最年輕百億具身智能企業，千尋智能靠模型上桌

作者：呂鑫燚

出品：具身研習社

具身智能百億俱樂部意味著什么？

首先，這絕不是資本盲目押注的產物，也不是風口捧起來的新星。而是在具身智能進入下半場時，杜絕無法落地的PPT故事，不斷用更前沿的技術給產業新驚喜，用能落地的產品給終端一個提質增效的新生產力。

這才是具身智能百億俱樂部成員的內核，也是具身智能真正實現產業化的關鍵支撐。

如果要找更具象的答案，則可以通過近期的一則新聞來透視。近日，千尋智能連續完成兩輪融資近20億，估值破百億。由云鋒基金、某頭部國資機構、混沌投資（葛衛東）、紅杉中國等機構入局；Synstellation Capital、TCL創投、明薈投資（匯川技術董事長朱興明家辦）等產業資本協同加注；重慶產業投資母基金、杭州金投等國有資本支持；360基金、厚雪資本等戰投機構共同參與，形成覆蓋頂級資本、產業巨頭、國有資本及戰投大咖的全方位賦能格局。

此外，順為資本、Prosperity7、達晨財智、柏睿資本、弘暉基金、華泰紫金、東方嘉富、千乘資本、廣發信德等老股東全部選擇繼續大額認購。

這樣的資本認可度，絕非單純的風口追逐，背后是千尋智能在模型技術與場景價值上的扎實積累，也印證了百億俱樂部“技術成熟度+產品落地性”的核心準入門檻。更向市場傳遞明確信號：只有真正能解決產業痛點、創造實際價值的企業，才能實現具身智能生產力時刻，也具備沖擊AGI的底氣。

而這，正是具身智能百億俱樂部的核心意義所在。

但躋身百億俱樂部只是千尋智能的新起點，這意味著其來到了更大的舞臺大展拳腳，在20億融資的加持下，千尋智能將突破閾值，觸碰到具身智能的Scaling Law。

如果說具身智能百億俱樂部成員都有一個鮮明的標簽，那千尋智能身上一定是“模型”，而且是越來越聰明的模型。

強有力的佐證是，千尋智能的Spirit v1.5是首個超越pi0.5的具身模型。

具體來看，在同樣的桌面清理任務上，面對桌面隨意擺放的不同尺寸、不同形狀、不同材質且極易形變操作物體時（透明塑料瓶、碗碟、紙巾等），Spirit v1.5能有條不紊地將桌面垃圾分別收納進垃圾桶或桌面上的整理箱中，還和人類收納慣性相同，把小碗一一疊起來。而pi0.5則在該任務上有明顯失誤。

這不是精心排練后的成果，而是模型自我驅動的現實驗證。

能輕松應對多項隨機的復雜任務，靠的是千尋智能一條“反常識”的邏輯。

大多數廠商在訓練模型時更偏向于“干凈數據”，即準確性高、環境高結構化的完美數據。這類數據足夠干凈，能讓模型快速理解現實世界，并在同樣可控的環境中復現。但如果現實環境不夠完美或有隨機因素發生，吃慣了干凈數據的模型，則很容易出現失誤。就好像現實出了一道不在考試范圍內的考題一般，模型沒學過，所以很難能答上來。

基于此，千尋智能開始思考如何能讓模型真正應對隨機復雜任務，拿捏意外情況。畢竟，這才是具身智能落地的最高門檻。

最終千尋智能提出“干凈數據是打造卓越具身基礎模型的敵人”。

通俗來說，用干凈數據訓練出來的模型，學到的只是一個個孤立、標準化的正確動作，本質上是一座座彼此割裂的數據孤島，而非連貫統一的任務邏輯。而千尋智能讓模型學習的，不是被腳本規定好的指令式操作，而是由數據采集員自主規劃、自然完成的完整任務流。模型由此掌握的是一整套做事邏輯，而非零散的機械動作。

換句話說，具身智能模型，已經進入學“骨架”而非學“動作”的時候。

這種數據訓練模式得到的利好反饋，還體現在收斂速度和實際效果中，數據顯示千尋智能采用的多樣化模型在相同性能所需的迭代次數比基線模型少了40%。

從千尋智能在數據顛覆性實踐不難看出，其在模型層面推進的并非局部優化式的基礎創新，而是一場自下而上、重構底層邏輯的范式革命。

這種路徑躍遷，不僅為千尋智能鍛造出更具通用智能、更適應真實世界“大腦”，更通過全球頂級真機評測的硬核成績驗證：中國團隊正在全球具身大模型的激烈競爭中，爭奪話語權。

得益于模型能力的跨越式提升，千尋智能也加速走進真實工作場景中。目前，千尋智能的墨子機器人在寧德時代的電池PACK真實量產線上穩定工作，在實際運行中，其插接成功率穩定在99%以上，作業節拍已達到熟練工人水平，已經生產近千塊電池。

據具身研習社了解，墨子機器人在寧德時代執行的具體工序是EOL&DCR。該工序體現了墨子機器人能精準適應來料位置偏差、插接點位變化等不確定性，并及時調整操作姿態；在插拔柔性線束時，能實時調節力度，確保連接可靠。

