开云（体育中国）kaiyun官方网站

　　公司千寻智能（Spirit AI）宣布连续完成两轮融资近 20 亿元，估值突破百亿。

　　本轮融资阵容堪称行业资本的集中亮相：云锋基金、某头部VC、某头部国资机构、混沌投资（葛卫东）等超一线机构重磅入局；Synstellation Capital、TCL创投、明荟投资（汇川技术董事长朱兴明家办）等产业资本协同加注；重庆产业投资母基金、杭州金投等国有资本鼎力支持；360基金、厚雪资本等战投机构共同参与，形成覆盖顶级资本、产业巨头、国有资本及战投大咖的全方位赋能格局。

　　值得关注的是，顺为资本、Prosperity7、达晨财智、柏睿资本、弘晖基金、华泰紫金、东方嘉富、千乘资本、广发信德等老股东全部选择继续大额认购，以持续加码的实际行动，彰显对公司技术路线与发展前景的坚定信心。

　　2025年是中国具身智能行业毫无争议的“融资爆发年”。根据IT桔子数据，全年共发生329起融资事件，融资金额高达398.9亿元，同比增长3倍。这条赛道的格局也从早期的“百家争鸣”快速收敛为“头部集中”。

　　进入2026年，又有多家具身智能企业宣布最新融资消息，头部企业估值达百亿人民币以上。

　　在一片“独角兽丛林”中，千寻智能以近20亿元的两轮连续融资、估值突破百亿的成绩入场，已经进入了这条赛道的第一梯队。

　　千寻智能成立于2024年初，但成立不到两年，已经完成了从种子轮到Pre-A+轮的多轮融资，资本密集押注的背后，首先是对团队的判断。

　　创始人兼CEO韩峰涛是机器人行业的连续创业者。他此前担任珞石机器人联合创始人兼CTO，主导交付了超过2万台工业机器人，覆盖20多个行业场景，是国内高性能轻型工业机器人的先行者和力控协作机器人量产交付第一人。

　　联合创始人高阳在加州大学伯克利分校获得博士学位，师从计算机视觉大师Trevor Darrell和机器人专家Pieter Abbeel（后者正是美国具身智能头部公司Physical Intelligence的联合创始人），后回国担任清华大学交叉信息研究院助理教授。

　　高阳的学术积累直接转化成了千寻智能的模型能力。他提出的ViLa算法被美国明星公司Figure直接采用，强化学习领域的EfficientZero算法曾获OpenAI联合创始人John Schulman高度评价。

　　2025年，高阳团队提出的One-Two VLA架构解决了传统VLA模型面对复杂指令容易“卡壳”的难题，它引入了一套“快慢系统”，让模型能自主判断任务复杂度：遇到简单任务直接执行，遇到复杂指令则自动拆解为子任务逐步完成。这一架构与此前的ViLa、CoPa等研究成果共同演化，最终构成了千寻智能Spirit系列VLA模型的技术底座。

　　千寻智能聚焦视觉-语言-动作（VLA）技术路线，但在数据策略上做了差异化。高阳将之称为“数据金字塔”训练理念。

　　顺为资本合伙人耿益璇说：“千寻智能是我们最早发掘、且连续多轮加注的核心项目。他们从一开始就选了一条‘难而正确’的路。”

　　“我们在预训练阶段没有走传统‘世界模型’预测每一帧的老路，那条路算力消耗巨大且效率不高，”高阳说，“我们选择基于海量人类互联网视频进行预训练，在更少参数量下实现更好效果，显著降低算力成本。”

　　这套理念的核心逻辑是：将数据按照信息量和采集成本分层——底层是海量的互联网人类视频（低成本、高覆盖），中层是遥操作和可穿戴设备采集的交互数据，顶层是真机rollout产生的高精度数据。不同层级的数据在训练流程的不同阶段发挥作用，形成一个金字塔结构。

　　在数据采集端，千寻智能自研的可穿戴式Kaiyun体育官方网站 开云登录网站数采设备已迭代至第5代，将采集成本降至传统遥操作方式的1/10。截至目前，公司已累计获取超20万小时多类型线万小时。

　　更为关键的是千寻提出的一个反直觉观点：Dirty data is the key to scaling VLA models（非完美数据才是扩展VLA模型的关键）。团队发现，在多样化的“非完美数据”上训练，反而能获得斜率更高的Scaling曲线。换句话说，数据的多样性，远比“干净”本身更有价值。

