Qianxun Intelligence снова ускоряет темпы привлечения финансирования.
7 апреля 2026 года Qianxun Intelligence объявила о завершении нового раунда финансирования на сумму 1 миллиард юаней. Этот раунд возглавили совместно Shunwei Capital и Yunfeng Capital, при поддержке таких heavyweight-инвесторов, как Dachen Caizhi, один из ведущих фондов в юанях, Galaxy Yuanhui, Turing Fund, Xinding Capital, Gengxin Capital и других.
Это уже второе крупное финансирование за 30 дней. Еще в феврале компания завершила финансирование на сумму почти 2 миллиарда юаней. В сумме общий объем финансирования достиг 3 миллиардов юаней.
Что еще интереснее, в этом раунде появилась крайне обсуждаемая комбинация: Лэй Цзюнь (Shunwei) + Джек Ма (Yunfeng) впервые совместно возглавили инвестиции в сегменте embodied AI (воплощенного искусственного интеллекта).
В прошлом они各自押注 на ключевые циклы мобильного интернета, электронной коммерции, умного оборудования, облачных вычислений. На этот раз их совместное участие в робототехнике, особенно в еще ранней области embodied AI, указывает на то, что это направление переходит от технологического воображения к консенсусу капитала и начинает вступать в этап отборочных игр с поддержкой гигантов и высокой концентрацией капитала.
Qianxun Intelligence была основана в январе 2024 года серийным предпринимателем в области робототехники Хань Фэнтао, ведущим ученым в области ИИ Гао Яном и пионером экспорта роботов Чжэн Линъинь.
Основатель и генеральный директор Хань Фэнтао ранее был соучредителем и техническим директором Luoshi Robotics, руководил поставкой近百 моделей роботов, обладает глубокими возможностями инженерной реализации и массового производства. Соучредитель Гао Ян окончил Калифорнийский университет в Беркли, учился у мастера компьютерного зрения Тревора Даррелла, в настоящее время является ассистентом профессора Института междисциплинарной информации Университета Цинхуа; возглавляемая им команда разработала открытую модель embodied AI Spirit v1.5, которая в рейтинге RoboChallenge обошла американскую модель Pi0.5 и стала первой китайской открытой embodied-моделью, занявшей первое место. Соучредитель Чжэн Линъинь является пионером экспорта промышленных роботов, ранее создала с нуля зарубежный бизнес-отдел, руководила командой по углубленной работе на нескольких зарубежных рынках и быстро достигла преобразования коммерческих результатов.
Три основателя охватывают три ключевые компетенции: ИИ, робототехнику и коммерциализацию, вместе формируя редкую команду «шестигранных бойцов» в отрасли, что и является фундаментальной уверенностью в получении 3 миллиардов юаней финансирования за 30 дней и крупных инвестиций от Shunwei Capital и Yunfeng Fund. Такая комбинация позволяет Qianxun Intelligence с момента основания сочетать мировое технологическое предвидение и гены коммерческого внедрения.
Хань Фэнтао отмечал, что в 2026 году все зависит от масштаба данных и производительности модели. Самое важное в этом году — не расширение сценариев, а создание embodied-модели, входящей в全球ную тройку лучших. Для этого на счетах должно быть достаточно денег.
Следовательно, молниеносное последовательное финансирование по сути является обменом плотности капитала на временное преимущество, быстрого накопления ресурсов, увеличения разрыва в производительности и досрочного блокирования места в лидерах. В то же время continued участие старых инвесторов в этом раунде означает, что инвесторы перешли от выжидательной проверки к ускоренным ставкам.
Итак, чем же Qianxun Intelligence заслужила этот ускоренный пропуск? Насколько глубоким стал ее ров?
Базовая логика ставок капитала: подтвержден путь, похожий на большие модели
Почему капитал готов continuously увеличивать ставки? Ответ: модель уже дала阶段性ответ.
В январе этого года Qianxun Intelligence открыла исходный код embodied-модели Spirit v1.5. В открытом тестировании эта модель直接превзошла тогда самую сильную открытую модель Pi0.5.
Но больше всего капитал впечатлила точка перелома кривой способностей.
Spirit v1.5 уже демонстрирует довольно стабильную способность к обобщению с нулевым сэмплом (zero-shot) — без дополнительного обучения может выполнять一系列 сложных操作, таких как протирка, открывание/закрывание петель, работа с гибкими объектами.
Другими словами, роботы начали не просто изучать одну задачу, а приобрели способность к межзадачной миграции, что позволяет увидеть потенциал embodied AI в освобождении человеческой производительности труда.
За этим стоит технический путь,高度схожий с большими языковыми моделями (LLM): увеличить модель, накормить ее достаточным количеством данных, continuously迭代, и затем верить в «возникновение» (emergence) способностей.
Конкретно, Spirit v1.5 — это end-to-end унифицированная модель VLA (Vision-Language-Action). Она не стремится восстановить все детали мира, не акцентирует промежуточный явный слой симуляции мира, а directly изучает mapping от восприятия к действию.
