中国工业报  吴晨  王珊珊

近日，具身智能独角兽千寻智能（杭州）科技有限公司（以下简称“千寻智能”）宣布再获10亿元新融资，这距离上一轮20亿元融资官宣仅仅过去月余。30天内连获30亿元融资，估值突破百亿元，千寻智能的融资速度令人侧目。这不仅是资本市场对一家成立仅两年的初创企业集体投出的信任票，更折射出中国在“AI+机器人”这一全球前沿领域正加速形成技术、产业与资本的正向循环。

千寻智能在回复中国工业报的采访中表示，本轮融资由顺为资本、云锋基金联合领投，达晨财智、某头部人民币基金、银河源汇、图灵基金、新鼎资本、庚辛资本等重磅加持。

尽管当前具身智能行业整体尚未进入大规模收入兑现期，但千寻智能已率先在宁德时代的真实产线上实现了机器人零故障量产，插接成功率稳定在99%以上。从实验室到产线，从技术突破到商业验证，千寻智能用两年时间走出了一条扎实的落地路径。与此同时，千寻智能在技术路线上的差异化选择——三指灵巧手与自研VLA大模型——也在行业内引发深入讨论。支撑百亿估值的商业化里程碑究竟是什么？中国企业应如何选择技术演进路径？值得深思。

百亿估值从何而来

千寻智能创始人韩峰涛是一位连续创业者，早年毕业于浙江大学，2015年联合创立珞石机器人并任CTO。此后10年，他主导交付超2万台工业机器人，亲历了工业机器人的国产化率从3%跨越到超过50%过程。2023年ChatGPT引爆AI浪潮，韩峰涛意识到大模型才是机器人的通用大脑。在珞石筹备上市之际，他毅然离职，决心打造“AI+机器人”全栈的具身智能公司。

为组建团队，韩峰涛筛选6000余人、面谈超100位，最终锁定“铁三角”：联合创始人兼首席科学家高阳（清华大学助理教授、“伯克利归国四子”之一）、商业化负责人郑灵茵（工业机器人出海先行者），自己出任CEO。三人覆盖AI、机器人、商业化三大核心能力。2024年1月，千寻智能正式成立，致力于创造行业领先的通用人形机器人和下一代具身大模型与学习算法。

“没有收入，估值百亿”，这并非具身智能独有的奇观。自动驾驶、AI大模型都曾经历过类似阶段。但不同之处在于，具身智能的硬件成本和场景落地难度远超纯软件。

湖南中财开元私募股权基金管理有限公司高级合伙人胡双在接受中国工业报采访时表示，用传统的市盈率（PE）或市销率（PS）来评估成立仅两年且营收极少的千寻智能，是失效的。在他看来，资方之所以愿意给出百亿估值，核心基于以下三大非财务因素：

第一，赛道热度与“上牌桌”溢价。 2026年第一季度，具身智能赛道融资已超200亿元，资金供给远大于优质标的。投资人普遍认为，具身智能是理论上限极高的行业。为避免在起跑阶段被甩下，头部机构愿意为“上牌桌”支付高溢价。

第二，人才组合的稀缺性溢价。资本看中的是韩峰涛（硬件老兵、工业机器人国产化亲历者）与高阳（清华系算法大牛）组成的“软硬一体”团队。这种配置被认为具备缔造“中国Figure”（FigureAI是人形机器人独角兽公司）的潜力。

第三，数据资产的门票价值。虽然千寻智能收入微薄，但其已积累超20万小时真实交互数据，并通过自研设备将数据采集成本降至此前的1/10。在投资人眼中，高质量的真实数据是通往具身智能“ScalingLaw”的门票。

多位专家从不同角度印证了这一判断。科技部国家科技专家库专家、高级工程师周迪告诉中国工业报，千寻智能成立两年多的时间便能支撑百亿估值，并非依靠当前盈利，而是因为赛道稀缺、技术壁垒、头部场景验证三种因素叠加。作为具身智能稀缺的全栈玩家，已在宁德时代产线跑通真实应用，叠加技术对标国际顶尖水平，符合一级市场对未来通用机器人核心资产的定价逻辑。

中国投资协会上市公司投资专业委员会副会长支培元则对中国工业报进一步指出，百亿估值背后是资本对“数据飞轮+场景闭环”的信任投票，而非单纯依赖当前收入。千寻智能的估值支撑点在于其技术路径的可扩展性、数据积累的稀缺性以及头部客户的真实验证，这在具身智能“0到1”突破的关键阶段，构成了高成长性企业的核心逻辑。支培元特别强调，其自研的第5代可穿戴采集设备将数据成本降至传统方式的1/10，形成了“数据采集—模型训练—场景落地—更多数据”的正向飞轮，这种数据护城河是资本最看重的稀缺资产。

苏商银行特约研究员高政扬从财务视角向中国工业报补充道，一家成立仅两年的具身智能企业能够支撑起百亿估值，本质上依赖于对未来预期现金流的折现。当前市场给予其高估值，更多是基于其技术路径的稀缺性以及潜在市场空间的想象力，尤其是在工业自动化与人形机器人交叉领域存在重构生产方式的长期机会。

没有收入看什么？

在缺乏大规模收入的情况下，投资人虽不看PE，但已不再满足于Demo视频。资本市场应重点关注以下几类可量化的商业化里程碑：

指标一是单一场景内的效能爬坡与系统稳定性。胡双指出，投资人关注的不是进了多少家工厂，而是宁德时代产线上“小墨”（Moz机器人）的故障间隔时间（MTBF）和单日有效工作时长是否持续上升。高政扬也强调，系统稳定性与任务完成准确率直接反映商业化可行性。周迪则建议关注真实工况任务成功率——在产线而非实验室中的表现。

