•
融資20億，估值破百億，成立僅2年的千尋智能憑什麼殺出重圍？
近日，具身智能公司千尋智能（Spirit AI）宣佈連續完成兩輪融資近 20 億元，估值突破百億。
本輪融資陣容堪稱行業資本的集中亮相：雲鋒基金、紅杉中國、某頭部國資機構、混沌投資（葛衛東）等超一線機構重磅入局；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鼎力支援；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。
值得關注的是，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，以持續加碼的實際行動，彰顯對公司技術路線與發展前景的堅定信心。
這是2026年開年以來，具身智能賽道又一筆重磅融資。
01 “獨角獸叢林”裡的融資競速
2025年是中國具身智能行業毫無爭議的“融資爆發年”。根據IT橘子資料，全年共發生329起融資事件，融資金額高達398.9億元，同比增長3倍。這條賽道的格局也從早期的“百家爭鳴”快速收斂為“頭部集中”。
進入2026年，又有多家具身智能企業宣佈最新融資消息，頭部企業估值達百億人民幣以上。
在一片“獨角獸叢林”中，千尋智能以近20億元的兩輪連續融資、估值突破百億的成績入場，已經進入了這條賽道的第一梯隊。
02 產業老兵和AI科學家的“組合團隊”
千尋智能成立於2024年初，但成立不到兩年，已經完成了從種子輪到Pre-A+輪的多輪融資，資本密集押注的背後，首先是對團隊的判斷。
創始人兼CEO韓峰濤是機器人行業的連續創業者。他此前擔任珞石機器人聯合創始人兼CTO，主導交付了超過2萬台工業機器人，覆蓋20多個行業場景，是國內高性能輕型工業機器人的先行者和力控協作機器人量產交付第一人。
聯合創始人高陽在加州大學伯克利分校獲得博士學位，師從電腦視覺大師Trevor Darrell和機器人專家Pieter Abbeel（後者正是美國具身智能頭部公司Physical Intelligence的聯合創始人），後回國擔任清華大學交叉資訊研究院助理教授。
高陽的學術積累直接轉化成了千尋智能的模型能力。他提出的ViLa演算法被美國明星公司Figure直接採用，強化學習領域的EfficientZero演算法曾獲OpenAI聯合創始人John Schulman高度評價。
2025年，高陽團隊提出的One-Two VLA架構解決了傳統VLA模型面對複雜指令容易“卡殼”的難題，它引入了一套“快慢系統”，讓模型能自主判斷任務複雜度：遇到簡單任務直接執行，遇到複雜指令則自動拆解為子任務逐步完成。這一架構與此前的ViLa、CoPa等研究成果共同演化，最終構成了千尋智能Spirit系列VLA模型的技術底座。
03 “資料金字塔”和一個反直覺的觀點
千尋智能聚焦視覺-語言-動作（VLA）技術路線，但在資料策略上做了差異化。高陽將之稱為“資料金字塔”訓練理念。
順為資本合夥人耿益璇說：“千尋智能是我們最早發掘、且連續多輪加注的核心項目。他們從一開始就選了一條‘難而正確’的路。”
“我們在預訓練階段沒有走傳統‘世界模型’預測每一幀的老路，那條路算力消耗巨大且效率不高，”高陽說，“我們選擇基於海量人類網際網路視訊進行預訓練，在更少參數量下實現更好效果，顯著降低算力成本。”
這套理念的核心邏輯是：將資料按照資訊量和採集成本分層——底層是海量的網際網路人類視訊（低成本、高覆蓋），中層是遙操作和可穿戴裝置採集的互動資料，頂層是真機rollout產生的高精度資料。不同層級的資料在訓練流程的不同階段發揮作用，形成一個金字塔結構。
在資料採集端，千尋智能自研的可穿戴式數采裝置已迭代至第5代，將採集成本降至傳統遙操作方式的1/10。截至目前，公司已累計獲取超20萬小時多類型真實互動資料，預計2026年將突破100萬小時。
更為關鍵的是千尋提出的一個反直覺觀點：Dirty data is the key to scaling VLA models（非完美資料才是擴展VLA模型的關鍵）。團隊發現，在多樣化的“非完美資料”上訓練，反而能獲得斜率更高的Scaling曲線。換句話說，資料的多樣性，遠比“乾淨”本身更有價值。
