具身智能的资本大戏里，又拿了1亿美元的星海图继续“唱反调”

作者 ｜ Yoky
邮箱 ｜ yokyliu@pingwest.com

7月9日，具身智能赛道迎来“炸裂”一天。

交付超过56000台AMR（自主移动机器人）的极智嘉正式在港交所敲钟上市；科创板上市公司上纬新材公告，智元机器人将收购其约67%股份，虽然智元方面强调“不是借壳上市”，但外界普遍认为智元距离登陆资本市场已只有一步之遥。

事实上，在此前几天，星动纪元、云深处、小雨智造、它石智航也接连宣布了新的融资消息，再加上此前宇树传出的融资和IPO动作，具身智能赛道正在上演又一轮资本大戏。

在这样集中爆发的背景下，星海图宣布完成A4轮及A5轮战略融资的消息，显得并不那么引人注目——此次两轮合计融资金额超过1亿美元，A4轮由今日资本、美团龙珠联合领投，A5轮由美团龙珠、美团战投联合领投。事实上星海图已经在不到两年的时间里完成了7轮融资，总融资金额超过15亿元，且接下来正以独角兽的估值——10亿美金继续融资。但这家公司并不太在意用“融资破同行业纪录”去吸引过多讨论。

另外，仔细观察这些公司就会发现一个有趣的现象：无论是极智嘉的AMR、还是其他公司的四足机器人、人形机器人，它们的共同特点是都在做“本体”——专注于机器人的物理形态和硬件制造。

而在这一众“造身体”的公司中，主打“造大脑”的星海图反而显得格外独特。这是一家总与主流“唱反调”的公司：

当整个行业都在追逐人形机器人的时候，星海图却坚持硬件形态根本不重要，人形也不是最优解；在行业讨论话题逐渐偏离，开始热议各种资本运作技巧时，他们还在实验室里推进技术，展示Demo，像个学术团队那样尝试着各种新技术方案；甚至当同行团队向数百人扩张时，这家公司为了“保命”，也只保持80人的精英团队作战。

在一个充满泡沫和跟风的赛道里，星海图成了一股清流。

1

和硅谷互动最密切的团队

这种处处“反其道而行之”的风格，来自于一个有着清华+硅谷背景的四人创始团队。

这四个人的组合，几乎覆盖了具身智能的核心算法版图：CEO高继扬负责感知算法，清华电子工程本科、南加州大学计算机视觉博士，曾在Waymo参与VectorNet、TNT等核心算法开发；联合创始人赵行主攻空间智能，清华交叉信息研究院助理教授、MIT博士，Waymo前研究科学家，是3D场景理解领域的权威；联合创始人许华哲专注策略学习，伯克利博士、清华交叉信息研究院助理教授，他提出的3D扩散策略DP3算法被认为是世界领先的模仿学习架构；联合创始人李天威则负责工程落地，UCL硕士，前Momenta高级总监，有着丰富的量产经验。

星海图是行业内唯一一个同时拥有两位世界级具身智能算法科学家的团队，并覆盖了从感知、空间理解、策略学习、工程落地，具身智能的四个核心环节，正好对应四个人的专业领域。“单凭我们团队的履历就能融不少钱，”许华哲曾半开玩笑地说。

但这个“六边形战士”团队的真正价值，在于他们基于技术积累做出的判断。

当整个行业都在跟风人形机器人时，星海图提出了“一脑多形”理念：开发一套通用的智能大脑，可以适配轮式、履带式、四足、六足、人形等各种机器人形态。在他们看来，具身智能的核心是智能而非形态，应该是“软件定义硬件”而非“硬件定义软件”。

高继扬曾多次强调“数据闭环”的重要性，星海图的三项核心技术正是围绕这一理念展开。

EFM-1模型融合了视觉语言大模型与视觉-语言-动作模型，让机器人能够理解人类的语义指令并转化为具体动作；RSR引擎通过消费级2D相机实现厘米级三维场景重建，更重要的是能将真实数据扩展为数千条仿真数据，彻底解决了机器人训练中的数据瓶颈；DP3算法则基于3D扩散策略，让机器人仅需少量演示就能学会复杂操作。

这三项技术协同工作，形成了“认知-仿真-执行”的完整闭环。机器人先通过EFM-1理解任务，再通过RSR构建环境模型并生成训练数据，最后通过DP3学习执行策略。同时，这套系统具备足够的泛化能力，同一套智能算法可以快速适配到不同形态的机器人本体上。

这些技术路线不那么“全链路”，但更贴近今天具身智能技术发展的真实情况——它的技术进步依然重点来自实验室属性的团队，与早期AI技术进步的节奏相似，各个不同的高校、大厂里的机器人实验室共同合作推动着今天技术不停“日拱一卒”，然后等待跨跃性的时刻到来。

