est livré dans les délais, un jeu de données à l'échelle de 1 million d'heures pourrait offrir à l'industrie une base de référence de volume, poussant les données d'IA incarnée de la fourniture artisanale sur mesure vers une offre de masse et produit, avec une portée directe sur le raccourcissement des cycles d'itération des modèles aval.

Pour les acheteurs de puissance de calcul IA et les décideurs d'achat, ce mouvement mérite aussi attention. L'entraînement de l'IA incarnée se caractérise par des besoins de calcul multimodaux et de longue durée ; la mise à l'échelle de l'offre de données amplifiera directement la demande d'achat de grappes d'entraînement, tandis que le mode d'offre tiré par la demande signifie que les acheteurs de calcul peuvent verrouiller plus tôt le rythme de livraison des données, planifiant avec plus de précision l'expansion et les cycles de location de leurs grappes de GPU, et évitant le gâchis d'un découplage entre ressources de calcul et disponibilité des données.

Sur le plan des critères d'achat, trois points sont conseillés. Premièrement, l'adéquation entre la couverture sectorielle du jeu de données et ses propres scènes métier : plus la récence avec son propre axe de déploiement est forte, plus la valeur de l'actif de données est grande. Deuxièmement, la transparence des jalons de livraison et du mécanisme d'audit qualité : la promesse d'entrée en base avant fin décembre 2026 est-elle adossée à des jalons échelonnés ? Troisièmement, l'intégrité de la chaîne de conformité et d'autorisation des données, qui décide si le jeu peut être utilisé durablement et en sécurité dans des modèles commercialisés. Côté prix et offre, ce modèle ne comporte actuellement aucune donnée de cotation à la vente. En somme, la capacité du plan Phare à tenir la promesse du million d'heures sera, dans l'année à venir, l'une des fenêtres d'observation les plus suivies de l'offre de données d'IA incarnée.

Q: Avec combien de partenaires le plan Phare de Kaiwang Data entend-il coopérer et à quelle échelle de jeu de données ?

A: Kaiwang Data entend, en trois mois, fédérer 100 partenaires pour bâtir ensemble 1 million d'heures de données en scènes réelles, dont les données des scènes de tête correspondent déjà à des besoins clients clairement identifiés.

Q: Quelles scènes couvre le jeu de données du plan Phare et quand entrera-t-il en base ?

A: La collecte couvre six grandes scènes — grande distribution et supermarchés, bureaux professionnels, vie domestique, entreposage et logistique, production industrielle, restauration — avec une entrée en base prévue avant fin décembre 2026, après collecte, annotation et audit de qualité.

Q: Avec combien de partenaires le plan Phare de Kaiwang Data entend-il coopérer et à quelle échelle de jeu de données ?

A: Kaiwang Data entend, en trois mois, fédérer 100 partenaires pour bâtir ensemble 1 million d'heures de données en scènes réelles, dont les données des scènes de tête correspondent déjà à des besoins clients clairement identifiés.

Q: Quelles scènes couvre le jeu de données du plan Phare et quand entrera-t-il en base ?

A: La collecte couvre six grandes scènes — grande distribution et supermarchés, bureaux professionnels, vie domestique, entreposage et logistique, production industrielle, restauration — avec une entrée en base prévue avant fin décembre 2026, après collecte, annotation et audit de qualité.

Mots-clés: Kaiwang Data · Lighthouse Plan · Embodied AI · Training Data · Data Annotation


À lire aussi


萬安算交所 AIXX · AIXX · Bourse compute vérifiée · Accéder à la salle