近日，JoinAI 卓印智能完成数千万元人民币天使+轮融资，本轮融资由杭州人才基金二期、杭州润苗基金等机构投资。
本轮融资将主要用于生成式世界模型、Experience 基础设施、训练闭环与核心产品的持续研发，加速 Terra、Simulaix 等能力的工程化与规模化落地，并进一步加强核心团队与海外业务建设。
对我们而言，这轮融资不仅意味着业务进入下一阶段，也意味着一个问题变得越来越清晰：
当 AI 真正进入物理世界，竞争的核心不只是机器“能不能做”，而是它能多快学会新的真实世界任务。
过去几年，我们从空间合成数据出发，一直沿着这条问题往下走。
今天，我们给出的答案也比最初更完整：
JoinAI 正在构建 Physical AI 的 Experience Layer。
我们希望做的，不只是提供更多数据，而是从真实业务任务出发，找到机器真正缺失的经验，把这些经验规模化，并最终验证它们是否真正转化成了模型能力。
Physical AI 的下一阶段，竞争开始转向“机器学得有多快”
语言模型过去几年的快速发展，建立在一个非常特殊的前提之上：人类已经为它积累了几千年的文字和几十年的互联网。
但 Physical AI 没有这样的先天数据基础。
机器人进入家庭、工厂、道路和服务场景的历史才刚刚开始。真正与现实任务相关的数据天然稀缺，越是高价值的失败、恢复、危险工况和长尾事件，越难稳定获得。
这也是为什么，我们较早就判断：
当 AI 从语言和图像走向世界模型、机器人与真实物理世界，数据问题不会变轻，反而会变得更复杂。
JoinAI 创始人兼 CEO 俞开文表示：
“语言模型有现成的互联网，但 Physical AI 没有。机器真正进入物理世界以后，需要学习的不只是它看到了什么，还包括任务、行动、变化和结果。这个数据问题，从一开始就是我们判断 Physical AI 会遇到的核心瓶颈之一。”
正是在这样的判断下，JoinAI 最早从空间合成数据和生成式世界模型切入，希望解决真实数据获取昂贵、长尾场景难覆盖、危险与低频任务难重复的问题。
而过去一段时间，行业的发展正在不断把这个问题推向更深处。
从 robot-native data、遥操作、UMI，到 Ego、人类视频，再到世界模型、仿真与生成式数据，Physical AI 的训练数据路线正在快速演进。
其中一个越来越重要的趋势是：
Physical AI 开始表现出从规模化经验中持续获得能力的可能性。
包括近期 DYNA-2 在内的一系列新进展，都在推动行业重新思考一个问题：
如果大规模视频、跨本体数据和世界建模能够继续推动机器人能力提升，那么 Physical AI 下一阶段真正稀缺的，究竟是什么？
我们的答案也在这个过程中逐渐变化。
真正长期有价值的，未必是某一种固定的数据格式，而是机器为了完成真实任务，究竟需要获得什么样的经验。
来源自：JoinAI卓印智能官网
数据形式会变，Experience 不会
今天，Physical AI 还远没有形成唯一的数据范式。
真实机器人数据可以变，遥操作方式可以变，传感器可以变，训练架构可以变；Ego、普通视频、仿真和生成式数据的角色也仍在快速变化。
但无论数据以什么形式存在，一台机器真正完成现实任务，最终都需要学习几个基本关系：
任务是什么；
当前世界处于什么状态；
自己采取了什么行动；
世界因此发生了什么变化；
最终结果是否达成目标。
这就是 JoinAI 所理解的 Experience。
因此，我们开始用 Experience Layer 来重新定义 JoinAI 在 Physical AI 产业链中的位置。
Experience 不是一种新的数据格式，也不是给“训练数据”换一个名字。
它更接近机器学习真实世界任务所需要的基本单元。
真实机器人数据、遥操作数据、Ego 视频、普通视频、仿真数据、生成式数据，都可以是 Experience 的不同载体。
载体会变，但任务、状态、行动、变化与结果之间的关系不会。
这也是为什么，我们今天更愿意把 JoinAI 定义为连接真实业务场景与下游机器人、VLA、世界模型之间的 Experience Layer。