于是星海图也成了与全球顶尖机器人实验室团队合作最紧密的公司之一。

斯坦福大学李飞飞团队选择了星海图的R1机器人作为BEHAVIOR Robot Suite的硬件基础，专门用于复杂家庭任务的研究；Physical Intelligence（Pi）在训练其π0.5模型时，同样选择了星海图的R1 Lite作为数据采集平台，Pi团队能够高效采集真实环境数据，提升其具身智能模型的训练质量和泛化能力，推动机器人操作智能的发展。

顶尖算法团队需要的不只是特定形态的机器人，而是标准化、高自由度的硬件平台，让他们能够专注于智能算法的研发。基于此需求，星海图持续构建了开放的开发者平台EDP，向全球开放机器人硬件、数据和开发工具链。

1

用某种“执拗”来对抗商业挑战

这样充满学术气质的公司，往往也会遇到挑战：尤其是，今天如何在一个产品成熟度极低但商业化竞争异常激烈的环境里作为一家企业“活下去”？星海图也在找它自己的方法。

“学术圈有一种风气，就是说做一个研究，要一直做下去，哪怕从热门变成了冷门，也要接着做。也许再熬过一个周期，又重新变成热门。但在创业上，可能逻辑不完全是这样。商业上是关乎生死存亡的，而且创业者的责任比单纯的研究者大得多，毕竟公司还有那么多员工。”

作为CEO，高继扬最常挂在嘴边的词汇不是“算法突破”或“技术创新”，而是“成本”。这种对商业本质的关注，源于他在自动驾驶行业的深刻洞察。他从自动驾驶的失败经历中总结出“失效成本”理论：

“Robotaxi失效一次，发生碰撞，大概要赔偿几万到几十万美元不等，而ChatGPT失效一次，成本仅仅是浪费了用户20秒时间。”这种巨大的失效成本差异，决定了具身智能必须走一条与大语言模型截然不同的商业化路径。

在高继扬看来，商业闭环并非技术路径的终点，而是数据闭环的起点。

他的逻辑很清晰：具身智能的本质是让机器在物理世界中学会行动，而这种学习必须建立在大量真实场景数据的基础上。“如果要抵达具身智能的终局，需要针对具体场景推出合适的产品，完成商业闭环，从而得到更多来自物理世界的数据，最终不断提高机器人的’智能'程度。”

因此，数据成了他们找到的，这个阶段的商业化突破口。

与计算机视觉或自然语言处理不同，具身智能无法依靠网络爬虫或众包标注来获得训练数据，每一个有效的数据样本都需要机器人在真实环境中的实际操作。这种数据获取的高门槛，让整个行业陷入了“先有鸡还是先有蛋”的困境：没有足够的数据就无法训练出足够智能的机器人，而没有足够智能的机器人就无法产生商业价值，也就无法大规模部署来收集数据。

某深耕具身算法的研究团队对此有着更为直接的表达：“终端的价格战打得越激烈越好，我们希望硬件厂商卖得尽可能便宜，卖多了就有真实的需求产生真实的数据了。”这句话看似调侃，实则道出了算法团队的无奈：他们拥有处理数据的能力，却缺乏获取数据的渠道。

在经营层面，星海图也展现出了相当的克制和冷静。当同行融资后团队规模加速扩张时，星海图依然保持80人的精英规模。许华哲坦言：“我们随时准备过冬。好的创新一般都不是大团队做出来的。”这不是因为招不到人，而是出于对行业周期的清醒认识和对现金流的谨慎态度。在他们看来，具身智能还处于早期阶段，盲目扩张只会增加试错成本，精英团队的高效协作远比人海战术更有价值。

在业务落地上，星海图不是那种讲故事般的“技术导向”思维，转而采用精确的商业计算。他们不讲宏大的“改变人类生活”故事，而是冷静地进行市场分析：哪个蓝领岗位最容易被替代？这个岗位需要什么样的功能组合？现有技术能覆盖多少应用场景？投入产出比如何？什么时候能实现端到端替代？能看出，在每一个产品决策背后，希望找到详细的商业逻辑支撑。

“融资是为了活着，但活着不是为了融资。”许华哲此前曾这样描述。

在一个充满概念炒作和资本泡沫的行业里，星海图像一股清流。某种时候，你甚至觉得他们像是“旁观者”，以一种近乎学术的执拗，默默坚持自己的路线，同时又因为冷静而吸引来对技术本身还在关注的合作伙伴和投资者，然后保持一个精简的团队，冷静地算着商业账，以最少的成本解决最核心的问题。

在今天人人忙于分析各种资本动作的时代，我们可能反而需要更多这样不怎么讲天花乱坠大故事的公司。

点个爱心，再走 吧