與Generalist頂峰相見，30天狂吸30億，千尋智能做對了什么？

編輯｜Sia

資本閃電戰(zhàn)打響，

雷軍、馬云罕見同場領投

千尋智能又一次把融資節(jié)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(lián)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(jīng)是它30 天內(nèi)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(xiàn)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(lián)網(wǎng)、電商、智能硬件、云計算等關(guān)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(lián)手下注，表明這個方向，正在從技術(shù)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(xù)創(chuàng)業(yè)者韓峰濤、頂尖 AI 科學家高陽、機器人出海先行者鄭靈茵聯(lián)合創(chuàng)立。

創(chuàng)始人兼 CEO 韓峰濤曾任珞石機器人聯(lián)合創(chuàng)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(chǎn)能力。聯(lián)合創(chuàng)始人高陽畢業(yè)于加州大學伯克利分校，師從計算機視覺大師 Trevor Darrell ，現(xiàn)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?shù)闹袊_源具身模型。聯(lián)合創(chuàng)始人鄭靈茵則是工業(yè)機器人出海的先行者，曾從 0 到 1 搭建海外事業(yè)部，帶領團隊深耕多個海外市場并迅速實現(xiàn)商業(yè)化成果轉(zhuǎn)化。

三位創(chuàng)始人分別覆蓋 AI、機器人、商業(yè)化三大核心能力，共同構(gòu)成了業(yè)內(nèi)罕見的「六邊形戰(zhàn)士」團隊，這也是其 30 天內(nèi)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(shù)前瞻與商業(yè)化落地基因。

韓峰濤曾指出，2026 年，拼的是數(shù)據(jù)規(guī)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(zhàn)式連續(xù)融資本質(zhì)是用資本密度換時間優(yōu)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(xù)加注，意味著投資人已經(jīng)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(jīng)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(xù)加注？答案：模型，已經(jīng)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(jīng)展現(xiàn)出比較穩(wěn)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(chǎn)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(shù)路徑：把模型做大，把數(shù)據(jù)喂足，持續(xù)迭代，然后相信能力的「涌現(xiàn)」。

具體來看，Spirit v1.5 是一個端到端的 VLA（Vision-Language-Action）統(tǒng)一模型。它不執(zhí)著于還原世界的全部細節(jié)，也不強調(diào)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(guān)系。

訓練方式也很 LLM 化。只不過，把文本數(shù)據(jù)換成了機器人數(shù)據(jù)。先用海量互聯(lián)網(wǎng)視頻進行預訓練，建立基礎世界理解，再用真實交互數(shù)據(jù)進行對齊——先獲得泛化能力，再逼近具體任務。

結(jié)果，在更低的算力和參數(shù)規(guī)模下，反而跑出了更強的泛化表現(xiàn)。

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(fā)布基礎模型 GEN-1，用 50 萬小時真實物理交互數(shù)據(jù)，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(zhí)行速度幾乎和人類一樣快，達到現(xiàn)有最先進系統(tǒng)的約 3 倍，還能臨場即興發(fā)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(shù)據(jù)。

公司 CEO Pete Florence 指出，機器人領域現(xiàn)在發(fā)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(fā)現(xiàn)了具身智能領域的 Scaling Law，數(shù)據(jù)每增加 10 倍，結(jié)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(shù)據(jù)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(jīng)被初步驗證、同時具備更高性價比和擴展?jié)摿Φ募夹g(shù)路線。

數(shù)據(jù)引擎，路徑成立的關(guān)鍵

在具身智能領域，幾乎所有人都有一個共識：數(shù)據(jù)采集是一個根本性的瓶頸。

大模型可以吃下互聯(lián)網(wǎng)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(shù)據(jù)引擎。「為了實現(xiàn)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(shù)據(jù)體系，既能低成本獲取，又能持續(xù)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(guī)模遠程操作數(shù)據(jù)集（比如 Physical Intelligence ）。但 Generallist AI 自研了「數(shù)據(jù)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(shù)據(jù)。

結(jié)果，GEN-0 、 GEN-1 的進展驗證了這一數(shù)據(jù)引擎也可實現(xiàn)高水平精通——它們并未使用機器人數(shù)據(jù)，僅僅采用了人類佩戴低成本可穿戴設備進行數(shù)百萬項活動產(chǎn)生的數(shù)據(jù)。

