复旦女学霸做具身智能：不比炫技，比谁先回本

作者丨薛皓皓

编辑丨关雎

图源丨寅成智能

两个月前，美国人形机器人头部公司Figure AI，进行了一场长达200小时的无间断机器人直播，4台Figure 03机器人，展示如何连续不断地将快递包裹的条形码翻转至正面朝上，放置到传送带上。

这场“炫技直播”的根本问题——这一物流场景真的需要“人形”具身智能吗？

寅成智能创始人浦群妍认为，从购买成本到运维成本，Figure AI离客户的真实需求，还差着好几倍的距离。

浦群妍曾任谷歌AI产品化应用负责人，是硅谷无人配送鼻祖 Nuro 的初创团队核心成员。带着十余年顶尖AI与自动驾驶的经验回国，她没有选择造一个酷炫的人形机器人，而是把目光首先锁定在了最苦、最累、极其“抠ROI（投资回报率）”的物流分拣赛道。

依托自研的“感知-规划-决策”于一体的端到端AI大模型，与高性能串联机械臂的软硬件协同，其核心产品——具身智能分拣机械臂的核心抓取动作仅需1.5到1.6秒，分拣效率高达1800件/小时；错分率（分拣错误率）被压在30ppm（百万分之三十）左右，质量指标达到了人工的3倍。

在“机器换人”的真实账本上，寅成智能面向物流仓库，该机械臂能实现真正的单机24小时不间断运转，完全满足客户的ROI要求。

寅成智能创始人浦群妍

寅成智能已经完成千万美元级别的天使轮融资，并在顺丰等头部物流巨头的业务流中开展规模化部署。

近期，从国外的Figure AI，到国内的自变量、星动纪元、至简动力等，他们都在展示具身智能落地于物流分拣，物流分拣成了机器人可以最先落地的应用场景之一，也成了共识的兵家必争之地。但各家的成本都未披露。

具身创业：先找钉子，再造锤子

2022年，本科毕业于复旦大学、硕士毕业于卡内基梅隆大学的浦群妍，离开了由两位前谷歌Waymo工程师创立的Nuro。

彼时，Nuro的低速无人配送车已走过0到1的产品研发阶段，正处于1到N的规模商业化阶段，通过自动驾驶技术授权的方式，涉足无人出租车业务。

浦群妍是Nuro成立之初的创始团队成员之一，她在团队内主要负责技术：“我陪伴Nuro完成了0到1，1到N的团队也已搭建完成，我觉得陪伴它的使命已经达成。”

她最终决定离职，并筹划新的创业方向——具身智能。

她还做了一个关键决定——回国创业，因为“国内有着十分成熟的供应链体系，以及非常广泛的应用场景”。

在决定回国创办一家具身智能公司后，浦群妍还做了一个清晰的自我剖析：

作为一位长期沉浸于硅谷工程师文化的资深工程师，她深知技术人的通病在哪里：拿着锤子找钉子，试图先研发一项惊世骇俗的技术，然后强行去市场上寻找适配该项技术的应用场景。

创业的本质是商业逻辑，市场到底有什么需求，怎么给这个市场带来价值，是市场推动产品，产品推动技术，必须倒过来看。

因此，她花了一年左右的时间，系统走访了物流、3C、汽车等多个主流场景。

这种从市场需求倒推的创业逻辑，把她带到了一个熟悉的场景——物流，随即锁定了产品第一阶段聚焦的主要应用场景——物流分拣。

浦群妍仍然清晰地记得第一次走入国内快递分拣中心的景象——有的是方方正正的纸箱，有的是被压得扁扁的软包，有的是裹着光滑快递袋的气泡袋，还有被胶带缠得乱七八糟的破损件，表面沾着灰尘和水渍，每一个包裹都需工人在几秒钟内做完抓取、判断和摆放的动作。

浦群妍最终选择先做物流分拣的原因有三点：

首先，物流行业是劳动密集型行业，客户高度集中，且行业内部对物流分拣的需求具有强共识——每家快递公司面对的包裹本质上是同一类问题。这意味着，一旦解决一家的物流分拣问题，可以快速向全行业复制。

其次，物流分拣对象的形态各异，恰恰是AI最有价值的地方。传统机械臂只能处理形状、尺寸固定的标准件，遇到大小不一、材质各异、相互堆叠的真实包裹便力不从心。而具身智能可以实时感知包裹的材质、软硬度、摩擦力、堆叠关系，并在极快时间内完成判断，驱动机械臂精准执行——这正是传统自动化设备无法解决、却又是物流行业每天面对数亿件包裹时最迫切的需求。

