对话智平方：200 亿具身智能独角兽，凭什么让全矩阵资本“集体押注”？

近日，被誉为“最像特斯拉”的通用智能机器人企业智平方，宣布完成近50亿元人民币（约7亿美金）的新一轮融资。至此，智平方估值突破200亿大关，成为粤港澳大湾区首家跨过该量级的具身智能企业。

比估值更值得关注的是投资方名单：从国家级基金，到千亿产业龙头、头部券商与老牌财投，几乎所有类型的资金站到同一家公司身后。这在如今略显拥挤的具身赛道，本就是竞争力的彰显。

这次融资早有伏笔。前不久的达沃斯论坛，国务院总理李强在开幕式致辞中，将深圳机器人谷的“半小时配套圈”列为中国孕育高新技术企业的标杆范例。

扎根机器人谷的智平方，其创始人兼CEO郭彦东博士，正是本届论坛中国具身人形机器人领域唯一受邀演讲的嘉宾。几乎同期，智平方在广东“众创杯”创业大赛上，从全球1.16万个项目中脱颖而出，斩获特等奖——政策与产业的双重认可，为这轮融资埋下伏笔。

回到这次融资。国家队层面，智平方拿到国家中小企业发展基金、中国文化产业体系基金的背书，以及深创投、南山战新投等大湾区核心资本的加码，站在国家战略与大湾区创新的交汇点上。

市场化一侧，多家保险公司，连同中金资本、中信建投、洪泰资本、金沙江联合资本等财务机构与头部券商深度参与，达晨财智等老股东则持续超额追加、长期重仓。

更能说明问题的是产业资本的动向。茅台集团、中国生物制药（正大集团）、康龙化成等横跨消费、医疗的产业龙头，纷纷选择独家重仓智平方。多家曾与特斯拉深度协同的核心生态链企业也低调入局，把智平方当作自己在机器人赛道里的战略支点。它们不只给钱，更同步开放了最核心的制药产线、高端制造工艺和零售消费等落地场景。

智平方到底做对了什么？答案要从它的NeuroVLA技术路线说起。当行业还在用视觉、语言、运动控制各自独立的“搭积木”方式拼装机器人时，智平方从第一天起就直接瞄准端到端VLA架构——让机器人像人一样，把看到的、听到的在同一个“大脑”集中处理，再瞬间转化为动作，中间不再有延迟和损耗。

今年6月，它更进一步，发布了全球首个开源类脑VLA模型——NeuroVLA，首次把人脑的“皮层-小脑-脊髓”协同机制引入机器人控制：皮层负责听懂指令，规划任务；小脑负责高频运动协调，让抖动降低 75% 以上；脊髓则像本能反射一样，能在碰撞后20毫秒内做出快速响应；且采用脉冲神经网络，功耗低到0.4瓦。这证明了一个反共识的结论：让机器人更聪明，不必盲目堆算力，读懂生物的运动机制、重构底层架构同样重要。

更难得的是，智平方没有停留在“样板间”的演示，而是扎进最难啃的真实场景。它坚持硬件与大模型联合设计，率先做到常态化批量交付，已建成年产2000台以上的半自动化产线。

落地上则专挑半导体显示、生物制药这类要求极苛刻的高端制造领域。半导体领域去年拿下惠科3年1000台的标杆合作；新零售赛道的“智魔方”机器人店员已在全国十余个省市上岗，每天连续工作10小时、零失误做出数百杯咖啡和冰淇淋。

机器人进入这些高价值场景干活，源源不断收集真实数据，数据又反哺大脑、解锁更多场景——这正是千亿产业方愿意重仓的根本原因，也是“模型 × 硬件 × 场景”三位一体跑通后，其他企业难以企及的壁垒。围绕这轮融资与背后的战略思考，我们和智平方聊了聊。

有新Newin：这轮融资汇集了极其完整的投资方矩阵，甚至包括多家特斯拉核心生态链企业。这些产业方“用脚投票”重仓智平方，最看重的是什么？

智平方：我们认为，他们看重的不只是某一个技术点，而是智平方已经证明了一条能够真正跑通的产业路径。

第一，是机器人大脑。我们一直坚持全栈自研具身大模型，从端到端VLA，到融合世界模型，再到今年发布的类脑VLA，我们持续在机器人大脑上进行原创创新，这也是很多产业方最认可的核心能力。

