專訪靈御智能：商業化是先手棋 ROI 是第一準則 數據是終極護城河

作者：呂鑫燚

出品：具身研習社

具身智能走哪條路才能真正跨過“技術--商品”的鴻溝？

靠技術的極致發展嗎？

答案顯然不是，歷史的長河中有太多前沿技術找不到合適場景承接，久久困于實驗室中。例如，激光技術從問世到在通信、醫療、工業加工等領域找到大規模商業化的落腳點，走了20年。技術本身從來不是商業化的充分條件，甚至不是必要條件，很多改變世界的產品，用的都不是當時最頂尖的技術。

靠產品本身足夠好嗎？

答案或許也不是。用汽車舉例，雖然它在 19 世紀初就已經成為商品，但高昂的價格始終讓其成為 1% 人才能擁有的稀罕物。真正讓汽車走向大眾成為實打實商品的，并不是產品所有維度都很完美，而是福特把價格壓得足夠低。同樣的故事在特斯拉 Model 3 身上重演，在 Model 3 之前，搭載完整自動駕駛傳感器套件的電動車售價普遍在 80 萬元以上，Model 3 將價格拉到 20 萬元級別，開始規模化落地后，通過數百萬臺的出貨量積累了海量駕駛數據，才真正讓新能源汽車、自動駕駛從少數人的擁有走向了千千萬條馬路。

所有跨越了 “技術 - 商品” 鴻溝的偉大產品，都遵循同一個底層邏輯：先成為能創造可量化價值的工具，再同步成為承載更前沿技術的載體。換句話說，商業化的進度決定了技術發展的壽命，盡早商業化是加快技術進步和延長應用周期的唯一解。

反觀今天的具身智能行業，絕大多數公司都走反了方向。他們先預設了 “通用” 的終局，然后為了這個終局去造機器人。太多人去追求是 “技術上的完美”，但忽略了一個最基本的問題：這個產品能為客戶創造什么價值？客戶愿意為這個價值付多少錢？

結果就是，今天大部分具身智能機器人，要么是實驗室里只能做特定 demo 的 “展品”，要么是售價幾十萬甚至上百萬的 “少數派的玩具”。難以創造可量化的商業價值。這正是具身智能行業最大的危機，如果不能盡快跨過 “技術 - 商品” 的鴻溝，整個行業將重演泡沫破裂。正如靈御智能CEO金戈對具身研習社表示：夢醒之后，只有能創造真實價值的公司才能活下來。

這對企業提出了三重不可偏廢的核心要求：它不能只做技術演進的單向主導者，也不能只做真實場景的被動傾聽者，更要成為技術與場景耦合點的精準挖掘者。用與當前技術能力精準匹配的產品，切入真正具備規模化剛需的場景，在可盈利的商業閉環中沉淀數據、反哺技術，最終完成從工具到智能的長期進化。

當我們在討論 “通用具身智能” 的終局時，一個最樸素也最尖銳的問題被懸置了：具身智能的價值到底該如何體現？企業又該去哪里找到第一個能讓產業活下去的價值錨點？

靈御智能給出的答案依舊遵循被反復驗證的產業邏輯，先讓產品真正用起來，且是符合客戶所有真實需求的用起來。換句話說，先走到 “福特 T 型車” 階段，把機器人從有錢人的玩具和實驗室的展品，變成大眾買得起、用得好、能賺錢的商品。

金戈進一步對具身研習社解釋道，價值不是抽象概念，是寫在客戶財務報表上的數字。對于 B 端客戶來說，ROI（投資回報率）是唯一的決策標準。如果一個機器人能在 1 年內收回成本，客戶會毫不猶豫地購買；如果需要 5 年甚至 10 年才能收回成本，無論技術多么先進，客戶都不會買單。

這是具身智能規模化落地的必要前置因素，摸清這條邏輯后，靈御智能將目光投向了服務業。在金戈的判斷中，這是一個剛需強烈的場域，服務業容錯率相對較高、長尾場景豐富，發生邊緣case的試錯成本遠低于工業制造，這更契合現階段具身智能的技術邊界。

