真人戴手套干一遍，机器人就会了！这技术太狠了！

具身智能的胜负手，可能并不在机器人本身。

这种认知差，正在被最敏锐的资本迅速兑现为筹码。

近日，灵初智能宣布完成总额约20亿元的天使轮及Pre-A轮融资。

这笔20亿元的资金，将加速灵初智能在物流场景的规模化落地与数据采集体系建设。

值得注意的是，这是灵初智能首次系统披露公司的融资进展。

过去很长一段时间，这家公司几乎没有在资本层面发声，而是把大部分精力放在技术路线与数据体系的打磨上。

而之所以能吸引国家级资本与地方国资的大规模重仓，也与团队极其互补的底色分不开：

创始人兼CEO王启斌在手机、智能音箱及机器人领域拥有20年产品操盘经验，曾担任黑莓、Sonos及云迹科技高管；

联合创始人陈源培是00后，在北大人工智能研究院读研时师从强化学习（RL）代表人物杨耀东，在斯坦福曾与李飞飞有过深入交流，曾拒绝了华为“天才少年”的高薪offer。

在具身智能公司纷纷卷Demo、卷参数的当下，灵初智能的突围逻辑清晰且冷峻：放弃昂贵且低效的机器人遥操，All in人类原生数据。

长期以来，具身智能被三座数据大山死死压住：

仿真环境数采存在无法逾越的Sim-to-Real差距，尤其在处理布料等柔性物体时捉襟见肘；

机器人遥操数采则像是一场昂贵的人力外包，碎片化的试点导致成本居高不下，且无法穷尽物理世界的复杂分布；

而硬件本体与数据的深度耦合则成为了“房间里的大象”。数据与硬件强绑定，采集于哪种本体，便服务于哪家体系。这种封闭结构使数据难以跨平台流通，整个生态将逐渐演变为彼此割裂的孤岛。

风头正盛的UMI设备数采，在灵初智能看来更像是一个“美丽的陷阱”，同样存在结构性问题。

在灵初智能看来，这并非一场工具之争，而是一场数据范式之争。

UMI本质上是让人拿着机器人的器官去模拟机器，是一种“Robot-Centric”的逻辑。短期内可以降低门槛，长期却可能锁死上限。

如果数据从一开始就围绕机器人本体采集，那么模型的能力边界也会被提前锁定；而如果数据源头来自人类本身，那么模型学习的将是“任务本质”而非“机器结构”。两种路径，决定的是具身智能未来的天花板。

“UMI采集的是机器人夹爪的数据。它无法泛化，今天用UMI采的数据，根本无法直接用到五指灵巧手上。”陈源培指出，这种方案强行将人类拥有20多个自由度的五指灵巧手，降维成了一个只能“开合”的简易夹爪。

为了破解这一冷启动难题，灵初智能全栈自研并发布了全球首个具身原生人类数据采集方案——Psi-SynEngine。

其核心逻辑只有四个字：以人为本。

便携式外骨骼触觉手套可精准捕捉人手21个关节自由度及全手触觉信息，并不影响工人正常作业；系统同步记录头戴与手部视角的视觉、触觉、动作及语言数据，为预训练阶段的多模态对齐提供真值支撑。

