千寻智能又一次把融资节奏拉满。
2026 年 4 月 7 日,千寻智能宣布完成新一轮 10 亿元融资。本轮融资由顺为资本、云锋基金联合领投,达晨财智、某头部人民币基金、银河源汇、图灵基金、新鼎资本、庚辛资本等重磅加持。
这已经是它30 天内的第二笔大额融资。就在不久前的 2 月,公司刚刚完成近 20 亿元融资。两轮叠加,累计融资额直接来到30 亿元。
更有意思的是,这一轮里出现了一个极具话题性的组合:雷军(顺为)+马云(云锋),首次在具身智能赛道同场领投。
过去,他们各自押中过移动互联网、电商、智能硬件、云计算等关键周期。这一次,在机器人尤其是仍处早期的具身智能领域联手下注,表明这个方向,正在从技术想象走向资本共识,开始进入由巨头背书、资本高度集中的排位淘汰赛。
千寻智能成立于 2024 年 1 月,由机器人领域连续创业者韩峰涛、顶尖 AI 科学家高阳、机器人出海先行者郑灵茵联合创立。
创始人兼 CEO 韩峰涛曾任珞石机器人联合创始人兼 CTO ,主导交付近百款机器人型号,具备深厚的工程化与量产能力。联合创始人高阳毕业于加州大学伯克利分校,师从计算机视觉大师 Trevor Darrell ,现为清华大学交叉信息研究院助理教授,其带领团队开源的 Spirit v1.5 模型在 RoboChallenge 榜单中超越美国头部模型 Pi0.5 ,成为首个登顶的中国开源具身模型。联合创始人郑灵茵则是工业机器人出海的先行者,曾从 0 到 1 搭建海外事业部,带领团队深耕多个海外市场并迅速实现商业化成果转化。
三位创始人分别覆盖 AI、机器人、商业化三大核心能力,共同构成了业内罕见的「六边形战士」团队,这也是其 30 天内获得 30 亿元融资、顺为资本与云锋基金同台重仓的底层信心所在。这样的组合,使千寻智能从成立之初便兼具世界级技术前瞻与商业化落地基因。
韩峰涛曾指出,2026 年,拼的是数据规模和模型性能。今年最重要的一件事,不是扩张场景,而是把具身模型做到全球 Top 3。要做到这一点,账上必须有足够多的钱。
因此,闪电战式连续融资本质是用资本密度换时间优势,快速堆资源、拉开性能差距,提前锁定头部席位。同时,老股东在这一轮持续加注,意味着投资人已经从观望验证切换到加速押注。
那么,千寻智能,究竟是凭什么拿到这张加速入场券?它的护城河,已经挖到多深了?
资本押注的底层逻辑,一条更像大模型的路径被验证
资本为什么愿意连续加注?答案:模型,已经给出了阶段性答案。
今年 1 月,千寻智能开源了具身模型 Spirit v1.5。在公开评测中,这个模型直接超过当时最强的开源模型 Pi0.5。
但最打动资本的,还是能力曲线的拐点。
Spirit v1.5 已经展现出比较稳定的零样本泛化能力——不需要额外训练,就可以完成擦拭、开合铰链、处理柔性物体等一系列复杂操作。
换句话说,机器人开始不再只是学会一个任务,而是具备了跨任务迁移的能力,让人看到了具身智能解放人类生产力的可能。
这背后,对应的是一条与大语言模型( LLM )高度相似的技术路径:把模型做大,把数据喂足,持续迭代,然后相信能力的「涌现」。
具体来看,Spirit v1.5 是一个端到端的 VLA(Vision-Language-Action)统一模型。它不执着于还原世界的全部细节,也不强调中间那层显式的世界模拟,而是直接学习从感知到动作的映射关系。
训练方式也很 LLM 化。只不过,把文本数据换成了机器人数据。先用海量互联网视频进行预训练,建立基础世界理解,再用真实交互数据进行对齐——先获得泛化能力,再逼近具体任务。
结果,在更低的算力和参数规模下,反而跑出了更强的泛化表现。
就在前几天,这条路径也得到了硅谷同行的「同频共振」。
4 月 3 日,硅谷具身智能公司 Generallist AI 发布基础模型 GEN-1,用 50 万小时真实物理交互数据,验证了具身智能领域的 Scaling Law。效果有多猛?
这些机器人将多项物理任务的平均成功率,从 64% 大幅提升至 99% ;执行速度几乎和人类一样快,达到现有最先进系统的约 3 倍,还能临场即兴发挥。更夸张的是,每一项能力的获得,仅需约 1 小时的机器人数据。
公司 CEO Pete Florence 指出,机器人领域现在发生的事情,与人们打开 GPT-3 并要求它写一首全新的五行打油诗( limerick )时的情形很相似。
类似的观察,也得到过千寻团队的验证。「我们团队也发现了具身智能领域的 Scaling Law,数据每增加 10 倍,结果里就会多一个 9 。」高阳曾这样形容这条曲线的陡峭程度。我们正处于具身智能的 Scaling Law 时刻,因为机器人的数据更难搞一些,所以我觉得机器人的 GPT-4 要更久一些,可能需要 4-5 年。
可以说,资本加注的,是一条已经被初步验证、同时具备更高性价比和扩展潜力的技术路线。
数据引擎,路径成立的关键
在具身智能领域,几乎所有人都有一个共识:数据采集是一个根本性的瓶颈。
大模型可以吃下互联网的海量语料,但机器人不行——体力劳动的世界里,没有维基百科。表面上看,大家都在卷模型,但更底层的竞争其实是数据引擎。「为了实现扩展,我们会不惜一切代价。」 Pete Florence 直言不讳。
既然相信 Scaling Law,那么什么样的数据体系,既能低成本获取,又能持续扩张,还具备足够多样性?
