千尋智能的Spirit v1.5堆出了一座“金山”

2025年，無疑是中國具身智能行業的“融資爆發年”。

據IT桔子數據，這一年共發生329起融資事件，融資金額高達398.9億元，同比增長3倍。賽道格局也從早期的“百家爭鳴”快速收斂成了“頭部集中”。

去年具身智能融資熱余溫尚存，2026年，這片“獨角獸叢林”中又有多家具身智能企業宣布了最新的融資消息。最近千尋智能以近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。

可這家成立于2024年1月的年輕公司，憑什么在具身智能泡沫開始顯現的當下，還能獲得如此密集的追捧？

01 “臟數據”比“黃金數據”更值錢？

據測算，2025年第一梯隊所有具身智能公司的全年營收加總仍不足100億元，與近400億元的融資總額形成了數倍以上的巨大落差。

盡管在這樣嚴峻的環境下，千尋智能仍然俘獲了資本的“芳心”。

更加難得的是這份堪稱行業“全明星天團”的融資陣容——不僅有云鋒基金、某頭部國資機構、紅杉中國等超一線財務機構的加持，更有TCL創投、明薈投資等產業資本的深度協同，以及重慶產業投資母基金、杭州金投等國有資本的鼎力支持。

讓云鋒基金、紅杉中國等超一線機構愿意押注的，是千尋智能在技術路線上走出的一條“反共識”之路。

千尋智能沒有走傳統“世界模型”預測每一幀這一算力消耗巨大的老路，而是選擇基于海量人類互聯網視頻進行預訓練，在更少參數量下實現更好效果，顯著降低算力成本。

其開源的Spirit v1.5模型有著強大的零樣本泛化能力，無需新樣本訓練即可完成擦拭物體、操作鉸鏈與柔性物體等復雜任務。

今年1月，Spirit v1.5在RoboChallenge評測中綜合排名第一，在任務得分與成功率兩個維度均超越美國明星公司Physical Intelligence的Pi0.5，成為首個擊敗Pi0.5的中國開源模型；在“尋找綠盒”任務中，Spirit v1.5將成功率拉至90%；在水果入籃任務中，以80%的成功率領先Pi0.5整整一倍。

不僅讓英偉達機器人主管Jim Fan在社交媒體上點贊了這一成果，還引得多位海外科技大佬相繼轉發。

這意味著，中國具身模型首次在一個全球公認的、可復現的規則下，具備了與國際頂尖玩家同場競技的能力。

而讓技術壁壘變得難以復制的，則是千尋智能在數據采集范式上的根本轉向。

要知道，具身智能行業長期面臨一個尷尬困境，那就是真實場景數據匱乏。

盡管Interact Analysis數據顯示，截至 2025 年年底，中國已經超50個國家或省市區級人形機器人數據采集與訓練中心處于使用或規劃建設狀態，半數以上已經在2025年正式投入使用。

但訓練機器人完成某個垂直行業80%的人類工作，至少需要1億條數據；邁向通用智能更是需要千億條量級，數據缺口是4-5個數量級。與這個天文數字相比，眼下熱火朝天的訓練場，不過是杯水車薪。

千尋智能的做法則是反直覺的。

當行業普遍追求高精度、實驗室環境、遙操作采集的“黃金數據”時，他們提出“Dirty data is the key to scaling VLA models”（非完美數據才是擴展VLA模型的關鍵）。通過自研的第五代可穿戴設備，團隊將數據采集成本降到了傳統的十分之一。

這一策略的背后，是千尋認為數據的多樣性，遠比“干凈”本身更具價值。

其消融實驗顯示，在預訓練數據規模一致的前提下，基于多樣化數據預訓練的模型在新任務上的微調效率顯著更高，達到相同性能所需迭代次數減少約40%；擴大多樣化數據規模后，驗證誤差仍在持續下降，未出現明顯早期飽和現象。

換句話說，讓模型通過觀察失敗的重試、不同的操作習慣等這類“不完美”的人類行為，來理解物理世界的物理規律，反而能訓練出更強的泛化能力，所以資本才愿意為其買單。

在具身智能從“講故事”走向“拼實力”的當下，技術路線的差異化正成為穿越周期的關鍵籌碼，而千尋智能，就是這條“反共識”之路上的一個注腳。

02 寧德時代光環下的“圍城”

得益于這套“臟數據”驅動的技術路線和資金儲備，千尋智能才得以將實驗室里的模型能力，轉化為產線上真正運轉的機器人產品。

2025年底，這家成立不到兩年的公司迎來了自己的高光時刻——其自主研發的人形機器人“小墨”正式進入寧德時代全球首條人形具身智能產線，在動力電池PACK車間承擔起電池接插件插接等復雜作業。

面對“多品種、小批量、高柔性”的復雜工況，它能在來料位置發生偏差時實時調整姿態，在插拔柔性線束時動態調節力度——近千塊電池零故障量產的記錄，作業節拍與熟練工人相當甚至更快，99%以上的插接成功率讓它成為產線上不可或缺的“正式員工”。

然而，硬幣都有正反面。當千尋智能頭頂百億估值、被產業巨頭簇擁著進入核心產線時，真正嚴峻的考驗，往往藏在聚光燈之外的陰影中。

首當其沖的，就是受到大廠“技術同源”的降維打擊。

智能汽車與人形機器人在底層架構上的高度重合，讓車企具備了從“造車”到“造人”的無縫遷移能力。

理想汽車創始人李想曾明確表示，2015年創辦理想時，團隊就認為汽車的終極形態是機器人。過去十年，理想逐步完成了感知能力、芯片自研、大模型上車等一系列技術積累，如今其組織架構已經完整對應機器人研發中的“大腦、小腦、身體”各環節。