于是圍繞場景，靈御智能做了一系列“重構”。

最重要的就是成本，幾十萬的產品顯然不是場景想下單的標的，只有滿足ROI的價格才能寫在采購單上。而靈御智能給出的價格足夠讓客戶心動“十萬起”，但這并不表示靈御智能交付的是一個為了價格讓渡質量的產品，也不是在供應商中摳出利潤的短視制造方式，而是用算法替代昂貴硬件，造出好用又成本可控的生產力。

靈御智能CTO莫一林說道，“具身智能這個詞很有迷惑性，英文直譯是賦予智能以身體，聽起來意思像智能是第一位的，身體不重要，但其實不是。”

在靈御智能看來，本體有很多值得優化的空間。例如，靈御智能用低減速比的行星減速器，通過監測電機電流變化估算受力，加上高精度標定和全局逆解算法，實現了更低硬件成本。這套方案最終應用時和業內主流采用昂貴硬件的方案效果不相上下，都能達到毫米級的定位精度。再比如，靈御智能利用廣角攝像頭實現接近人眼的大視野，以此替代昂貴的頸部多自由度關節，在降低成本的同時確保了廣域視野覆蓋。

啃下成本問題后，靈御智能又圍繞技術開始重構。

靈御智能選擇端側保留"小腦"負責基礎控制，"大腦"放置在云端，為此，本體也配備了適合云端控制的架構，視覺回傳、力控反饋、運動指令下發的全鏈路。

這種路線能讓機器人共享云端無限的算力和知識，快速迭代能力，但它的致命短板就是通訊延遲。如果延遲問題不解決，整個架構就會從 "智能協同" 變成 "盲人騎瞎馬"，不僅無法完成復雜任務，還會帶來嚴重的安全風險。通過底層通信協議的重構與專網級優化，靈御智能給出的答案是端到端延遲在90毫秒以內，城內公網傳輸延遲約4毫秒，1000公里跨城傳輸延遲增加約10毫秒。低延遲的優化讓云端大腦不會“活在過去”，而是“實時理解”。

在數據層，機器人采集的數據實時上云后云端模型持續訓練迭代，然后新版本模型再下發到端側。這條鏈路中，靈御智能對數據格式、傳輸協議、模型接口都做了標準化設計，以保證閉環流暢。

至此，極致的成本控制加上好用的智能表現，為靈御鋪平了通往真實商業場景的路。目前，靈御TA機器人在京東七鮮超市面向真實零售門店環境，在無踩點演練的情況下，完成商品遞送、試吃服務、貨架取放等多類任務。此外，靈御也在酒店、物流等場景推進樣機驗證。意向訂單約3億元，在手訂單約1億元，今年預計出貨約1000臺左右。

不為技術造產品，而為價值造產品，靈御智能讓具身智能先成為能賺錢的商品，先用起來，再在真實場景中沉淀數據、迭代智能，這才是跨越 “技術 - 商品” 鴻溝的正道。畢竟，歷史已經無數次告訴我們：最終改變世界的，從來不是最先進的技術，而是最能滿足普通人需求的商品。

本體在真實場景用起來，為靈御創造了更高的護城河，其核心并不是短期的商業化提振，而是長期的數據來源。這是一條別人抄不走的路：別人為了采數據而燒錢，靈御在賺錢的過程中自然沉淀數據。

當前行業的數據采集，本質上是為 demo 服務的。為了在發布會上展示出完美的效果，模型廠商對數據提出了極其苛刻的 “標準化要求”：背景必須干凈無干擾，動作必須嚴格遵循固定SOP，甚至連操作員的動作速度都要被限制，因為動作太快，攝像頭和模型就捕捉不到。

莫一林舉了一個極具諷刺性的例子：“有人要求疊衣服必須先疊左袖子，再疊右袖子，每一步的時間都要精確到秒。但現實中，誰會這么疊衣服？有人先疊左袖，有人先疊右袖，有人鋪平了直接對折。你用這種標準化數據訓練出來的機器人，只會疊‘實驗室里的衣服’，到了真實場景，連一件皺巴巴的 T 恤都拿不起來。”