以往成功率超过 90% 的机器人通用模型依赖于极其昂贵且难以扩展的大规模远程操作数据集(比如 Physical Intelligence )。但 Generallist AI 自研了「数据手」( data hands )——一种佩戴在手腕上的二指穿戴设备,将人的双手变成类似机器人的夹具,从而收集视觉和感官数据。
结果,GEN-0 、 GEN-1 的进展验证了这一数据引擎也可实现高水平精通——它们并未使用机器人数据,仅仅采用了人类佩戴低成本可穿戴设备进行数百万项活动产生的数据。
千寻智能,也在推进以多样性为核心的 Scaling 路线。
在硬件方案上,千寻也选择了可穿戴方案,但走得更远。为了让模型学习人类级精细操作,他们采用了三指结构的设计——智能整机配备 26 个自由度,每个关节集成力传感器,搭载三指灵巧手。但技术挑战也显著提升。三指结构在可穿戴数采中面临更高的自由度、更精细的力控要求及更复杂的动作映射。
目前,千寻的可穿戴设备已经迭代到第五代,数据可用性从 30% 提升到 95% ,同时成本被压缩到遥操作的十分之一左右。
需要注意的是,与 Generallist AI 完全倚重可穿戴数据不同,千寻构建的是一个多源融合的数据引擎。
在预训练阶段,除了大量可穿戴数据,千寻智能还积极融合互联网视频进行预训练,以获取通用常识和基础能力。随后,引入真机的遥操作数据,进行精细的 SFT(监督微调),提升模型在实际任务中的表现。最后,通过强化学习进一步优化:让模型在真实环境持续 roll-out,不断生成新数据,反哺模型。
到目前为止,千寻已经拿到超过 20 万小时的真实交互数据,来源横跨互联网视频、遥操作、可穿戴采集等多个渠道,并且这个数字还在快速增长,预计 2026 年将突破 100 万小时。截至 2026 年 4 月,千寻智能数据采集团队也将达到千人规模。
值得一提的是,千寻对数据的理解,也经历了一次本质性的转变。
他们不再执着于行业主流那套精雕细琢的脚本化数据,而是转向一种更开放的多样化采集范式:不再严格规定动作路径,而是围绕任务目标,让执行过程自然展开:允许失败、允许打翻、允许中断,再继续完成。
这带来的变化是根本性的,模型学会的不再是这件事怎么做,而是遇到类似情况,该怎么处理。在相同数据规模下,这种数据分布显著提升了模型的迁移效率,同时降低了对算力的依赖。
「沿途下蛋」,现实场景数据,反哺模型
在千寻的数据引擎里,真正决定飞轮能否转起来的,不只是数据源,而是持续在真实环境中 roll-out 的能力。
韩峰涛曾总结说,走向真实场景,是为了拿到模型进化的燃料(数据)。商业化,是让这一获取过程变得可持续、可规模化。
这背后,其实也对应着一条清晰的中美路径分化。在美国,一些公司可以长期围绕基础模型本身投入,用时间换能力上限;但在中国,没有 demo 、没有落地信号,就很难持续获得融资。大多数能活下来、甚至活得不错的公司,多会选择一条更折中的路径。
通往通用 AI,更是一条长坡厚雪的路,不可能等模型成熟再找应用。只有先让机器人进入真实生产环境,参与真实业务运行,才能利用真实业务运行产生的海量数据,反哺模型,持续进化。
作为国内首家将多样化数据采集路线从理论推向工程化、规模化,并在真实商业场景中完成双重验证的具身智能公司,千寻机器人坚持「沿途下蛋」。他们从可控场景切入,优先进入工业和服务业这两类结构相对稳定、任务边界清晰、利润高也愿意付费的领域,验证模型能力的同时支撑公司运营。
例如,在零售场景中,千寻与京东(也是投资人之一)的合作正在加深。「小墨」已进入京东 MALL ,上岗担任咖啡师。在完成服务任务的同时,机器人也会同步采集多模态感知数据、关节运动轨迹以及精细力反馈信息。
这些来自真实零售环境的「专家级数据」,将直接用于具身模型的训练与微调,形成「数据采集—模型迭代—能力提升」的正向闭环。
千寻智能机器人已正式在京东MALL上岗履职,承担咖啡师。
双方还计划将具身智能进一步扩展至更多零售细分领域,包括数码家电导购、巡检导览自动化清洁等。同时,京东药房也被视为核心突破口,机器人将参与自动分拣、精准配药等高精度任务,探索无人化智慧药房方案。
在进入京东 Mall 之前,千寻已经在工业环境中完成了一轮验证。「小墨」已走上宁德时代的动力电池包产线,承担下线前的最终功能测试。截至目前,它已完成超过 1000 块电池的插接作业,成功率稳定在 99% 以上,作业节拍也逼近熟练工人水平。
「小墨」已经走上动力电池包产线
具身智能,短期内还不会迎来落地即分胜负的时刻。但一个更清晰的趋势已经出现——竞争,不再只是谁的数据更多,而是转向谁能更高效获取真实场景数据,以及谁能构建更高频运转的数据—模型飞轮闭环。
在完成阶段性的估值跃迁后,千寻智能将一方面押注模型的泛化能力,一边持续放大数据规模优势,用真实世界的高频反馈,加速模型迭代。
回看 2019 年的 GPT-2,也许不值一提,但随着规模不断扩大,通用化能力带来的回报迅速放大。现在,同样的拐点,正在机器人领域重演。
本文来自微信公众号“机器之心”(ID:almosthuman2014),作者:Sia
