车企砸钱北大师徒坐镇！具身机器人新晋独角兽来了

来源：智能车参考

贾浩楠 发自 副驾寺

智能车参考 | 公众号 AI4Auto

成立不到两年，估值接近15亿美元——

这是一家2024年成立的AI创业公司——灵初智能（PsiBot）。

这个速度，在当前火热的具身智能赛道里依然足够引人关注。

根据彭博社的最新爆料，灵初智能刚刚完成新一轮融资，投后估值达到约14.8亿美元，正式跻身具身智能独角兽行列。

投资者名单中出现了汽车、制造业等产业资本的身影。

这也让外界十分好奇：

PsiBot是谁？为什么突然值15亿美元？

最新进展

据彭博报道，灵初智能正在完成新一轮融资，投后估值达到约14.8亿美元，约101亿人民币。

成立于2024年9月的具身智能创业公司来说，灵初智能跻身独角兽的速度引发关注。

但如果回看灵初的发展路径，可以发现其融资节奏和技术布局几乎同步推进。

灵初成立后不久便完成天使轮融资，由高榕资本、蓝驰创投等机构参与，资金主要用于强化学习机器人技能训练、场景数据采集以及具身智能模型研发。

随后，公司持续获得产业资本关注。

此次新融资中，包括奇瑞、蓝思科技等汽车和制造业相关企业参与，也体现出传统产业对于机器人智能化方向的兴趣。

不过，与已经形成规模化销售的机器人企业相比，灵初目前仍处于技术和产品快速迭代阶段。

它的核心方向，并不是制造一台通用机器人，而是建立一套让机器人具备理解、学习和执行能力的AI系统。

这也是市场关注的关键：

一家成立时间并不长的公司，为什么能够获得接近15亿美元估值？

答案，需要从团队和技术积累中寻找。

Psibot从何而来？

灵初智能的团队构成，并不像传统机器人创业公司那样以硬件工程为中心。

从公开资料来看，其核心成员覆盖了产业产品、机器人系统、自动驾驶工程以及强化学习研究多个方向。

创始人兼CEO王启斌，是团队中负责产业化的一环。

公开资料显示，王启斌博士毕业于乔治华盛顿大学，并拥有近20年消费电子和机器人产业经验，曾参与BlackBerry、Sonos、云迹科技、京东等相关业务。

从云迹开始，王启斌进入机器人行业，主要是服务机器人、酒店机器人等。

他的经历更多集中在产品定义和商业化推进。

对于具身智能企业来说，实验室里的算法能力只是第一步，如何将技术转化为稳定产品，并进入真实应用场景，同样是重要挑战。

联合创始人柴晓杰，则带来了机器人和自动驾驶领域经验。

其拥有机器人与L4自动驾驶相关背景，覆盖算法、仿真和工程系统建设。

自动驾驶行业过去几年积累的感知、规划、数据闭环能力，与机器人系统存在一定共通性，也成为灵初探索具身智能的重要工程基础。

而在算法研究方面，灵初与北京大学人工智能研究体系联系更加紧密。

首席科学家杨耀东，本科毕业于中国科学技术大学，随后获得帝国理工学院硕士学位，并在伦敦大学学院（UCL）取得博士学位。

目前，他担任北京大学人工智能研究院助理教授、博雅学者，长期研究强化学习、多智能体系统以及具身智能相关方向。

另一位核心成员陈源培，则代表年轻一代机器人研究者。00后，北京大学硕士，师从杨耀东，目前是灵初智能联合创始人兼强化学习负责人。

本科毕业于华南理工大学土木工程，大二起自学机器人算法并参与RoboMaster竞赛。2023年赴斯坦福访问学习，曾在斯坦福李飞飞实验室实现全球首次双臂操作长程任务。

在灵初内部，陈源培主要负责灵巧手、外骨骼数据采集设备等方向。

目前，灵初与北京大学共建“北大-灵初智能具身灵巧操作联合实验室”，由杨耀东担任首席科学家。

杨耀东陈源培师徒二人，也是灵初智能鲜明的北大底色。

灵初并不是单纯押注机器人硬件，而是在尝试把产业经验、工程能力和AI算法能力结合起来。

背后对应具身智能发展的两个关键问题：

机器人如何获得智能能力，以及这些能力如何真正进入现实世界。

灵初智能的团队背景，也决定了灵初后续选择的路线：从机器人“大脑”能力切入具身智能。

灵初的技术路线如何形成？

灵初智能不是从一台机器人开始，而是从机器人最核心的问题——如何学习复杂操作开始。

团队此前的重要研究之一，是机器人双手灵巧操作方向的Bi-DexHands平台。

相关论文《Towards Human-Level Bimanual Dexterous Manipulation with Reinforcement Learning》探索利用强化学习训练机器人完成双手协同任务。