更关键的是成本结构。

据王启斌透露，通过手套采集数据的综合成本，仅为真机遥操方案的10%。

真正的护城河，则来自跨本体迁移能力。

“机器人会迭代，夹爪会更换，但人手是不变的。”陈源培表示。

通过基于世界模型与强化学习的迁移算法，灵初能够将人类动作高质量映射到不同构型的灵巧手上，弥合Embodiment Gap。

当数据源头脱离硬件本体，模型的能力上限也会随之被重新打开。

数据基建解决的是“矿从哪来”，即“有没有数据”的问题，而真正拉开公司之间差距的，是“矿炼成什么”，也就是把这些数据转化为模型能力的效率。

灵初发布数采体系，外人看可能觉得就是个“卖铲子”的生意。但在创始团队的逻辑里，这只是飞轮的起点。

陈源培直言：

数据是用来训练具身大脑的燃料，而非终点。真正具备长期价值的，是由数据喂养出来的、可迁移的通用操作能力。

灵初智能不卖矿石，也不卖铲子，卖的是“会干活的脑”。

在灵初的逻辑里，单纯靠人力做数采没什么门槛，本质上赚的是劳动力的钱。而模型对数据的消化、泛化与迁移水平，才直接划定了这些数据价值的天花板。

因此，灵初走出了一条在行业中相对少见的路径：

这种“模型驱动数据”的闭环，让灵初在持续推进模型落地的过程中，能不断修正数据结构、标注体系与采集方式。

这就把原本死板堆积的“原材料”给带活了，让它们变成了一种紧贴模型目标、不断进化的结构化资产。

相比行业里还在兜售“大物流”“全场景泛化”这类宏大叙事，灵初表现得有些反直觉的克制。

王启斌透露，2025年下半年灵初内部曾有过一次关键掉头：停止资源投入纯展示型Demo，全面转向真实数据采集与细分场景交付。

为什么？

这种转变背后的逻辑其实很务实，因为模型进化需要养料，而最硬核的养料，只有在真实交付中碰撞出的“高密度问题”里才能淘出来。

灵初切入的口子极细，甚至有些“挑剔”，比如专门盯着“衣服供包”或“入箱检”这种高复杂度、强柔性的活儿。

以衣服供包为例，目前灵初已实现对上千件衣物的泛化抓取，节拍提升至800 UPH（即Unit Per Hour，指每小时产出数量），形成从场景部署、数据采集到模型优化的闭环。

这套方法在团队内部被沉淀为一种“能力飞轮”：每一个新场景的落地都在喂养模型，而变强了的模型，又成了他们敲开下一个复杂场景的敲门砖。

飞轮由此启动。

在具身智能这个“软硬耦合”的赛道上，全栈几乎是必选题。

算法离不开硬件，硬件又反过来塑造数据分布，两者缺了谁都跑不通系统闭环。

但灵初的“全栈”被赋予了某种分寸感，他们通过战略筛选，将精力高度克制地集中在核心链路，走的是一条精准布局、有的放矢的路子。

在王启斌看来，市场上能买到且够用的，灵初绝不碰；但凡是卡住核心能力的环节，必须紧紧攥在自己手里。

之所以费力气自研数据手套和灵巧手，是因为市面上现有的方案在规模化数采和底层电流环控制算法上，根本达不到高精度操作的要求。

假如将这些环节外包出去，无异于把数据质量和模型演进节奏的“命门”交给了别人。

而对于像轮式底盘这样已经高度成熟的赛道，他们则选择通过定制合作来解决，因为那已经不构成技术瓶颈，强行投入只会分散自身精力。

如此取舍背后，其实是在重新厘清灵初这家公司的能力边界：自研是为了守住核心能力，整合是为了调用通用资源。

这也让灵初的定位变得愈发清晰——他们本质上是一家通用灵巧操作能力的“大脑驱动公司”，核心算法与数据链路自控，硬件形态保持开放，能够根据不同场景灵活适配。

对于具身智能公司来说，眼下跟时间赛跑很重要。

因为真实场景的数据反馈是有复利效应的，那些进场早、碰到的复杂任务多的人，才能抢先一步触达那些决定胜负的长尾数据。

这种由规模和密度堆叠出来的领先优势，是后来者很难用资本直接抹平的。

所以灵初的方法论重心在于模型能力的沉淀。随着数据飞轮的启动，数据成本在降，模型能力在升，这种此消彼长会带他们步入一个更高阶的战场——

去解决那些更复杂、更广阔的应用场景。

值得注意的是，灵初智能此次披露的融资信息也释放出一个信号：具身智能正在进入资本与产业共振阶段。

据行业人士估算，在过去一年中，灵初估值已提升约6–7倍，正在向具身智能领域的独角兽迈进。

从国家级产业基金、地方国资平台，再到通信与光通信产业链龙头，这种资本结构背后，其实是产业界对“具身数据基础设施”的提前押注。

在这个赛道里，大家争夺的筹码早已超出了资金本身，时间才是最稀缺的通货。

随着数据飞轮转速加快，比拼的本质也从聚焦于谁账面上钱多，转变成了谁跑在了时间的最前面。

而这种领先优势极具排他性，一旦时间差形成，差距就会以一种极快的速度被放大，留给后来者的空间只会越来越窄。