小鵬汽車則走得更遠，其新一代IRON機器人搭載自研圖靈AI芯片，全身62個主動自由度關節，據稱70%的核心技術與汽車共享。

特斯拉Optimus的視覺感知模塊則部分移植了Model Y的FSD算法，僅用幾個月就完成了環境建模能力驗證，其運動控制模塊則大量復用了Model Y的底盤控制技術。

這說明，當千尋智能還在從零搭建感知算法時，車企已經將數億公里路測驗證過的技術棧直接“平移”到了機器人身上。這種起跑線上的差距，不是靠千尋智能的幾輪融資就能輕易抹平的。

再者，是難以攻破大廠“場景自有”形成的天然護城河。

車企擁有現成的“練兵場”，可以在不依賴外部訂單的情況下完成“研發-使用-迭代”的閉環。

例如小鵬的IRON機器人已經在廣州工廠參與P7+車型的生產實訓，承擔分揀、搬運、質檢等工序；比亞迪自2022年啟動“堯舜禹”人形機器人項目，2026年計劃實現2萬臺內部自用；奇瑞的墨茵機器人已完成300多臺量產交付，應用于工廠巡檢、展廳服務等多個場景。

小鵬IRON機器人

相比之下，千尋智能雖然已進入寧德時代產線，但其99%插接成功率的成績是在EOL與DCR兩道特定工序上取得的。

當車企的機器人在自家工廠里全天候“帶薪訓練”，不斷積累真實場景的數據時，千尋智能每一小時的產線數據都需要與產業股東反復協調、爭取。這使得二者在場景獲取成本上存在云泥之別。

最為致命的，是大廠“供應鏈優勢”帶來的成本碾壓。

常州某新能源車企的實驗室數據顯示，采用汽車級供應鏈的伺服電機成本僅為工業機器人同規格產品的63%，減速器采購價低至41%。

以某種精密齒輪為例，直接復用汽車電機減速器的沖壓模具，模具開發成本能直接節省800萬元。例如特斯拉Optimus的大量齒輪復用Model3電機模具，單件成本就下降了82%。

而創業公司即便融資近20億，面對這種成本結構，也只能望洋興嘆。

就連千尋智能創始人韓峰濤對此也多次直言：“我們未來真正的對手就是這些大公司。華為、小米、理想這樣軟硬都做的企業更有可能做好。”

面對車企巨頭的“降維打擊”，千尋智能的當務之急，是在大廠尚未全面收割市場之前，必須盡快從“小而美的創業公司”進化成“有壁壘的中廠”。

03 如何在大廠下場前變成“中廠”？

所謂“中廠”，并非指通過融資進行簡單的規模擴張，而是要在技術路線上走出一條難以復制的康莊大道，但在此之前，要做好兩件事。

其一，用“服務價值”取代“硬件毛利”，畢竟，賣硬件只是開始，持續產生數據和服務價值才是真正的護城河。

比如小米2024年互聯網服務業務毛利率高達76.6%，遠超硬件業務的利潤水平；AI硬件創企——Plaud，其年化收入即將達到2.5億美元，其中約半數的收入來自其年度AI訂閱服務。

可見，硬件是入口，服務才是利潤的源泉。

對此，韓峰濤曾在專訪中表示：我們定位是智能服務載體，在具身智能機器人和系統賣出去后，連接才剛剛開始。

數據顯示，千尋智能已累計獲取超20萬小時真實交互數據，預計2026年將突破100萬小時。這些數據不是躺在服務器里的死資產，而是驅動模型持續迭代的“活血液”。當一臺機器人賣出后，它每天在客戶現場產生的操作數據、失敗案例、環境交互記錄，都在反向哺育千尋智能的Spirit模型。

這種“銷售即連接”的模式，讓硬件成為入口，數據成為資產，服務成為利潤來源。大廠或許能在硬件成本上碾壓，但很難在短時間內建立起同等規模的真實場景數據閉環。

其二，就是用“數據資產”構筑不可復制的壁壘。

例如今年2月，鹿明機器人就發布了全球首款背包版UMI數采設備，計劃2026年在六大真實場景投放1萬臺設備，目標直指百萬小時級數據產能，并推出“FastUMI Pro數據超市”，讓具身智能數據首次以“標準商品”形態進入市場流通。

同月，覓蜂科技也宣布完成數億元融資，定位具身智能數據基礎設施，據測算2026年行業高質量有效數據缺口超500萬小時。

這都意味著，數據本身正在成為一條獨立的賽道。

對于起步更早、具有“先發”優勢的千尋智能而言，一旦數據形成規模，后來者需要付出的成本是指數級增長的。在這場數據賽跑中，它正悄然拉開身位。

但毋庸置疑的是，沖刺“中廠”之路并非坦途，服務價值的兌現需要時間，數據資產的積累需要耐心，大廠的陰影則始終懸在頭頂。千尋智能只要守住“數據驅動、服務先行”的差異化路線，在寧德時代、京東等產業場景中持續沉淀真實交互數據，把每一個落地的機器人變成數據采集的節點，就有機會在模型能力上形成代際領先。

最終，當具身智能迎來屬于自己的“ChatGPT時刻”時，真正定義行業規則的，或許不是那個資源最雄厚的巨頭，而是那個最早找到數據飛輪、最懂物理世界智能化的“千尋智能們”。