Способ обучения также очень похож на LLM. Однако текстовые данные заменены на данные роботов. Сначала проводится предварительное обучение на огромном количестве интернет-видео для создания базового понимания мира, затем данные реального взаимодействия используются для对齐 — сначала получается способность к обобщению, затем приближение к конкретным задачам.
В результате, при меньших вычислительных мощностях и масштабе параметров, была достигнута более сильная производительность обобщения.
Недавно этот путь также получил «резонанс на той же частоте» от коллег из Кремниевой долины.
3 апреля硅谷ская компания embodied AI Generalist AI выпустила базовую модель GEN-1, используя 500 000 часов данных реального физического взаимодействия, подтвердив Scaling Law в области embodied AI. Насколько сильный эффект?
Эти роботы значительно повысили средний показатель успешности выполнения множества физических задач с 64% до 99%; скорость выполнения почти такая же быстрая, как у человека, примерно в 3 раза выше, чем у самых передовых существующих систем, и они还能 импровизировать на месте. Что еще более удивительно, получение каждой способности требует всего около 1 часа данных робота.
Генеральный директор компании Пит Флоренс отметил, что то, что сейчас происходит в области робототехники, похоже на ситуацию, когда люди открыли GPT-3 и попросили его написать全新的ное лимерик (пятистишие).
Подобное наблюдение также было подтверждено командой Qianxun. «Наша команда также обнаружила Scaling Law в области embodied AI: с увеличением данных в 10 раз, в результате добавляется одна девятка», — так Гао Ян описал крутизну этой кривой. — Мы находимся в моменте Scaling Law для embodied AI, и поскольку данные для роботов получить сложнее, я думаю, что GPT-4 для роботов займет больше времени, возможно, 4-5 лет».
Можно сказать, что капитал увеличивает ставки на технический путь, который был初步подтвержден,同时обладает более высокой рентабельностью и потенциалом масштабирования.
Двигатель данных: ключ к подтверждению пути
В области embodied AI почти все сходятся во мнении: сбор данных является фундаментальным узким местом.
Большие модели могут поглощать огромные объемы языковых данных из интернета, но роботы не могут — в мире физического труда нет Википедии. На поверхности все соревнуются в моделях, но более глубокая конкуренция на самом деле заключается в двигателе данных. «Для достижения масштабирования мы пойдем на все», — прямо заявил Пит Флоренс.
Если верить в Scaling Law, то какая система данных может быть получена с низкими затратами, continuously расширяться и обладать достаточным разнообразием?
Ранее универсальные модели роботов с успешностью超过 90% полагались на极其дорогие и трудномасштабируемые наборы данных大规模удаленного управления (например, Physical Intelligence). Но Generalist AI самостоятельно разработала «data hands» (данные рук) — носимые устройства с двумя пальцами, надеваемые на запястье, которые превращают человеческие руки в类似захваты роботов, thereby собирая визуальные и сенсорные данные.
В результате, успехи GEN-0 и GEN-1 подтвердили, что этот двигатель данных также может достичь высокого уровня мастерства — они не использовали данные роботов, а仅仅использовали данные, полученные от миллионов действий, выполняемых людьми с помощью недорогих носимых устройств.
Qianxun Intelligence также продвигает путь Scaling, ориентированный на разнообразие.
В аппаратном решении Qianxun также выбрала носимый вариант, но пошла дальше. Чтобы модель могла обучаться точным операциям уровня человека, они использовали конструкцию с тремя пальцами — интеллектуальный модуль оснащен 26 степенями свободы, каждый сустав имеет встроенный датчик силы, установлена трехпалая ловкая рука. Но технические挑战也значительно возрастают. Трехпалая структура при сборе данных с носимых устройств сталкивается с более высокими требованиями к степеням свободы, более точному управлению усилием и более сложному mapping действий.
В настоящее время носимые устройства Qianxun已经迭代до пятого поколения, пригодность данных повысилась с 30% до 95%,同时стоимость была сокращена до примерно одной десятой от стоимости телеуправления.
Важно отметить, что в отличие от Generalist AI, полностью полагающейся на данные носимых устройств, Qianxun создает двигатель данных, основанный на слиянии множества источников.
На этапе предварительного обучения, помимо большого количества данных с носимых устройств, Qianxun Intelligence также интегрирует интернет-видео для предварительного обучения, чтобы получить общие знания и базовые способности. Затем引入данные телеуправления реальных машин для тонкой настройки SFT (Supervised Fine-Tuning), улучшая производительность модели в реальных задачах. Наконец, дальнейшая оптимизация с помощью обучения с подкреплением: модель continuously развертывается в реальной среде, постоянно генерируя новые данные и подпитывая модель.
На сегодняшний день Qianxun已经получила超过 200 000 часов данных реального взаимодействия из различных источников, включая интернет-видео, телеуправление, сбор с носимых устройств и других каналов, и это число быстро растет, ожидается, что в 2026 году оно превысит 1 миллион часов. По состоянию на апрель 2026 года, команда по сбору данных Qianxun Intelligence также достигнет规模в тысячу человек.