指标二是数据采集与训练的成本结构是否呈现边际递减。胡双认为，若能持续降低模型迭代的单位成本，说明模型进化开始脱离单纯的人力堆砌。周迪补充，应关注成本下降速度——机器人是否接近经济性拐点。

指标三是场景收敛后的复购与跨场景泛化能力。胡双指出，从单条试点线扩展到多条产线甚至多个工厂，是估值从“虚”到“实”的最强催化剂。周迪认为，资本市场应重点关注多客户复制能力、模型泛化率、真机落地规模。高政扬同样强调，跨场景泛化能力，即能否从单一产线复制到多行业应用。支培元则建议，关注客户复购与扩展，以及端侧部署能力。

值得注意的是，千寻智能在商业化落地方面已按下了加速键。千寻智能向中国工业报透露，3月19日，公司与京东正式签署战略合作协议，自研的Moz机器人已全面接入京东MALL智慧零售场景。这标志着千寻智能从工业产线向商业零售场景的成功延伸，进一步验证了其技术的泛化能力。

此外，支培元特别提到，千寻智能的Spiritv1.5在RoboChallenge榜单上超越美国Pi0.5，成为首个登顶的中国开源模型，这不仅是技术突破，更意味着其具备了与国际顶尖水平同台竞技的能力，增强了资本信心。

技术路线之争

千寻智能的Spiritv1.5模型在RoboChallengeTable30真机评测中，超越美国标杆模型Pi0.5，这一切源于技术路径上的深耕。但需要看到的是，评测环境是标准化的桌面操作任务，而真实工业场景中，模型泛化能力和硬件可靠性同样重要。

更值得讨论的是硬件选择：海外头部模型Generalist采用两指灵巧手，而千寻智能坚持三指设计，声称“两指能做的事，三指一定能做；三指能做的事，两指未必能触及”。这一策略在技术经济性上究竟是否划算？

面对“对标海外”与“差异化局部领先”的路线选择，胡双给出了明确的判断：现阶段策略应“以我为主”，不应盲目对标美国，而应利用中国制造业场景丰富与供应链成本低的两大杠杆。他指出，美国的PhysicalIntelligence（Pi）等公司侧重于通用能力的前沿探索，其研发不计成本，且缺乏工业场景反哺。如果中国企业在纯算法层面追赶，容易陷入对方设定的游戏规则。相比之下，中国企业更务实的路径是：寻找“既能让模型学到通用技能，又能产生商业闭环”的垂直场景。千寻智能将具身智能应用于锂电产线（宁德时代）这种高精度、高洁净度、高危险性的非标场景，是海外企业短期内难以触及的壁垒，同时能产生高质量的特殊数据，有助于训练出更具鲁棒性的垂直大模型。

周迪表达了相似观点：中国具身智能企业不应盲目对标海外技术路线，应优先走差异化场景、实现局部领先，更符合产业现实与经济性。

对于“硬件超前、模型局部领先”策略，周迪认为：这对融资有利的因素是，技术辨识度高、壁垒强、想象空间大，容易获得高估值；但对真实客户拓展不利的因素是，硬件成本高、落地慢、场景适配周期长、性价比不足，不利于快速商业化。只有先扎根场景、兼顾成本与效率，才能真正走通产业化。

支培元则从更立体的视角分析了这一策略的利弊。在技术竞争层面：采用三指灵巧手等高难度硬件，倒逼模型提升泛化能力，形成技术壁垒。但硬件成本高，短期内难以大规模普及，限制ToC市场拓展。在资本市场融资层面：展现技术雄心与领先性，吸引追求“颠覆性创新”的顶级资本（如红杉、云锋）。但可能被质疑“过度工程化”，若商业化进展缓慢，估值泡沫风险上升。在客户拓展层面：在高端工业场景（如宁德时代）建立标杆案例，增强品牌势能；但面向中小企业或消费级市场时，性价比劣势明显，需另寻产品线。

支培元建议，现阶段应采取“两条腿走路”策略：在技术上，继续对标海外顶尖模型，通过开源Spiritv1.5等方式建立行业影响力，吸引全球开发者生态；在商业上，优先在高价值、可复制的垂直场景（如智慧零售、电池检测）实现局部领先，快速形成收入闭环，反哺技术研发。

对于“硬件超前、模型局部领先”的具体利弊，胡双进一步分析：在融资端，三指灵巧手比二指夹爪在操作长流程任务时上限更高。在投资人尽调时，高自由度硬件配合遥操作演示，能直观展示公司未来的作业潜力，支撑高估值叙事。同时，复杂的硬件（力控关节、灵巧手）能采集到包含力觉、触觉的高维数据，为模型提供更好的训练燃料。从这个角度看，千寻智能的硬件超前是在为长期的模型领先积累独家数据资产。但在客户拓展端，客户极度看重稳定性、节拍和回本周期，三指灵巧手虽然灵活，但成本高、刚度弱、维护难。对于现阶段只需完成“搬运、上下料”的工厂，“轮式底盘+二指夹爪”是更具经济性的现实选择。

胡双特别指出，在真实产线中，模型仍然缺乏对物理世界的深层理解（即世界模型缺陷），导致换型调试时间长、异常处理可能死机。此时，硬件的超前反而放大了软件的不足——硬件越复杂，软件出错的概率和排错难度就越大。