最后，物流分拣是自动驾驶技术的一次降维应用。本质上都是AI加物理执行——控制车的底盘、轮子、轨迹，和控制机械臂的关节、动作、轨迹，背后是同一套技术基础。在Nuro积累的技术经验可以复用。

具身智能，终于能算经济账了

目前，寅成智能的“具身智能分拣机器人”已成功进入顺丰控股、中国邮政、科捷股份和GOFO（GOFO是一家海外物流公司）等头部客户业务流，并与头部企业签署批量订单。

但是，公司能成功进入物流头部客户，不是一蹴而就的，而是循序渐进的过程。

在最初的产品研发阶段，团队在实验室里购买了3000个随机包裹，对它们进行各种“蹂躏”后再让机械臂去抓取，机械臂很快就达到令人满意的效果。然而两年前，当浦群妍带着方案，第一次进入物流分拣中心进行现场测试时，测试结果给她浇了一盆冷水——抓取成功率只有20%。

与从实验室初步走向真实马路的自动驾驶方案一样，真实的物流分拣场景存在着多种多样的“corner case”（长尾数据）。“真实世界存在各种各样的奇形怪状的包裹，存在此前在实验室里根本不曾遇到的大量的corner case。”

在这真实的物流分拣场景里，寅成智能的机器人完成的核心动作是——从源源不断的流水线上快速识别，并抓取包裹，然后以规定的角度放置到供包台上。

这看似简单的动作，对物流大公司而言，要求的是极快速度和极高准确度。

摆在浦群妍面前的第一道难关是速度。客户要求机器人跟上物流分拣工人的效率。寅成智能在自研的端到端AI大模型上做了大量的计算延迟优化，结合高性能的串联机械臂，让具身大脑以“感知-规划-决策”于一体的架构模式，替代传统小模型的多阶段处理，并让机械臂快速执行。

“目前，机器人做单次的分拣动作的全流程压缩到了1.5到1.6秒，实现了1800件/小时的分拣效率，保证24小时平稳运行。”

第二道难关是极为严格的质量指标——错分率。团队专门去现场蹲点，探究错分的定义，发现了产生错分的主要原因，通过算法调优，最终将错分率压在了30ppm（百万分之三十）左右。

令浦群妍印象深刻的挑战，还有高温的工作环境——夏天，仓内温度高达45摄氏度甚至接近50摄氏度。在这种情况下，机器人会出现各类问题——传感器的反应变慢、设备过热等等。

最后，寅成智能的软硬件适应了物流分拣的高温环境，并已在分拣中心经历了两个完整的冬夏。

到了2025年6月，他们的抓取成功率从最初的20%攀升至97%；而到了今年，这个数字已经达到了99.99%，并长期维持稳定。

回到Figure AI的那场爆火直播——在公司总部搭建的物流分拣模拟场景，单间耗时3秒，每4小时换一台而保证连续作业。这对于物流巨头而言，难以算得了ROI。

物流客户不在乎机器人长得像不像人，只在乎是不是比人便宜、比人快、比人好管。这也是寅成智能突破上述物流客户的心智，并获得多家头部客户订单的地方。

分拣只是第一步

在浦群妍的设想中，切入物流分拣只是寅成智能的第一步。

“目前聚焦于物流分拣中的供包环节，这是一个百亿级的市场。”未来3～5年，寅成智能将走一条“从单任务到多任务泛化”的渐进式路径。

首先，是物流场景的纵向拓展。寅成智能突破了物流分拣的单点场景后，它将延伸至物流链条中的其他各类场景。

其次，更具市场空间的是横向多场景拓展。寅成智能的底层AI大模型可较好适配任意“Pick and Place”场景。“做快递分拣的时候，我们的大模型学到的是如何理解‘包裹’这个类别的物理属性——材质、形状、重量分布、堆叠关系等。”她解释道。

当场景跨界到医药、电商仓或即时零售，任务的本质并没有改变，依然是Pick and Place。

从技术落地的具体操作来看，他们至少会做两件事：第一，针对不同的真实场景，将客户特有的业务逻辑编码（encode）进模型；第二，在新场景中收集有效数据和corner case（长尾数据），来优化各项指标。

以医药场景为例，任务变成了识别一盒盒包装规整的药品、核对批次号。相对于形态各异、被挤压变形的快递包裹，药品识别反而变得更加简单，这几乎是一次“降维打击”。

从硅谷到上海，从无人驾驶到具身智能，浦群妍继续在具身智能的商业化道路不断迭代。