极智嘉战略入股 深诣机器人押注“自进化”

“自进化”正在成为具身智能行业的高频词。

今年世界机器人大会上，VLA、世界模型、强化学习、后训练和数据闭环频繁出现，行业关注的是，机器人进入真实现场后，需要具备可复用、可泛化、可持续迭代的系统能力。

近日，深诣机器人在工博会上集中展示了物流操作机器人Sculptor和工业操作双臂机器人Edge，两款机器人采用同一套SE-1具身基础模型，这套模型的技术路线就是围绕“强化学习驱动自进化”展开的。

就在几天前，极智嘉公告称，拟以5000万元认购深诣机器人增资后20%的股权。按交易价格计算，成立约九个月的深诣投后估值达到2.5亿元。

资本给出的估值、深诣选择的技术路线，以及“自进化”在行业内的热度，让这家新成立不久的具身智能公司话题度颇高。

九个月估值达到2.5亿元

这家初创公司成立于2026年1月26日，至今也只有不到9个月时间。

深诣机器人创始人兼CEO刘凯曾参与创办仓储机器人公司极智嘉，做过机器人研发，也有产品量产和客户交付经验。技术联合创始人罗宇、黄康尧分别负责具身基础模型与强化学习、具身系统，清华大学计算机系教授刘华平担任首席科学家顾问。

今年10月，极智嘉宣布出资5000万元，认购深诣增资后20%的股权。按交易价格计算，深诣的投前估值为2亿元，投后估值达到2.5亿元。

这一估值背后包含了不少对未来的期待。公告显示，截至2026年3月底，深诣尚未产生收入。独立评估机构给出的2亿元估值，主要参考新松机器人、新时达和埃夫特等上市公司的市销率，并采用深诣2027年预计收入6194.69万元作为计算依据。

极智嘉愿意投资，也有业务上的考虑，其拥有仓储客户、集成渠道和机器人交付经验，深诣则在研发具身基础模型和操作机器人。双方希望把模型能力接入仓储和制造场景，深诣也能借此获得更多真实环境中的测试机会和数据。

让机器人学会“学习”

深诣押注的“自进化”，可以用一句话解释：机器人学会一项工作后，还能在实际操作中继续改进。

承担这项工作的，是深诣自研的SE-1具身基础模型。机器人接到指令后，模型先理解任务、安排步骤，再判断物体和环境可能发生的变化，最后生成动作。

其中的World Model MoE采用“多专家”分工。搬运货箱时，模型重点处理位置、遮挡和堆叠状态；进行线缆插接时，则需要关注形变、受力和插接精度。不同模块各自处理擅长的信息，再共同完成任务。

完成基本训练后，机器人还要通过强化学习修正动作。取错箱子、吸盘角度不合适、码放时发生碰撞，这些失败的结果都会变成新的训练材料。罗宇将这一过程概括为，让机器人的行动逐渐符合人设定的目标和评价标准。

真实环境中的训练成本很高。机器人采集数据需要时间，错误动作可能引发碰撞、停机或物料损耗。传统强化学习通常需要大量交互，工业客户很难长期腾出设备供模型试错。

深诣给出的方案，是尽可能利用已经积累的数据。其OMPO技术会根据现场的新任务，在历史数据和其他机器人经验中寻找相近样本，用来更新操作策略。简单说，机器人遇到新问题后，会先翻找过去的“工作记录”，减少重复练习。

训练和作业也被安排在不同时间。据刘凯介绍：“机器人白天工作，工作之后它去充电的时候算法空闲，这个时候就能够用当天工作的数据再结合历史数据做异步强化，这样第二天它就会让自己工作变得更好。”

自我改进已经成为机器人研究的一个重要方向。Google DeepMind的RoboCat曾利用机器人自行产生的数据继续训练模型。2025年NeurIPS收录的一项研究也发现，监督微调结合在线自我改进，可以减少模仿数据的使用量，并提高任务成功率。

深诣SE-1与OMPO尚未发表完整论文，也未公开第三方测评结果。据公司介绍，精密插接任务的成功率超过90%。

先去仓库和产线挣钱

技术路线最终要落到具体工作上，深诣目前选择了物流和工业两个方向。

刘凯在采访中提出“形态即智能”。Sculptor采用移动底盘和机械臂，主要处理集装箱装卸、混合拆码垛、箱式拣选等物流任务。Edge采用双臂结构，面向线束插接、3C装配和汽车零部件操作。两款设备共用SE-1模型，机械结构则适应具体工作。

这使深诣避开了拥挤的人形机器人叙事。搬箱子需要负载、节拍和稳定性，精密装配需要双臂协同及力觉控制，外形是否接近人类的重要性相对靠后。

公司也在尝试占据具身智能产业链中间的位置。向下，深诣自研机器人本体和运行系统；向上，它希望把SE-1适配给第三方本体；面向客户，则通过渠道商和系统集成商完成项目交付。这是一条“大脑加专用本体加现场系统”的路线。

刘凯称，Sculptor已进入客户现场，计划在2026年下半年批量推向市场，2027年的销售目标为“大几百台”；Edge计划在2027年上半年量产，目前有汽车零部件和3C装配项目推进。

极智嘉的投资为这条路线增加了产业资源。极智嘉长期服务仓储物流客户，深诣需要的真实工况、渠道和系统集成能力，恰好集中在这些项目中。深诣若能获得持续部署，现场数据就有机会回流模型，再用于新任务和新本体。

这也是深诣机器人未来的主要考验：数据飞轮需要足够多的设备稳定运行，强化学习需要明确、安全的奖励机制，通用模型还要在节拍、成本和成功率之间取得平衡。

关于公司在竞争激烈的具身智能行业里的生态位，刘凯反复提到了一个目标，他说：“想解决行业真实问题，所以我们从成立一开始，就是面向终端客户去打造我们的团队和技术体系，快速推进商业化。”

不过，在将真正的纯端到端模型应用于工业领域方面，整个行业目前仍处在一个非常早期的阶段，路线和成果仍然需要进一步观察。