具身智能的发展依赖高质量数据，目前面临“视频合成+3D重建”和“端到端3D生成”两种技术路线的竞争。前者容易产生误差，后者则需解决常识缺乏等问题。为应对数据不足，提出“模态编码”技术，旨在生成可理解的空间数据，推动具身智能向通用智能发展。