第二，是产业落地能力。目前智平方的爱宝机器人已经在汽车、半导体显示、生物制药、公共服务、新零售等多个行业实现商业落地，机器人每天都在真实环境里工作、学习、迭代。

第三，是长期成长性。机器人最终比拼的不是一两个Demo，而是谁能够形成持续的数据飞轮。因为大模型泛化能力强，所以落地场景多；因为落地场景多，所以大模型持续领先，产业方看到的是智平方一个能够不断自我强化的长期竞争优势。

有新Newin：在行业普遍认为端到端 VLA“太难、太早”的 2023 年，智平方为什么敢于 All-in“皮层-小脑-脊髓”架构，是否意味着具身智能的突破不再只依赖算力和数据的堆砌？

智平方：2023年我们选择All-in VLA，并不是赌，而是基于第一性原理的判断。我们认为，如果机器人未来要像人一样工作，就必须能够把感知、理解和行动统一起来，而不是靠大量规则去拼接。这也是VLA最大的价值。

当然，随着行业发展，我们也意识到，仅仅把模型做得越来越大并不是最终答案。所以今年我们提出了类脑VLA，把“皮层—小脑—脊髓”的协同机制引入机器人。

皮层负责理解和规划，小脑负责高频运动协调，脊髓负责毫秒级执行和安全反射。这样做不是否定算力和数据的重要性，而是希望让算力和数据发挥更高效率。未来具身智能的发展，一定是“数据、算力、架构”三者共同演进，其中底层架构创新会越来越重要。

有新Newin：智平方选了半导体、生物制药这些要求极高的“硬骨头”场景。相比更易切入的场景，啃下硬骨头带来了哪些不可替代的优势？

智平方：很多人会觉得半导体、生物制药是最难的场景，但从机器人发展的角度来看，它们更准确地说属于“半结构化场景”。相比家庭这种高度开放、充满长尾问题的环境，半导体、生物制药虽然对精度、稳定性和可靠性的要求极高，但任务流程相对稳定，是机器人实现规模化落地更合适的第一站。

智平方一直坚持一条渐进式的发展路径——从半结构化场景走向非结构化场景，从工业服务逐步走向公共服务，再最终进入家庭。我们认为，这是目前通用机器人最快、也是最现实的成长路径。

另一方面，这些高价值产业场景能够持续产生高质量的数据。机器人每天面对不同设备、不同工艺、不同任务，在真实生产过程中不断积累数据、优化模型。对于具身智能来说，这些真实数据远比实验室数据更有价值，也是机器人持续泛化的关键来源。

所以，我们选择半导体、生物制药，并不是因为它们“最难”，而是因为它们AI能力要求足够高、商业价值足够高，同时又是能够支撑机器人快速成长的数据沃土。当机器人能够在这些场景稳定工作之后，再向公共服务、家庭等更加开放的环境拓展，就会更加顺理成章。

有新Newin：大家都在谈数据飞轮，真正跑通的却很少。智平方是如何在真实场景中收集高质量数据，并把它转化为模型能力的？

智平方：数据飞轮最大的难点，不是采集数据，而是拥有持续产生高质量数据的真实场景。智平方一直坚持“模型×硬件×场景”三位一体的发展模式。

机器人进入真实生产环境以后，不只是记录视觉信息，还会采集机器人本体状态、运动轨迹、力反馈、操作结果等多模态数据。这些数据经过平台清洗、标注和训练，再持续回流到基础模型。

与此同时，我们提出了“正反金字塔”的数据方法论。冷启动阶段，充分利用互联网数据、仿真数据和少量真机数据完成基础能力训练；随着机器人规模部署，真实场景数据逐渐成为最核心的数据来源，实现模型“越服务越聪明、越工作越通用”。

有新Newin：智平方计划在 2026 年下半年启动数万台生产力具身人形产线建设。当数万台机器人真正进入社会各个角落，我们的生产和生活会发生怎样的改变？

智平方：未来几年，我们会首先看到机器人进入越来越多缺人、危险、重复、标准化程度高的岗位，比如制造业、物流、生物制药、公共服务、新零售等领域。机器人不是替代所有人，而是优先承担那些人不愿意做、不能长期做或者效率不高的工作。

更重要的是，当数万台机器人同时在真实世界工作时，它们每天都会学习新的技能，并不断把经验回传给基础模型。未来，一台机器人学会的新能力，可以快速共享给所有机器人，这种学习速度是传统工业设备无法实现的。

从长期来看，机器人会像今天的智能手机、智能汽车一样，逐渐成为一种新的智能终端。它不仅能够完成体力劳动，也会具备越来越强的理解、协作和服务能力。我们希望未来每一个家庭、每一家企业，都能拥有真正能够创造生产力价值的通用智能机器人。

✦精选内容✦