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(jié)構(gòu)的設計——智能整機配備 26 個自由度，每個關(guān)節(jié)集成力傳感器，搭載三指靈巧手。但技術(shù)挑戰(zhàn)也顯著提升。三指結(jié)構(gòu)在可穿戴數(shù)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(jīng)迭代到第五代，數(shù)據(jù)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(shù)據(jù)不同，千尋構(gòu)建的是一個多源融合的數(shù)據(jù)引擎。

在預訓練階段，除了大量可穿戴數(shù)據(jù)，千尋智能還積極融合互聯(lián)網(wǎng)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(shù)據(jù)，進行精細的 SFT（監(jiān)督微調(diào)），提升模型在實際任務中的表現(xiàn)。最后，通過強化學習進一步優(yōu)化：讓模型在真實環(huán)境持續(xù) roll-out，不斷生成新數(shù)據(jù)，反哺模型。

到目前為止，千尋已經(jīng)拿到超過 20 萬小時的真實交互數(shù)據(jù)，來源橫跨互聯(lián)網(wǎng)視頻、遙操作、可穿戴采集等多個渠道，并且這個數(shù)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(shù)據(jù)采集團隊也將達到千人規(guī)模。

值得一提的是，千尋對數(shù)據(jù)的理解，也經(jīng)歷了一次本質(zhì)性的轉(zhuǎn)變。

他們不再執(zhí)著于行業(yè)主流那套精雕細琢的腳本化數(shù)據(jù)，而是轉(zhuǎn)向一種更開放的多樣化采集范式：不再嚴格規(guī)定動作路徑，而是圍繞任務目標，讓執(zhí)行過程自然展開：允許失敗、允許打翻、允許中斷，再繼續(xù)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(shù)據(jù)規(guī)模下，這種數(shù)據(jù)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(xiàn)實場景數(shù)據(jù)，反哺模型

在千尋的數(shù)據(jù)引擎里，真正決定飛輪能否轉(zhuǎn)起來的，不只是數(shù)據(jù)源，而是持續(xù)在真實環(huán)境中 roll-out 的能力。

韓峰濤曾總結(jié)說，走向真實場景，是為了拿到模型進化的燃料（數(shù)據(jù)）。商業(yè)化，是讓這一獲取過程變得可持續(xù)、可規(guī)模化。

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(xù)獲得融資。大多數(shù)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(chǎn)環(huán)境，參與真實業(yè)務運行，才能利用真實業(yè)務運行產(chǎn)生的海量數(shù)據(jù)，反哺模型，持續(xù)進化。

作為國內(nèi)首家將多樣化數(shù)據(jù)采集路線從理論推向工程化、規(guī)模化，并在真實商業(yè)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(yōu)先進入工業(yè)和服務業(yè)這兩類結(jié)構(gòu)相對穩(wěn)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(tài)感知數(shù)據(jù)、關(guān)節(jié)運動軌跡以及精細力反饋信息。

這些來自真實零售環(huán)境的「專家級數(shù)據(jù)」，將直接用于具身模型的訓練與微調(diào)，形成「數(shù)據(jù)采集—模型迭代—能力提升」的正向閉環(huán)。

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(shù)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(jīng)在工業(yè)環(huán)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(chǎn)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(yè)，成功率穩(wěn)定在 99% 以上，作業(yè)節(jié)拍也逼近熟練工人水平。

「小墨」已經(jīng)走上動力電池包產(chǎn)線

具身智能，短期內(nèi)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(jīng)出現(xiàn)——競爭，不再只是誰的數(shù)據(jù)更多，而是轉(zhuǎn)向誰能更高效獲取真實場景數(shù)據(jù)，以及誰能構(gòu)建更高頻運轉(zhuǎn)的數(shù)據(jù)—模型飛輪閉環(huán)。

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(xù)放大數(shù)據(jù)規(guī)模優(yōu)勢，用真實世界的高頻反饋，加速模型迭代。

回看 2019 年的 GPT-2，也許不值一提，但隨著規(guī)模不斷擴大，通用化能力帶來的回報迅速放大。現(xiàn)在，同樣的拐點，正在機器人領域重演。