来源自：JoinAI卓印智能官网
Experience 是目标，Generative Data 是规模化的重要杠杆
从 Experience Layer 出发，并不意味着我们弱化生成式数据。
恰恰相反。
如果 Physical AI 的能力真的能够随着规模化经验持续提升，那么“这些经验从哪里来”会变成更加重要的问题。
现实世界始终是最重要的数据来源之一。
但现实世界不会按照模型的训练计划主动提供样本。
它不会高频重演低概率事故，不会稳定制造危险工况，也不会按照客户需求每天重复同一个失败、异常和恢复过程。
这正是生成式技术的价值所在。
它的意义不只是“生成更多图像和视频”，而是能够围绕真实任务，主动放大那些现实世界中稀缺、昂贵但机器必须学习的 Experience。
因此，我们今天看待 Generative Data 的方式已经更清晰：
Experience 是目标，Generative Data 是规模化 Experience 的重要杠杆。
围绕这一目标，JoinAI 正在形成一套完整的 Experience 生产与验证链路。
我们从真实业务任务中识别问题和分布，再通过世界模型与生成式能力扩展标准和长尾 Experience，通过 Simulaix 等产品完成场景构建、数据生产与管理，并最终把真实模型训练与部署反馈重新带回下一轮 Experience 设计。
在这套系统里，Terra 不只是一个生成模型，Simulaix 也不只是一个生产平台。
它们共同服务于同一个目标：
让机器需要学习的 Experience 可以被定义、生产、规模化，并持续进入训练闭环。
来源自：JoinAI卓印智能官网
不止交数据，我们已经开始做“效果交付”
如果 Experience Layer 最终仍然停留在“客户定义规格、我们按照数量交付数据”，那么它与传统数据业务并没有真正拉开距离。
这也是 JoinAI 过去一年另一个非常重要的变化。
在部分客户合作中，我们已经开始进一步尝试 效果交付。
客户真正关心的，从来不是最终拿到了多少帧、多少小时或者多少 TB 的数据。
他们更关心的是：
模型为什么在这个任务上失败？
它缺少的是哪一种 Experience？
加入新的训练集以后，模型到底有没有变得更好？
因此，我们开始从客户的真实业务目标和模型能力缺口出发，共同定义训练任务和 Experience Set，再通过生成、采集、标注、验证与持续迭代，让数据真正进入模型能力提升的闭环。
一个典型过程正在变成：
业务问题
→ 模型能力缺口
→ Experience 设计
→ 数据生成与采集
→ 训练
→ 效果验证
→ 下一轮迭代
JoinAI 创始人兼 CEO 俞开文表示：
“我们不希望数据交付停在‘这批数据合不合格’。真正重要的是，模型有没有因此获得新的能力。JoinAI 接下来要做的，是从客户真实任务出发，找到模型缺失的 Experience，把它规模化，再验证它有没有真正转化成 Learning Gain。”
这并不意味着所有客户、所有项目都采用同一种合作方式。
但它代表了我们正在进入客户训练闭环更深的位置。
从交付 training-ready data，走向验证 Learning Gain；
从交数据，走向效果交付。
对我们来说，这不是商业包装，而是一条非常明确的产品和组织演进方向。
来源自：JoinAI卓印智能官网
从空间合成数据，到 Physical AI 的 Experience Layer
回头看 JoinAI 过去几年的路径，我们更愿意把它理解为一次持续深入，而不是一次转向。
我们最早看到的是：
真实世界的数据供给跟不上模型需求。
所以我们开始做空间合成数据和生成式世界模型。
后来，我们越来越深入客户的真实业务和训练流程，发现真正的问题又往前了一步：
模型到底缺什么样的数据？
再后来，当合作开始进入效果验证，我们面对的问题变成：
这些数据到底有没有真正让模型学会？
与此同时，Physical AI 的外部技术路线也在持续演进。
robot-native data、UMI、Ego、人类视频、世界模型、生成式数据不断出现新的可能性，也让我们越来越确定：