這種為了 demo 而生的 “表演型數據”，本質上是在閹割數據的多樣性和真實性。它只能訓練出 “過擬合的演示機器人”，永遠無法具備應對真實世界復雜情況的泛化能力。

靈御智能對數據質量的定義，與整個行業截然相反：數據質量的第一標準，是 “活干得好不好”而不是 “模型好不好用”。

在靈御智能，操作員是以最快速度、最高質量完成真實任務，不會為了適配模型放慢動作，不會為了標準化強制改變工作流程，更不會為了數據好看去擺拍任何一個動作。“如果一個機器人干活比人慢 5 倍，就算它能自主完成，也沒有任何商業意義。” 莫一林說，“用慢數據訓練出來的模型，永遠達不到人類的生產效率。”

這種對效率的極致追求，在 2025 年中關村具身智能機器人應用大賽中得到了驗證：靈御機器人的任務完成速度是第二名的 5 倍。

如果說 “活干得好” 是數據的靈魂，那么極致的時空一致性就是數據可復用的基礎。當前行業最大的痛點之一，而靈御智能則用兩個方式化解了上述問題。

首先是亞微秒級時間雙同步。同時記錄兩個關鍵時間戳，一個動作流本身的時間，用于訓練需要還原真實物理規律的世界模型；另一個是數據到達 CPU 的系統處理時間，用于訓練需要實時響應的 VLA 模型。這種雙時間戳設計，是行業內獨有的。

此外還有，1 毫米級空間絕對精度。所有出廠機器人都經過統一的高精度標定，保證任意兩臺同型號機器人的關節誤差、末端執行器誤差都控制在 1 毫米以內。這意味著 A 機器人在上海采集的理貨數據，可以直接用于訓練 B 機器人在北京的理貨能力，徹底實現了數據的跨本體復用。

而每一條數據都誕生于真實場景工作，機器人每天的長程任務都會被完整記錄下來。這些數據不是實驗室里被剪輯過的單一動作片段，而是包含了從任務開始到結束的完整流程，包含了真實世界中所有的 “不完美”：顧客的走動、貨物的雜亂擺放、光線的變化、突發的意外情況。

這些別人眼中的噪音，恰恰是訓練通用具身智能最寶貴的素材。你不可能在干凈的實驗室里，訓練出能在混亂的超市里干活的機器人。就像你不可能在沒有車的空地上，訓練出能在城市道路上開車的司機。

為了讓這些高質量數據真正成為可復用的生產資料，而不是堆積在云盤里的 “數字垃圾”，靈御智能花了近一年時間，打磨了一套覆蓋數據 “采集 - 上傳 - 清洗 - 標注 - 訓練 - 部署” 全生命周期的自動化平臺，徹底解決了行業 “數據全鏈路脫節” 的痛點。

這套平臺的核心是 “端云一體、全流程自動化”。提供多源異構數據統一管理，AI輔助清洗標注，把2周的人工標注流程壓縮到2小時，訓練層支持3行代碼啟動分布式訓練，內置DiffusionPolicy、ACT、π0等主流具身智能算法架構，也支持自研模型注冊，部署層支持一鍵云端推理或本地下載離線運行，原生兼容ROS2生態。

也就是說，靈御智能是在做可直接用于訓練的標準化數據服務。 金戈說，“我們的定位是具身智能的基礎設施提供商。未來，所有的模型廠商都可以基于我們的數據平臺，快速開發自己的具身智能應用，而不用再從零開始搭建數據體系。”

從更長遠來看，靈御智能對數據的規劃，戳中了當前行業的核心誤區：沒有通用標準化的數據底座，所有的定制化都是空中樓閣；沒有高質量要求的數據，帶來的只會是模型的過擬合。

整個行業現在都在奉行 “模型驅動數據” 的邏輯：模型廠商說需要什么樣的數據，數據廠商就按要求去采什么樣的數據。數據不再是客觀記錄真實世界的標準，而是變成了適配特定模型的定制化配件。但靈御智能認為，這種邏輯從根本上就是錯的。