Стоит отметить, что понимание данных в Qianxun также претерпело fundamentalное изменение.
Они больше не придерживаются主流ного в отрасли тщательно отшлифованного сценарного подхода к данным, а переходят к более открытой парадигме разнообразного сбора: больше не строго规定 путь действий, а сосредоточены на цели задачи, позволяя процессу выполнения развиваться естественно:允许失败,允许пролить,允许прервать, а затем продолжить выполнение.
Это вносит fundamentalные изменения: модель учится не тому, как делать эту конкретную вещь, а тому, как справляться с подобными ситуациями. При том же объеме данных такое распределение данных значительно повышает эффективность переноса модели и одновременно снижает зависимость от вычислительных мощностей.
«Откладывать яйца по пути»: данные реальных сценариев подпитывают модель
В двигателе данных Qianxun真正определяет, сможет ли маховик раскрутиться, не только источник данных, но и способность continuously развертываться в реальной среде (roll-out).
Хань Фэнтао总结说, что выход в реальные сценарии предназначен для получения топлива для эволюции модели (данных). Коммерциализация делает этот процесс получения устойчивым и масштабируемым.
За этим также стоит четкое разделение путей Китая и США. В США некоторые компании могут долгое время инвестировать в базовые модели, обменивая время на верхний предел возможностей; но в Китае без демо и сигналов о внедрении很难持续получать финансирование. Большинство компаний, которые выживают и даже хорошо живут, выбирают более компромиссный путь.
Путь к общему ИИ — это долгий путь с крутым склоном и толстым снегом, невозможно ждать созревания модели перед поиском приложений. Только позволив роботам войти в реальную производственную среду, участвовать в реальной бизнес-деятельности, можно использовать огромные объемы данных, генерируемых реальной бизнес-деятельностью, для подпитки модели и continuousного совершенствования.
Как первая в Китае компания в области embodied AI, которая перевела путь разнообразного сбора данных из теории в инженерную реализацию и масштабирование, и завершила двойную проверку в реальных бизнес-сценариях, роботы Qianxun придерживаются принципа «откладывать яйца по пути». Они начинают с контролируемых сценариев,优先входя в промышленность и сферу услуг — эти две области со相对тельностабильной структурой, четкими границами задач, высокой прибыльностью и готовностью платить, — проверяя возможности модели и одновременно поддерживая operations компании.
Например, в сценариях розничной торговли сотрудничество Qianxun с JD.com ( который также является инвестором) углубляется. «Сяо Мо» уже вошел в京东 MALL, приступив к работе в качестве бариста. Выполняя服务ые задачи, робот также同步собирает многомодальные данные восприятия, траектории движения суставов и информацию о точной обратной связи по усилию.
Эти «экспертные данные» из реальной розничной среды будут directly использоваться для обучения и тонкой настройки embodied-модели, формируя положительный闭环 «сбор данных — итерация модели — повышение способностей».
Робот Qianxun Intelligence официально приступил к работе в京东 MALL в качестве бариста.
Стороны также планируют further расширить embodied AI на更多сегментов розничной торговли, включая консультантов по цифровой технике и бытовой технике, автоматизацию инспекции и экскурсий, автоматическую уборку.同时Аптека JD также рассматривается как ключевое направление прорыва, роботы будут участвовать в высокоточных задачах, таких как автоматическая сортировка, точное dispensing лекарств, исследуя варианты автоматизированных умных аптек.
До входа в京东 Mall Qianxun уже прошла一轮проверки в промышленной среде. «Сяо Мо» уже вышел на производственную линию силовых аккумуляторных батарей CATL,承担заключительное функциональное тестирование перед снятием с линии. На сегодняшний день он завершил операции по подключению超过 1000 батарей, показатель успешности стабильно превышает 99%, темп работы также приближается к уровню опытных рабочих.
«Сяо Мо» уже вышел на производственную линию силовых аккумуляторных батарей
В области embodied AI в短期内еще не наступит момент, когда внедрение immediately определит победителя. Но уже появилась четкая тенденция — конкуренция больше не сводится к тому, у кого больше данных, а смещается в сторону того, кто может более эффективно получать данные реальных сценариев и кто может построить более высокочастотный闭环 маховика данных и модели.
После завершения阶段性скачка в оценке, Qianxun Intelligence, с одной стороны, будет делать ставку на способность модели к обобщению, с другой — continuously усиливать преимущество в масштабе данных, используя高频ую обратную связь из реального мира для ускорения итерации модели.
Оглядываясь на GPT-2 2019 года, возможно,它не стоил внимания, но с continuousным расширением масштаба, отдача от обобщающей способности быстро возрастала. Сейчас такая же точка перелома повторяется в области робототехники.
Статья из WeChat Official Account «机器之心» (ID:almosthuman2014), автор: Sia