　　这套技术路线月得到了一次关键验证。根据千寻官方资料，Spirit v1.5成为国内首个在性能上超越Pi0.5的开源具身模型。

　　Spirit v1.5最引人注目的是其零样本泛化能力，无需针对新任务进行额外训练，即可完成擦拭物体、操作铰链、处理柔性物体等复杂操作。它不是一个只会做特定动作的“专才”，而是一个能够在从未见过的场景中自主决策和操作的“通才”。

　　千寻智能所聚焦的VLA技术路线，与Google DeepMind、Physical Intelligence等全球头部企业高度同频。云锋基金执行董事董怀谨评价说：“专属物理世界的AI大脑是具身智能实现跃迁的重要前提，而穿越周期的核心壁垒来自于技术对生产力的实际创造。”

　　技术参数和榜单排名是一回事，能不能在真实产线上“干活”是另一回事。这也是当前具身智能行业最深层的痛点：Demo和落地之间隔着一条巨大的鸿沟。

　　北京航空航天大学教授王田苗曾在公开发言中指出，具身智能繁荣背后存在隐忧，“当一定比例的企业技术路线高度雷同时，未来的竞争可能走向价格比拼”，他认为，“具身智能的核心突破口是垂类模型和数据训练，竞争不是简单的‘给钱给地’，而是围绕‘技术闭环-量产能力-数据回流-商业闭环’展开的全链条竞速。”

　　千寻自研的“小墨”机器人，已在宁德时代中州基地电池PACK量产线的EOL&DCR工序上稳定运行，成为产线核心设备。累计生产近千块电池，插接成功率稳定在99%以上，作业节拍达到甚至超过熟练工人水平。更关键的是，小墨展现出了对生产不确定性的毫秒级快速适应能力和超越人类的柔性操作能力。

　　在商用领域，千寻智能的“墨子”机器人已在京东零售场景中承担讲解互动与产品操作演示，双方正共同探索京东云及Joyinside大模型在大型零售网络中的落地。

　　站在2026年初回望，具身智能已经不再是纯粹的“未来叙事”。机器人正在被拉进工厂、仓库和产线，但距离真正的大规模产业化，这条路还有多远？

　　第一是数据瓶颈。人类模态从语言到视觉再到行动存在巨大鸿沟，两岁小孩都能完成的搭积木动作，对机器人来说仍然困难重重。训练数据的规模和多样性远远不够，而采集成本又居高不下。千寻智能通过自研采集设备将成本降低90%、并提出“非完美数据”策略来扩展数据规模，是目前行业内为数不多的系统性回答之一。

　　第二是从Demo到量产的鸿沟。大量公司可以在实验室里展示炫酷的动作视频，但要在线小时稳定运行，面临的挑战完全不同，包括温度、振动、工件偏差、不确定性，每一个变量都可能导致失败。千寻智能在宁德时代产线上验证了这种能力，但这种验证目前仍然是个案，规模化复制还需要时间。

　　第三是商业模式的闭环。一位投资人曾指出，具身智能技术真正进入工厂和家庭可能还需要3到5年甚至更久，在此之前，企业不可能永远依赖一级市场融资。谁能率先跑通“技术闭环-量产能力-数据回流-商业闭环”的正向循环，谁才有资格留在牌桌上。

　　千寻智能选择的VLA路线，是一条被公认为天花板最高、但门槛也最高的路。它追求的是通用具身模型，让机器人具备理解物理世界的能力，而不只是执行特定任务的工具。

　　这条路的终局指向的是一个更宏大的命题：当机器人真正具备零样本泛化能力，它就不再是“专用设备”，而是“通用劳动力”。

　　高阳曾公开表达过一个判断：我们正处在“Robot GPT-1”阶段，四年后可能达到3.5阶段。他也坦言，在一个相当长的时间内，大多数具身智能只能达到“有限场景内的L4”，广泛场景的通用智能还不现实。

　　千寻智能既没有许诺一个“明年就能进入千家万户”的激进愿景，也没有停留在实验室里追求论文数量。它选择了一条“难而正确”的中间道路：用真实产线验证技术，用产线数据反哺模型，再用更强的模型扩展到更多场景。

　　20亿元融资，为这场长跑提供了弹药。但在这片竞争日趋白热化的“独角兽丛林”里，真正的考验才刚刚开始。