“好的數據應該是客觀的、中立的，它不應該為任何一個特定的模型服務。” 莫一林說，“當一個行業積累了足夠多的高質量標準化數據時，數據本身就會成為行業標準。如果我手里有 100 萬小時的真實場景數據，那我的數據就是標準。如果你的模型不能用這些數據訓練，那不是我的數據有問題，是你的模型有問題。就像今天如果有人說他的圖像識別模型不能用 ImageNet 訓練，所有人都會覺得是他的模型不行，而不是 ImageNet 不行。”

在靈御智能看來，數據先于模型存在，模型應該去適應數據，而不是反過來。就像當年 ImageNet 的出現，統一了計算機視覺行業的數據標準，才催生了后來的深度學習革命。今天的具身智能行業，也需要一個屬于自己的 “ImageNet 時刻”—— 而這，正是靈御正在做的事情。

在具身智能的泡沫期，數據是最容易被包裝成故事的概念。靈御智能用自己的實踐證明，真正有價值的數據，從來不是燒錢燒出來的，而是在真實的商業場景中干出來的。靈御智能已經建立了 “商業化→數據→模型→更好的商業化” 的正向循環：越多的機器人在真實場景中干活，積累的數據就越多；數據越多，模型的能力就越強；模型越強，機器人的效率就越高，就能拿下更多的商業訂單，進而積累更多的數據。

這個循環一旦轉起來，就會形成一個自我強化的護城河。

在靈御智能的基因中，求真占據著舉足輕重的位置。這是靈御智能的核心價值觀，也是金戈和莫一林 20多年交情沉淀下來的共同信條。

金戈是投資人出身，摸爬滾打了 10多年，親眼見證了無數泡沫的升起與破滅。"我見過太多公司，靠一個漂亮的 PPT 融到幾億美金，然后燒光錢倒閉。" 金戈說，"2000 年的互聯網泡沫，2018 年的自動駕駛泡沫，歷史總是在重復。那些只會造夢的公司，最終都會被周期淘汰。"

這段經歷讓金戈對商業有著近乎苛刻的本質主義認知："任何生意，最終都要回歸到 ' 能不能賺錢 ' 這個最樸素的問題上。不能創造真實價值的東西，無論故事講得多么好聽，最終都會煙消云散。"

而 CTO 莫一林，則是典型的技術實干派。他畢業于卡內基梅隆大學，親身經歷了 2007 年 DARPA 城市挑戰賽的狂熱。"當時 CMU 拿了冠軍，所有人都覺得自動駕駛 5 年內就能普及。" 莫一林說，"結果 18 年過去了，我們還在為 L2 + 的穩定性頭疼。

20多年，從校園結識，在魔獸世界征戰到各自分別再重聚，一個見過太多商業的虛妄，一個深知技術的艱難。兩種視角的結合，讓靈御從一開始就避開了行業的大多數陷阱：他們不追風口，不炒概念，不做只能看不能用的 demo，只專注于解決最本質的問題，如何造出一臺能賺錢的機器人。

但這份務實并不代表，靈御智能的未來只能從一臺臺機器人手中尋找。"人類是夢想驅動的，我們做具身智能，當然也是因為相信它能改變世界。" 金戈說，"我們同樣期待通用智能到來的那一天，期待機器人能走進千家萬戶，解放人類的體力勞動。但我們更清楚，在終局到來之前，必須先活下來。"

"造夢和腳踏實地并不沖突。" 金戈表示"我們不能去講自己都不相信的故事"。

這份務實和對抵達終局極其清晰的路徑，也讓靈御智能收獲了更多回響。時隔兩個月，靈御智能又宣布完成近億元人民幣天使+輪融資。由福田資本領投，力合創投、金沙江聯合資本、復利多、楹輝創投、華倉資本跟投，老股東英諾基金、天鷹資本持續加注。本輪融資將主要用于靈御TA機器人產品迭代、供應鏈與交付能力建設、以及高質量真機數據和云端協同系統的持續研發。

資本的加持和商業化的落地，各路都在用真金白銀 buy in 靈御智能。

我們無法預判未來的模樣，也不知道拐點會在哪個不經意的瞬間悄然將至。但透過靈御智能的路線我們能看到，與其思考終局長什么樣，不如先動身用起來，去主動把終局變成現實。