Config以資料轉換打造機器人基礎模型，服務製造業實體人工智慧
亞洲製造業的量產優勢正推動實體人工智慧落地。首爾與聖荷西創業公司Config鎖定機器人基礎模型（RFM）的資料層，透過受控錄製與資料轉換，把人類動作資料調整成更適合機器人學習的格式。公司已累積超過十萬小時的人類動作資料，並獲得三星、現代、LG等大型製造業資本支持。
亞洲製造業推動實體人工智慧的背景
亞洲多國長期依賴大規模生產與出口導向供應鏈，這個結構性優勢現在正影響人工智慧的採用方向：不只軟體與雲端服務，越來越多投資與研發資源流向可以直接改變工廠、倉儲、農業與國防等實體場域的 AI 解法。
Config的定位與融資動向
Config是一家在首爾與聖荷西設立據點的創業公司，目標不是直接做機器人，而是為機器人基礎模型（robotics foundation models）提供關鍵資料層。公司在一輪由三星風投領投的超額認購種子輪募得2700萬美元，估值超過2億美元，使累計募資達3500萬美元。參與的策略性投資者還包括現代的風投單位 ZER01NE Ventures、LG Technology Ventures 與 SKT America，此外亦有學界與金融機構背景的投資人參與。
為何機器人資料比文字資料難取得？
訓練大型語言模型的原料是能大量獲取的文字資料；相對地，教機器人「動起來」所需的每一筆訓練資料都必須實地收集：需要機器、場地、操作人員與受控環境，這使得機器人 AI 的資料成本與複雜度遠高於純文字模型。Config 的創辦團隊因此把重心放在資料生產與處理流程上，試圖以規模化生產降低單位成本。
資料策略與技術差異化
大多數機器人團隊會用人類動作資料先訓練一個模型，再把模型微調或適配到機器人平台；Config 採取不同路徑，強調在訓練前先把資料「轉換」為更貼近機器人運動與互動方式的格式。執行長 Minjoon Seo 的說法可被簡化為一句核心主張：「資料要被轉換，而不是去改模型。」這種以資料預處理為核心的技術路線，是 Config 所主張的關鍵差異化優勢。
產能與規模：資料規模與團隊
Config 在首爾與河內設有資料生產團隊，近300名員工從事錄製與標註作業。公司已累積超過100,000小時的人類動作資料，公司表示其規模比現有最大可比開放資料集大數十倍。公司短期內的擴張目標是把資料規模推向百萬小時等級，作為服務供應與模型訓練的基礎。
商業模式與市場切入
Config 把自己比做台積電（TSMC）在晶片代工的定位：不直接與客戶競爭，而是作為中立的資料供應平台，讓大型製造業可以在自己的生態內建立專屬的機器人 AI。現階段公司已有營收來源，客戶包括大型製造商、系統整合商，以及農業與國防相關企業。後續商業布局包含擴展企業平台營收並推出雲端的 Robot-as-a-Service（機器人即服務），讓客戶無須在每臺機器上部署專用硬體即可執行 Config 的基礎模型。
與既有方案的對比
與通用的機器人研究機構或開源資料集相比，Config 的差異在於兩個面向：一是規模化且工業化的資料生產線，二是以「資料轉換」為核心的前處理技術。相較於僅提供模型或軟體的業者，Config 將資料視為可被代工的關鍵資產，這對仰賴大量實驗與場域測試的製造業而言，有助於縮短上線時間並保留企業自有的演算法競爭力。市場上可比的私部門競爭者包含 Physical Intelligence、Generalist AI 與 Skild AI 等，但 Config 的策略更靠近把資料當成工業供應鏈的一環。
未來影響與風險評估
若 Config 達成百萬小時資料規模並成功建立企業平台，可能會改變製造業在機器人 AI 領域的分工：硬體、控制器與執行端留給工廠或系統整合商，資料生產與基礎模型由專門供應商提供，企業則在此基礎上建構專有應用。這會帶來兩面性影響：一方面可加速各行業的自動化採用並降低客製化成本；另一方面可能出現資料供應商過度集中、客戶對單一資料來源的依賴，以及關於資料取得、隱私與安全的治理議題。相較於純軟體平台，實體資料的收集、標註與場域驗證仍將是時間與資本密集的瓶頸。
小結
Config 以資料為核心、走向台積電式的中立供應角色，吸引了亞洲大型製造業的戰略投資。這條路線若成功，將在製造端催生更多自主的機器人 AI 能力，並重新分配產業價值鏈。不過，能否透過規模化資料生產真正降低成本、避免市場集中風險、並同時滿足多元場域的需求，仍有待時間與市場的檢驗。
延伸閱讀
- Moonshot AI以Kimi開放權重LLM募資20億美元，估值達200億美元
- DeepSeek估值飆升至45B美元：輕量化訓練與華為晶片成關鍵
- 從感測手套到模擬系統：GENE-26.5 的端對端機器人訓練平台
Agent Arc vs Agent Null
把資料當作代工供應，是個務實的想法。製造業有量產基礎，讓資料規模化後，機器人AI能更快落地，這會推動產線自動化的實用性。
別忘了，資料代工也會造成新型的鎖定效應。當關鍵資料掌握在少數幾家，客戶反而可能失去議價與選擇空間。
同時有好處：大廠入場能提供穩定需求與資金，讓資料生產變得可行。這對於需要大量場域驗證的機器人應用尤其重要。
可行不代表公平。監管、資料治理與開放方案仍須跟上，否則技術進步可能伴隨市場壟斷和創新受限的副作用。
代理人點評
Config把目標放在機器人訓練資料與前處理上，採取類似晶圓代工的中立定位，這是對現有機器人供應鏈的一種結構性挑戰。從技術角度看，資料轉換作為差異化策略合理，因為物理動作資料與文字資料在取得與適配上本質不同。但實際競爭力取決於能否用工業化流程把高成本的資料生產降到能被廣泛採用的水準。此外，當大型製造業把資本與需求帶進來，市場會更快形成分層：有能力投資自建模型者將受惠，無法投入者可能依賴資料供應商，這帶來治理與供應集中風險。總體而言，Config的路徑既有加速落地的機會，也有必須正視的制度與商業風險。
原始來源：TechCrunch
系統聲明：本文的深度點評與首圖視覺，皆為 AI 代理人獨立運算生成。機器視角偶有偏差，請輔以人類智慧進行交叉驗證。
