事件
優時科技完成B2輪數億元融資，宣布從L4低速自動駕駛視覺系統擴展至人形機器人。這不是簡單的多元化，而是一場能力遷移的典範案例。
為什麼這個轉向不是賭博
優時科技8年磨劍，從2018年種子輪開始，經歷6輪融資，累積了視覺系統在真實場景下的訓練與驗證：
- **視覺算法**：計算機視覺框架在低速自動駕駛場景下已達到可部署級別，識別行人、障礙物、導航的模型已被驗證
- **數據標註基礎設施**：6年積累的標註體系、質量控制流程、眾包或內部標註隊伍
- **場景覆蓋**：商圈、步行街、地下停車場等真實複雜環境的大量視頻數據
人形機器人的視覺需求（環境感知、物體識別、手臂精度控制）與自動駕駛在感知層 overlaps 高達 70%。
數據飛輪的本質
這是一場典型的「降低邊際成本」遊戲：
1. 自動駕駛場景收集的行人檢測、距離估計、動態預測的標註數據 2. 直接複用於人形機器人的"人類周圍環境理解"模塊 3. 反向迴圈：機器人在實際部署中遇到的新場景（室內擁擠、複雜遮擋），又充實自動駕駛模型
對投資方而言，這意味著： - B1 融資的數據資產不只服務一個產品線 - B2 融資可用更低的邊際成本切入賽道容量更大的人形機器人市場
陷阱與現實
數據複用看起來完美，但有三個隱藏成本：
1. 分佈漂移（distribution shift）：自動駕駛視角（俯視、近距離路面）vs. 機器人視角（眼睛高度、手臂抓取），傳感器參數不同，訓練數據需重新標註 2. 標註優先級衝突：為自動駕駛優化的標註體系（車道線、紅綠燈、行人軌跡）對機器人的物體操縱屬性標註不足 3. 組織能力遷移困難：懂低速自動駕駛的工程團隊不一定懂機械臂控制的實時性要求
優時科技如能克服這些，將在人形機器人視覺領域建立護城河（已有成熟的數據標註SOP、驗證過的感知棧）。