未来的数据形态还会变化，但机器为了完成真实任务所需要的 Experience 不会。
这就是 JoinAI 从 Data 走向 Experience 的原因。
不是因为原来的判断失效。
而是因为原来的问题，被行业进展和客户实践共同推向了更深的一层。
来源自：JoinAI卓印智能数据集平台
从中国到海外，我们正在让这套能力进入更多真实任务
目前，JoinAI 已服务 OpenAI、Google、SimplifyNext、弋途科技、中科创达、中昊芯英等海内外十余家客户，业务覆盖中国及海外市场。
从早期自动驾驶、智能座舱、工业与特殊场景的数据合作，到今天进一步进入机器人操作、工业灵巧任务、服务机器人、世界模型及更多 Physical AI 场景，我们正在面对越来越复杂的真实训练问题。
这也是 Experience Layer 必须建立在真实业务之上的原因。
真正高价值的 Experience，不是凭空想象出来的。
它来自模型在真实任务中的失败，来自机器人在真实场景中的边界，也来自客户为了落地业务必须解决的能力缺口。
因此，我们始终强调：
Real-world Anchored。
只有从真实任务出发，Generative Scaling 才不是无目的地“制造更多数据”；效果验证也才真正有意义。
我们正在把已经验证过的能力，变成可重复的基础设施
本轮融资完成后，我们将继续加大在生成式世界模型、真实世界校准、Experience 生产与验证、Simulaix 产品化以及 Learning Gain 验证等方向的研发和产品投入。
更重要的是，我们希望把过去已经在客户项目中被验证过的能力，进一步沉淀为可重复、可复用、可规模化的 Physical AI 基础设施。
让真实业务问题可以被更快拆解成训练任务；
让稀缺 Experience 可以被更低成本地扩展；
让不同形式的数据可以进入同一套学习闭环；
让数据价值不再停留在“交付完成”，而是最终被模型能力真实验证。
上个月，在新加坡 Agentic AI Hackathon 2026 的开幕演讲中，俞开文也公开表达了这一判断。
AI 从软件真正进入物理世界，需要形成持续的感知、预测、规划、行动和反馈闭环。真正的瓶颈，也不只是更多视频，而是能够把“看到了什么、做了什么、发生了什么、是否成功”真正连接起来的 aligned experience。 
他在现场将这一角色概括为：
“The bottleneck isn’t more video — it’s aligned experience.”
这也是 JoinAI 对下一阶段越来越明确的判断。
Physical AI 还没有迎来属于自己的 GPT 时刻。
未来最重要的数据形式仍会变化，模型架构也远未收敛。
但我们相信，有一件事情不会改变：
机器想要真正进入现实世界，就必须持续获得新的、有效的、能够转化成能力的 Experience。
JoinAI 要建设的，就是这一层。
The Experience Layer for Physical AI.
Real-world Anchored. Generatively Scaled. Learning Verified.
Better Data, Better AI, For Everyone, Forever.
JoinAI 卓印智能致力于构建面向 Physical AI 的 Experience Layer。
我们从真实业务场景出发，围绕机器完成任务所需要的任务、状态、行动、变化与结果，构建可规模化、可验证、可进入训练闭环的 Experience；并通过生成式世界模型 Terra、Simulaix 等核心技术与产品能力，为机器人、VLA、世界模型、自动驾驶及工业 Physical AI 场景提供训练数据与模型能力提升方案。
JoinAI 已服务 OpenAI、Google、SimplifyNext、弋途科技、中科创达、中昊芯英等海内外十余家客户，持续推进中国与海外市场的商业验证与合作。
官方网站：https://join-intelligence.com/
数据集平台：https://dataset.join-intelligence.com/