這條技術路線在2026年1月得到了一次關鍵驗證。根據千尋官方資料，Spirit v1.5成為國內首個在性能上超越Pi0.5的開源具身模型。
Spirit v1.5最引人注目的是其零樣本泛化能力，無需針對新任務進行額外訓練，即可完成擦拭物體、操作鉸鏈、處理柔性物體等複雜操作。它不是一個只會做特定動作的“專才”，而是一個能夠在從未見過的場景中自主決策和操作的“通才”。
千尋智能所聚焦的VLA技術路線，與Google DeepMind、Physical Intelligence等全球頭部企業高度同頻。雲鋒基金執行董事董懷謹評價說：“專屬物理世界的AI大腦是具身智能實現躍遷的重要前提，而穿越周期的核心壁壘來自於技術對生產力的實際創造。”
04 寧德時代產線上的“實戰檢驗”
技術參數和榜單排名是一回事，能不能在真實產線上“幹活”是另一回事。這也是當前具身智能行業最深層的痛點：Demo和落地之間隔著一條巨大的鴻溝。
北京航空航天大學教授王田苗曾在公開發言中指出，具身智能繁榮背後存在隱憂，“當一定比例的企業技術路線高度雷同時，未來的競爭可能走向價格比拚”，他認為，“具身智能的核心突破口是垂類模型和資料訓練，競爭不是簡單的‘給錢給地’，而是圍繞‘技術閉環-量產能力-資料回流-商業閉環’展開的全鏈條競速。”
當下，千尋智能已經把機器人送進了寧德時代的電池量產線。
千尋自研的“小墨”機器人，已在寧德時代中州基地電池PACK量產線的EOL&DCR工序上穩定運行，成為產線核心裝置。累計生產近千塊電池，插接成功率穩定在99%以上，作業節拍達到甚至超過熟練工人水平。更關鍵的是，小墨展現出了對生產不確定性的毫秒級快速適應能力和超越人類的柔性操作能力。
在商用領域，千尋智能的“墨子”機器人已在京東零售場景中承擔講解互動與產品操作演示，雙方正共同探索京東雲及Joyinside大模型在大型零售網路中的落地。
從工業到零售，千尋智能正在用兩條腿走路。
05 具身智能的“iPhone時刻”還有多遠？
站在2026年初回望，具身智能已經不再是純粹的“未來敘事”。機器人正在被拉進工廠、倉庫和產線，但距離真正的大規模產業化，這條路還有多遠？
行業面臨的核心痛點至少有三個。
第一是資料瓶頸。人類模態從語言到視覺再到行動存在巨大鴻溝，兩歲小孩都能完成的搭積木動作，對機器人來說仍然困難重重。訓練資料的規模和多樣性遠遠不夠，而採集成本又居高不下。千尋智能通過自研採集裝置將成本降低90%、並提出“非完美資料”策略來擴展資料規模，是目前行業內為數不多的系統性回答之一。
第二是從Demo到量產的鴻溝。大量公司可以在實驗室裡展示炫酷的動作視訊，但要在真實工業環境中保持7×24小時穩定運行，面臨的挑戰完全不同，包括溫度、振動、工件偏差、不確定性，每一個變數都可能導致失敗。千尋智能在寧德時代產線上驗證了這種能力，但這種驗證目前仍然是個案，規模化複製還需要時間。
第三是商業模式的閉環。一位投資人曾指出，具身智能技術真正進入工廠和家庭可能還需要3到5年甚至更久，在此之前，企業不可能永遠依賴一級市場融資。誰能率先跑通“技術閉環-量產能力-資料回流-商業閉環”的正向循環，誰才有資格留在牌桌上。
千尋智能選擇的VLA路線，是一條被公認為天花板最高、但門檻也最高的路。它追求的是通用具身模型，讓機器人具備理解物理世界的能力，而不只是執行特定任務的工具。
這條路的終局指向的是一個更宏大的命題：當機器人真正具備零樣本泛化能力，它就不再是“專用裝置”，而是“通用勞動力”。
高陽曾公開表達過一個判斷：我們正處在“Robot GPT-1”階段，四年後可能達到3.5階段。他也坦言，在一個相當長的時間內，大多數具身智能只能達到“有限場景內的L4”，廣泛場景的通用智能還不現實。
這種清醒的技術判斷，也許正是投資人願意押注的原因之一。
千尋智能既沒有許諾一個“明年就能進入千家萬戶”的激進願景，也沒有停留在實驗室裡追求論文數量。它選擇了一條“難而正確”的中間道路：用真實產線驗證技術，用產線資料反哺模型，再用更強的模型擴展到更多場景。
20億元融資，為這場長跑提供了彈藥。但在這片競爭日趨白熱化的“獨角獸叢林”裡，真正的考驗才剛剛開始。 (騰訊科技)