过去，机器人完成任务往往依赖人工编程，例如机械臂移动到指定位置，抓取固定物体。

但真实世界更加复杂，同一个任务可能因为物体形态、位置变化以及环境差异产生不同结果。

因此，具身智能的发展方向之一，是让机器人从“执行规则”，转向“通过训练获得技能”。

Bi-DexHands研究尝试通过强化学习，让机器人在模拟环境中学习双手操作能力，这解决的是机器人从简单移动走向复杂操作的重要问题。

除了强化学习训练，团队也探索利用人类动作数据帮助机器人学习。

Object-Centric Dexterous Manipulation等研究关注如何将人的操作经验迁移给机器人，减少针对单个任务的大量人工编程。

这一方向，也是当前全球具身智能公司共同探索的路线。

在这些研究基础上，灵初进一步布局Psi-R系列具身模型。

Psi-R采用视觉-语言-动作（VLA）架构，将视觉理解、语言任务和机器人动作连接起来。

简单来说，机器人不仅需要看到环境，还需要理解人的指令，并将理解转化为具体动作。

其分层架构中，上层负责任务规划，下层负责动作生成，希望支持机器人完成长时间、多步骤任务。

不过，从论文成果到通用机器人，中间仍然存在明显挑战。

相比自动驾驶，机器人缺少天然的大规模真实世界数据来源。

数据规模、环境泛化能力以及训练成本，依然是整个行业面临的问题。

因此，灵初真正想建立的，并不是某一个单独模型，而是一套围绕数据、模型和机器人的闭环体系。

具体来看，Psi-R系列是公司的核心AI模型。

除了视觉、语言和动作融合之外，灵初还布局Psi-W0世界模型。

该模型定位为动作条件世界模型，主要用于环境状态预测、策略评估以及合成数据生成。

它承担的作用，是帮助机器人在执行动作前预测环境变化，并降低真实机器人训练成本。

数据方面，灵初推出Psi-SynEngine具身数据采集系统。

机器人训练最大的瓶颈之一，就是高质量数据不足。

灵初采用“以人为中心”的数据采集路线，通过外骨骼手套等设备采集人类操作数据，再转换为机器人训练数据。

这一思路希望解决机器人数据获取成本高的问题。

硬件方面，灵初采取“小全栈”模式。

公司自主设计核心硬件方案，生产制造采用外协方式，以降低成本并聚焦算法。

其中，Psi-H1五指灵巧手是其代表产品。

该产品拥有21个自由度，支持力控和触觉反馈，主要面向物流抓取、装配等精细操作场景。

此外，Psi-E1外骨骼数据采集手套，则承担数据采集功能。

整机方面，灵初推出PsiBot V1轮式双臂移动操作机器人。

该机器人搭载双机械臂和灵巧手，主要用于物流、零售等场景验证。

如果把这些产品串联起来，可以看到灵初试图构建一个完整闭环：

• 数据采集系统负责产生训练数据；

• Psi-R模型负责学习；

• 硬件负责执行；

• 机器人进入真实场景后继续产生反馈数据。

这种“数据—模型—机器人”的循环，也是当前具身智能公司的核心竞争方向。

不过，灵初智能依然面临现阶段所有具身玩家的挑战——

数据规模、真实环境泛化和成本。

因此，灵初的15亿美元估值，更像是市场对于某种技术路线的提前定价，而不是对成熟产品的确认。

如何理解

如果把灵初智能放到整个具身智能产业版图中，它并不是一家传统意义上的机器人制造商。

更准确地说，它是一家以具身智能模型和机器人数据闭环为核心，同时向硬件和场景延伸的AI机器人公司。

过去机器人公司的竞争重点，更多集中在机械结构、运动控制、供应链能力。

但随着大模型技术展现出的潜力，竞争焦点正在发生变化：

机器人不仅需要“身体”，更需要一个能够理解环境、学习技能、持续进化的“大脑”。

灵初选择的路线，就是从“大脑”切入。

这使它更接近当前全球具身智能产业中的“机器人基础模型公司”。

不过，在这个赛道里，灵初并不是唯一一家获得高估值的企业：

暂时无法在飞书文档外展示此内容

以上是所有目前称得上“独角兽”的具身智能玩家，当然特斯拉这样的的巨头也没有遗漏。

灵初与Physical Intelligence的方向更接近，都希望通过基础模型提升机器人的通用能力。

但两者侧重点不同：Physical Intelligence更偏纯模型路线，希望打造类似机器人领域“大模型平台”。

灵初则试图建立：模型 + 数据采集 + 灵巧硬件 + 场景验证的完整闭环。

这也是灵初强调Psi-SynEngine和Psi-H1灵巧手的重要原因。

所以15亿美元估值，首先不是对一家成熟机器人公司的定价。

本质上其实是市场正在押注一个趋势：

未来机器人竞争的核心，既包括机械能力，更核心的还是智能能力。

尤其是多模态大模型出现后，机器人竞争开始向另一层迁移：

谁拥有更强的模型、谁拥有更多真实世界数据、谁能建立更高效的数据闭环。

这也是为什么自动驾驶、汽车企业开始进入机器人领域。

因为自动驾驶和机器人虽然面对不同场景，但底层技术高度相似：

都需要环境理解、都需要世界模型、都需要预测和决策、都需要通过数据持续训练。

这些能力，都可能成为机器人发展的重要基础设施。

所以某种程度上，自动驾驶的技术体系尤其是数据基础设施，正在成为具身智能的“前置实验场”、Kick Start。

Tesla选择将FSD能力迁移到Optimus，本质也是技术复用。

而未来1-2年内具身智能竞争胜负手，很可能不是单一的模型、本体之争，而是：

谁能够建立，或者复用自动驾驶已有的连接现实世界的数据，和AI基础设施。

— 联系作者 —