1. 首頁 > 生活百科 > >

與Generalist頂峰相見，30天狂吸30億，千尋智能做對了什么？

人工智能ai超導微軟

與Generalist頂峰相見，30天狂吸30億，千尋智能做對了什么？

文章圖片

與Generalist頂峰相見，30天狂吸30億，千尋智能做對了什么？

文章圖片

與Generalist頂峰相見，30天狂吸30億，千尋智能做對了什么？

文章圖片


編輯｜Sia
資本閃電戰打響 ，
雷軍、馬云罕見同場領投
千尋智能又一次把融資節奏拉滿 。
2026 年 4 月 7 日 ， 千尋智能宣布完成新一輪 10 億元融資 。 本輪融資由順為資本、云鋒基金聯合領投 ， 達晨財智、某頭部人民幣基金、銀河源匯、圖靈基金、新鼎資本、庚辛資本等重磅加持 。
這已經是它 30 天內的第二筆大額融資 。 就在不久前的 2 月 ， 公司剛剛完成近 20 億元融資 。 兩輪疊加 ， 累計融資額直接來到 30 億元 。
更有意思的是 ， 這一輪里出現了一個極具話題性的組合：雷軍（順為）+馬云（云鋒） ， 首次在具身智能賽道同場領投 。
過去 ， 他們各自押中過移動互聯網、電商、智能硬件、云計算等關鍵周期 。 這一次 ， 在機器人尤其是仍處早期的具身智能領域聯手下注 ， 表明這個方向 ， 正在從技術想象走向資本共識 ， 開始進入由巨頭背書、資本高度集中的排位淘汰賽 。
千尋智能成立于 2024 年 1 月 ， 由機器人領域連續創業者韓峰濤、頂尖 AI 科學家高陽、機器人出海先行者鄭靈茵聯合創立 。
創始人兼 CEO 韓峰濤曾任珞石機器人聯合創始人兼 CTO， 主導交付近百款機器人型號 ， 具備深厚的工程化與量產能力 。 聯合創始人高陽畢業于加州大學伯克利分校 ， 師從計算機視覺大師 Trevor Darrell， 現為清華大學交叉信息研究院助理教授 ， 其帶領團隊開源的 Spirit v1.5 模型在 RoboChallenge 榜單中超越美國頭部模型 Pi0.5， 成為首個登頂的中國開源具身模型 。 聯合創始人鄭靈茵則是工業機器人出海的先行者 ， 曾從 0 到 1 搭建海外事業部 ， 帶領團隊深耕多個海外市場并迅速實現商業化成果轉化 。
三位創始人分別覆蓋 AI、機器人、商業化三大核心能力 ， 共同構成了業內罕見的「六邊形戰士」團隊 ， 這也是其 30 天內獲得 30 億元融資、順為資本與云鋒基金同臺重倉的底層信心所在 。 這樣的組合 ， 使千尋智能從成立之初便兼具世界級技術前瞻與商業化落地基因 。
韓峰濤曾指出 ， 2026 年 ， 拼的是數據規模和模型性能 。 今年最重要的一件事 ， 不是擴張場景 ， 而是把具身模型做到全球 Top 3 。 要做到這一點 ， 賬上必須有足夠多的錢 。
因此 ， 閃電戰式連續融資本質是用資本密度換時間優勢 ， 快速堆資源、拉開性能差距 ， 提前鎖定頭部席位 。 同時 ， 老股東在這一輪持續加注 ， 意味著投資人已經從觀望驗證切換到加速押注 。
那么 ， 千尋智能 ， 究竟是憑什么拿到這張加速入場券？它的護城河 ， 已經挖到多深了？

資本押注的底層邏輯 ，
一條更像大模型的路徑被驗證
資本為什么愿意連續加注？答案：模型 ， 已經給出了階段性答案 。
今年 1 月 ， 千尋智能開源了具身模型 Spirit v1.5 。 在公開評測中 ， 這個模型直接超過當時最強的開源模型 Pi0.5 。


