灵御智能：把机器人"大脑"搬进云端，90毫秒延迟重构具身智能

戴上VR眼镜，伸出手就能操控1000公里外的机器人在超市货架前理货、仓库里搬运杂物，延迟低到肉眼几乎察觉不到——这是灵御智能联合创始人兼首席科学家莫一林向智客ZhiKer演示的场景。

为了把这个"几乎察觉不到"落到实处，莫一林带领团队把具身智能操作的端到端链路拆成20个环节，用示波器逐个测量耗时。最终端到端延迟控制在90毫秒以内，城内公网传输约4毫秒，1000公里跨城传输仅增加约10毫秒。"让机器人真正成为人身体延伸的前提，没有这个前提，遥操作只能做演示；有了这个前提，才能谈规模化商用和全球化人力调度。"莫一林说。

但比"快"更底层的命题是：具身智能的"大脑"该放哪儿？

当行业主流把高功率芯片塞进机器人本体、追求端侧自主时，灵御做了一个反直觉的选择——端侧只保留"小脑"负责实时控制，"大脑"放在云端负责认知、推理、学习、进化。机器人置信度下降时，云端操作员无缝接管，每一次接管都生成高质量训练数据，再反哺模型持续进化。"这不是工程妥协，是对终局的判断。"灵御智能创始人兼CEO金戈表示。

这个判断源于莫一林的学术与产业路径。他是清华大学自动化系长聘副教授，师从美国工程院院士、机器人操作领域先驱Richard M. Murray，谷歌学术引用超1万次，2021-2025连续五年入选Elsevier中国高被引学者。回国后他与滴滴、美团、华为合作自动驾驶；2022年在宇树机器狗上做强化学习时，他意识到算法不能脱离硬件存在，"就像大脑不能脱离身体"。2024年与一家灵巧手公司合作Demo后，他进一步确信只有硬件、软件、算法深度耦合，才能实现真正的系统级优化。2025年2月，灵御智能正式成立。

因为围绕"云端大脑"设计架构而非本体，灵御的商业模式也随之重塑。"我们卖的不是机器人，是机器人即服务（RaaS）+ 操作即服务（MaaS）。"金戈解释，客户无需一次性投入十几万元买设备，可按任务付费，云端智能是订阅服务，远程操作员是弹性人力。一家北京商超的理货需求，可以由成都的操作员在云端完成，人力成本重构空间巨大。

硬件设计的重构带来更底层的成本优势。灵御用行星减速器替代谐波减速器，用电流估算替代六维力传感器，配合500Hz控制频率实现同等精度。自研的TeleAvatar本体定价10-20万元，仅为行业同类产品的1/3到1/2。

灵御智能的自我定位是具身智能的基础设施提供商，为行业提供高质量本体和数据服务。今年3月已完成天使轮融资，华映资本、国海创新资本、天鹰资本、思明科创基金、英诺天使基金、远镜创投、银河创新资本等多家机构联合投资。据悉，下一轮融资也已接近到位。

从教授到创业者，从投资人到联合创始人，莫一林与金戈的搭档源于20多年的相识。金戈是清华大学自动化系学士、清华经管学院MBA，曾任远镜创投管理合伙人、奥量光子副总裁。2023年下半年莫一林与他聊起创业想法时，金戈最初只是帮忙物色CEO人选，"面试了几个人都没有合适的"。

这个过程中，金戈形成了两个核心判断：第一，这不是单纯的机器人概念，而是大模型范式在物理世界的延伸，有清晰的技术演进逻辑和商业闭环可能；第二，他与莫一林的能力恰好互补——莫负责本体、算法、控制、数据平台的技术架构，他负责商业化、生产、融资、人力财务。最终，金戈将另一家公司的股份全部转让给合伙人，All in灵御智能。

在具身智能生态中，灵御既做机器人本体（TeleAvatar），又做数据平台（TeleDroid）。金戈将生态分为四个层级：最底层是机器人本体，中间层是云边协同架构和数据层，再往上是模型算法层，最上层是应用层。"目前大量公司从模型算法层切入，但我们认为本体、数据、通讯这些基础层才是行业发展的根基。"

莫一林补充："很多模型公司擅长做算法研发，不擅长做数据，也不擅长做本体。就像OpenAI不会自己养一堆人做数据标注，才催生了Scale AI这样的专业数据服务公司。"

在莫一林看来，"懂数据"不是简单的会采集，而是理解数据的全生命周期管理。真机遥操作采集时，若时间同步和空间标定没做好，数据质量和普通第一视角视频没有本质差异。灵御目前实现电机和摄像头数据的亚微秒级时间同步，机械臂绝对定位精度达1毫米，"这个精度下采集的数据信息密度会更高"。

他同时指出行业数据集的隐患：很多场景非常单一，95%的机器人叠衣服视频都是叠短袖T恤，只是颜色不同。"这类数据在模型发展初期是必要的，长期来看，对于提升模型的泛化能力是有限的，甚至是'有毒的'。"他援引AlphaGo的演进路径——学习人类棋谱达到一定水平后，继续学习反而会限制棋力，AlphaZero通过自我对弈才实现突破，"我们判断模型发展到一定阶段后，低质数据会成为负向资产"。

此外，许多公司的数据采集、上传、清洗、标注、索引、模型训练等环节是脱节的。灵御已跑通从数据产生到模型训练的全流程，北京理工大学、Intel等科研机构和企业已使用其数据开展研究并发表成果。

将高智能算力放在云端而非端侧，金戈给出了三个现实约束：

第一，功耗硬约束。汽车通常搭载十几度甚至上百度电的电池，机器人电池容量普遍只有半度电左右，"这是物理极限，不是短期工程优化能解决的"。

第二，算力硬约束。端侧芯片算力天花板明显，当前大语言模型的智能涌现主要发生在云端，"不是因为云端部署更方便，而是只有云端才能提供足够的算力密度"。机器人要实现接近人类级别的通用智能，端侧算力难以满足需求。

第三，安全与网络环境的差异。汽车行驶中网络环境不可控，必须具备本地快速决策能力；机器人工作场景相对固定，网络环境基本可控。灵御在端侧部署低功耗芯片，只负责断网时的本地安全控制（急停、避碰），将复杂推理、任务规划、多模态理解等功能全部放在云端。

"我们判断未来数年内，云端大脑+端侧小脑的架构将成为具身智能的主流范式。"金戈说。