這便意味著，千尋智能啃下的不僅是單一終端場景，而是具有極強的場景復制性。

未來，千尋智能能面向工業場景中所有多品種、小批量、高柔性特點的需要頻繁切拉換型的生產組織模式下的場景。還能走向商用、家庭等真實場景。

從超越pi0.5，到寧德時代的產線驗證，再到全場景的復制潛力，千尋智能用“模型驅動”的核心邏輯證明：具身智能的終極競爭，本質是“模型能力”的競爭。當模型能像人類一樣在真實世界中學習、進化，中國具身智能便真正掌握了話語權轉變。

透過Spirit v1.5大膽采用“臟數據”這事就能看出，千尋智能的底色并非在技術參數上追求極致堆砌，它的“強迫癥”更多體現在對“可落地、可規?；苯Y果的偏執堅守。

這個結果的實現分為清晰的兩步：其一，讓技術真正走出實驗室，具備應對真實世界不確定性的能力；其二，讓成熟技術突破成本瓶頸，實現規模化復制。前者是“能用”的基礎，后者是“好用”的關鍵，而千尋智能的核心創新，正是圍繞這兩個目標構建起閉環的技術體系。

在“讓技術真正落地”的第一重目標下，“臟數據”的運用只是其中一環。千尋智能還搭建起“互聯網視頻+遙操+真機Rollout”的架構。這條架構指向的是“以數據為中心”(Data-Centric AI, DCAI)的路線，與行業普遍依賴的“算法驅動”不同，它讓數據成為模型迭代的核心引擎，通過數據質量與規模的雙提升，替代單純的算法參數優化，實現更高效的能力躍遷。

這種三層架構的精妙之處，在于通過多源數據的互補形成“能力閉環”，互聯網視頻數據的“泛”解決了覆蓋度，遙操數據的“精”保證了操作質量，真機數據的“實”驗證了落地效果。形成三種數據互相補齊短板的閉環數據架構。又通過Data-Centric的思路，讓模型在數據的持續滋養中不斷進化出更高的智商，最終實現“越用越聰明”的自我迭代。

而在“實現規?；涞亍钡牡诙啬繕松希ぶ悄苁钩龅摹捌嬲小?，是對數據采集成本的極致壓縮，這正是破解具身智能產業化瓶頸的關鍵。

當前行業面臨的核心痛點之一，便是數據采集的高成本與低效率。為了解決產業痛點，同時也是遵循對數據Scaling Law技術路線的長期投入，千尋智能著手進行可穿戴數采設備的研發和相應理論的驗證。

截至目前，千尋智能的可穿戴式數采設備已經迭代到第5個大版本和第20個小版本。得益于自研設備，千尋智能實現了從低成本硬件設計，到高質量數據采集、數據清洗鏈路搭建。基于該可穿戴式設備，千尋智能將具身智能的數據成本降低了10倍，僅為遙操成本的10%。

更為重要的是，千尋智能在低采集成本和三層數據架構協同中，碰撞出了“涌現”?；诨ヂ摼W人類視頻數據和可穿戴設備數據的量級，其已經具備了Scaling的條件（目前已累計20w小時數據）。千尋智能不僅驗證了數據的質量和效率，并且已經跑通了批量化復制這些數據的管線。

當數據成本不再成為制約，當技術不再需要為客觀條件“讓渡性能”，千尋智能打破的不僅是具身智能的產業化瓶頸，更是技術與物理世界高頻交互的“次元墻”，數據成本突破后，技術潛力將迎來集中爆發。

20億元融資的到位，對千尋智能而言，是企業規模擴張與技術爬坡的重要資金支撐，也是其沖擊AGI的關鍵資源保障。

作為全球第一批堅定投入VLA（視覺-語言-動作）模型的具身智能廠商，千尋智能一直在探索VLA更多的可能性，致力于讓模型走進現實世界中。

而這一路線正與全球頂尖科技巨頭形成“同頻共振”。放眼國際，Google Brain以及長期霸榜的Pi團隊，均已將核心研發資源押注于通用操作型大腦的構建，不約而同地在VLA的賽道上持續深耕。

這并非巧合，而是行業對具身智能的共識：唯有打通視覺感知、語言理解與動作執行的全鏈路，才能讓機器人真正具備 “理解意圖、規劃動作、應對復雜” 的通用能力。

更具行業印證意義的是，Pi近期公開的基于人類視頻學習的技術成果，從實踐層面佐證了千尋智能兩年前的預判。該成果清晰顯示，人類視頻數據憑借其海量性、場景多樣性與操作原生性，能夠為模型提供最貼近真實世界的學習樣本。

而想要保持技術引領，除了團隊自身還需要外部的推波助瀾。

無論是擴容算力，還是持續加碼研發、吸引全球頂尖人才，關鍵燃料的到賬，都讓千尋智能更有底氣有驗證更前沿的技術，夯實底層技術壁壘。

將這次融資放到更高維度來看，或許這筆融資的意義，早已超越企業自身的發展。當下，全球具身智能競爭已進入“規模決勝”的關鍵階段，數據規模、算力儲備與資金實力，直接決定了企業能否觸達Scaling Law的核心拐點。

從這個角度看，千尋智能這輪融資，既是企業沖刺AGI路上的一次關鍵加油，也將是改寫全球具身智能模型梯隊洗牌的變量之一。