但最打動資本的 ， 還是能力曲線的拐點 。
Spirit v1.5 已經展現出比較穩定的零樣本泛化能力——不需要額外訓練 ， 就可以完成擦拭、開合鉸鏈、處理柔性物體等一系列復雜操作 。
換句話說 ， 機器人開始不再只是學會一個任務 ， 而是具備了跨任務遷移的能力 ， 讓人看到了具身智能解放人類生產力的可能 。
這背后 ， 對應的是一條與大語言模型（ LLM ）高度相似的技術路徑：把模型做大 ， 把數據喂足 ， 持續迭代 ， 然后相信能力的「涌現」 。
具體來看 ， Spirit v1.5 是一個端到端的 VLA（Vision-Language-Action）統一模型 。 它不執著于還原世界的全部細節 ， 也不強調中間那層顯式的世界模擬 ， 而是直接學習從感知到動作的映射關系 。
訓練方式也很 LLM 化 。 只不過 ， 把文本數據換成了機器人數據 。 先用海量互聯網視頻進行預訓練 ， 建立基礎世界理解 ， 再用真實交互數據進行對齊——先獲得泛化能力 ， 再逼近具體任務 。
結果 ， 在更低的算力和參數規模下 ， 反而跑出了更強的泛化表現 。
就在前幾天 ， 這條路徑也得到了硅谷同行的「同頻共振」 。
4 月 3 日 ， 硅谷具身智能公司 Generallist AI 發布基礎模型 GEN-1 ， 用 50 萬小時真實物理交互數據 ， 驗證了具身智能領域的 Scaling Law 。 效果有多猛？
這些機器人將多項物理任務的平均成功率 ， 從 64% 大幅提升至 99% ；執行速度幾乎和人類一樣快 ， 達到現有最先進系統的約 3 倍 ， 還能臨場即興發揮 。 更夸張的是 ， 每一項能力的獲得 ， 僅需約 1 小時的機器人數據 。
公司 CEO Pete Florence 指出 ， 機器人領域現在發生的事情 ， 與人們打開 GPT-3 并要求它寫一首全新的五行打油詩（ limerick ）時的情形很相似 。
類似的觀察 ， 也得到過千尋團隊的驗證 。 「我們團隊也發現了具身智能領域的 Scaling Law ， 數據每增加 10 倍 ， 結果里就會多一個 9。 」高陽曾這樣形容這條曲線的陡峭程度 。 我們正處于具身智能的 Scaling Law 時刻 ， 因為機器人的數據更難搞一些 ， 所以我覺得機器人的 GPT-4 要更久一些 ， 可能需要 4-5 年 。
可以說 ， 資本加注的 ， 是一條已經被初步驗證、同時具備更高性價比和擴展潛力的技術路線 。
數據引擎 ， 路徑成立的關鍵
在具身智能領域 ， 幾乎所有人都有一個共識：數據采集是一個根本性的瓶頸 。
大模型可以吃下互聯網的海量語料 ， 但機器人不行——體力勞動的世界里 ， 沒有維基百科 。 表面上看 ， 大家都在卷模型 ， 但更底層的競爭其實是數據引擎 。 「為了實現擴展 ， 我們會不惜一切代價 。 」 Pete Florence 直言不諱 。
既然相信 Scaling Law ， 那么什么樣的數據體系 ， 既能低成本獲取 ， 又能持續擴張 ， 還具備足夠多樣性？
以往成功率超過 90% 的機器人通用模型依賴于極其昂貴且難以擴展的大規模遠程操作數據集（比如 Physical Intelligence ） 。 但 Generallist AI 自研了「數據手」（ data hands ）——一種佩戴在手腕上的二指穿戴設備 ， 將人的雙手變成類似機器人的夾具 ， 從而收集視覺和感官數據 。
結果 ， GEN-0 、 GEN-1 的進展驗證了這一數據引擎也可實現高水平精通——它們并未使用機器人數據 ， 僅僅采用了人類佩戴低成本可穿戴設備進行數百萬項活動產生的數據 。
千尋智能 ， 也在推進以多樣性為核心的 Scaling 路線 。
在硬件方案上 ， 千尋也選擇了可穿戴方案 ， 但走得更遠 。 為了讓模型學習人類級精細操作 ， 他們采用了三指結構的設計——智能整機配備 26 個自由度 ， 每個關節集成力傳感器 ， 搭載三指靈巧手 。 但技術挑戰也顯著提升 。 三指結構在可穿戴數采中面臨更高的自由度、更精細的力控要求及更復雜的動作映射 。
目前 ， 千尋的可穿戴設備已經迭代到第五代 ， 數據可用性從 30% 提升到 95%， 同時成本被壓縮到遙操作的十分之一左右 。
需要注意的是 ， 與 Generallist AI 完全倚重可穿戴數據不同 ， 千尋構建的是一個多源融合的數據引擎 。
在預訓練階段 ， 除了大量可穿戴數據 ， 千尋智能還積極融合互聯網視頻進行預訓練 ， 以獲取通用常識和基礎能力 。 隨后 ， 引入真機的遙操作數據 ， 進行精細的 SFT（監督微調） ， 提升模型在實際任務中的表現 。 最后 ， 通過強化學習進一步優化：讓模型在真實環境持續 roll-out ， 不斷生成新數據 ， 反哺模型 。
到目前為止 ， 千尋已經拿到超過 20 萬小時的真實交互數據 ， 來源橫跨互聯網視頻、遙操作、可穿戴采集等多個渠道 ， 并且這個數字還在快速增長 ， 預計 2026 年將突破 100 萬小時 。 截至 2026 年 4 月 ， 千尋智能數據采集團隊也將達到千人規模 。
值得一提的是 ， 千尋對數據的理解 ， 也經歷了一次本質性的轉變 。
他們不再執著于行業主流那套精雕細琢的腳本化數據 ， 而是轉向一種更開放的多樣化采集范式：不再嚴格規定動作路徑 ， 而是圍繞任務目標 ， 讓執行過程自然展開：允許失敗、允許打翻、允許中斷 ， 再繼續完成 。
這帶來的變化是根本性的 ， 模型學會的不再是這件事怎么做 ， 而是遇到類似情況 ， 該怎么處理 。 在相同數據規模下 ， 這種數據分布顯著提升了模型的遷移效率 ， 同時降低了對算力的依賴 。
「沿途下蛋」 ，
現實場景數據 ， 反哺模型
在千尋的數據引擎里 ， 真正決定飛輪能否轉起來的 ， 不只是數據源 ， 而是持續在真實環境中 roll-out 的能力 。
韓峰濤曾總結說 ， 走向真實場景 ， 是為了拿到模型進化的燃料（數據） 。 商業化 ， 是讓這一獲取過程變得可持續、可規?；?。
這背后 ， 其實也對應著一條清晰的中美路徑分化 。 在美國 ， 一些公司可以長期圍繞基礎模型本身投入 ， 用時間換能力上限；但在中國 ， 沒有 demo 、沒有落地信號 ， 就很難持續獲得融資 。 大多數能活下來、甚至活得不錯的公司 ， 多會選擇一條更折中的路徑 。
通往通用 AI ， 更是一條長坡厚雪的路 ， 不可能等模型成熟再找應用 。 只有先讓機器人進入真實生產環境 ， 參與真實業務運行 ， 才能利用真實業務運行產生的海量數據 ， 反哺模型 ， 持續進化 。
作為國內首家將多樣化數據采集路線從理論推向工程化、規?；?， 并在真實商業場景中完成雙重驗證的具身智能公司 ， 千尋機器人堅持「沿途下蛋」 。 他們從可控場景切入 ， 優先進入工業和服務業這兩類結構相對穩定、任務邊界清晰、利潤高也愿意付費的領域 ， 驗證模型能力的同時支撐公司運營 。
例如 ， 在零售場景中 ， 千尋與京東（也是投資人之一）的合作正在加深 。 「小墨」已進入京東 MALL， 上崗擔任咖啡師 。 在完成服務任務的同時 ， 機器人也會同步采集多模態感知數據、關節運動軌跡以及精細力反饋信息 。
這些來自真實零售環境的「專家級數據」 ， 將直接用于具身模型的訓練與微調 ， 形成「數據采集—模型迭代—能力提升」的正向閉環 。

千尋智能機器人已正式在京東MALL上崗履職 ， 承擔咖啡師 。
雙方還計劃將具身智能進一步擴展至更多零售細分領域 ， 包括數碼家電導購、巡檢導覽自動化清潔等 。 同時 ， 京東藥房也被視為核心突破口 ， 機器人將參與自動分揀、精準配藥等高精度任務 ， 探索無人化智慧藥房方案 。
在進入京東 Mall 之前 ， 千尋已經在工業環境中完成了一輪驗證 。 「小墨」已走上寧德時代的動力電池包產線 ， 承擔下線前的最終功能測試 。 截至目前 ， 它已完成超過 1000 塊電池的插接作業 ， 成功率穩定在 99% 以上 ， 作業節拍也逼近熟練工人水平 。

「小墨」已經走上動力電池包產線
具身智能 ， 短期內還不會迎來落地即分勝負的時刻 。 但一個更清晰的趨勢已經出現——競爭 ， 不再只是誰的數據更多 ， 而是轉向誰能更高效獲取真實場景數據 ， 以及誰能構建更高頻運轉的數據—模型飛輪閉環 。
在完成階段性的估值躍遷后 ， 千尋智能將一方面押注模型的泛化能力 ， 一邊持續放大數據規模優勢 ， 用真實世界的高頻反饋 ， 加速模型迭代 。
【與Generalist頂峰相見，30天狂吸30億，千尋智能做對了什么？】回看 2019 年的 GPT-2 ， 也許不值一提 ， 但隨著規模不斷擴大 ， 通用化能力帶來的回報迅速放大 。 現在 ， 同樣的拐點 ， 正在機器人領域重演 。

    推薦閱讀