Hundreds of Millions in Financing for China's First Human-Learning Embodied Intelligence Company

Full text · 原文 3,774 字

衡宇发自凹非寺 量子位 | 公众号 QbitAI 具身智能正在经历一场静默但深刻的路线转变。 过去两年，大多数机器人团队都在做同一件事，让机器人反复模仿动作，用海量仿真数据“喂”出技能。但一个根本问题始终没解决——机器人并不理解为什么要这么做。 一家成立仅一年的中国公司，从一开始就走了一条“非共识”的路：先让机器人像人一样观察世界、理解物理规律，再让它学会行动。 这条路，如今被证明是对的。 深度机智，这家由北京中关村学院和中关村人工智能研究院联合孵化的具身大模型公司，是国内最早定义并系统化布局“人类学习”路线的具身智能团队。 围绕今年3月发布的PhysBrain 1.0具身通用智能基座模型体系，团队已形成一组核心模型成果，并在WorldArena、SimplerEnv、RoboTwin 2.0、RoboCasa、LIBERO等五大国际权威榜单中登顶或领先。 深度机智最近还首次对外正式披露了融资情况。 成立仅一年，公司已累计完成数亿元融资，吸引了包括重量级国资平台、头部财务机构及产业资本在内的十余家知名投资机构深度参与，老股东持续跟投。 资本的重磅押注以及全球榜单的登顶，无疑都在说明，深度机智所代表的“人类学习”路线或许是通往具身智能AGI的正确路径。 从0到1打通具身智能技术全栈闭环，登顶全球权威榜单 相比很多仍停留在单点验证阶段的团队，深度机智更值得关注的地方，在于它从成立第一天起，就围绕“数据—模型—算法—系统”打造全栈闭环。 围绕“先理解，后执行”的核心思路，深度机智在数据范式、模型架构、训练机制、空间理解、世界模型等方向持续推出成果，形成了以PhysBrain 1.0为代表的具身大模型技术体系。 具体来说，在数据侧，通过第一人类视角数据提供真实物理世界的人类经验；在模型侧，将这些人类经验转化为机器人大脑对物理世界的理解、预测和任务泛化能力；在机器人本体侧，通过拟人体设计，为模型能力向真实机器人身体迁移提供验证载体。 这意味着，深度机智不是在做单点模型，也不是单纯做数据采集或机器人整机，而是在围绕“机器人大脑”搭建一套从人类数据到具身基座模型、再到真实本体迁移的系统工程。 最终，其发布的PhysBrain 1.0不仅在学习效率上更高，用千小时人类数据超越了万小时真机数据训练的性能，而且模型还涌现出了“灵活应变”能力。 据悉，深度机智围绕“人类学习”路线形成的核心模型矩阵，已在五大公开评测中取得亮眼成绩。 在WorldArena榜单中，深度机智团队的Z-WM_v1机器人世界模型以64.96分超越当前榜首（64.24分），同时也是全榜唯一在机器人落地核心维度上无任何致命短板； 在考验模型泛化能力的国际权威榜单SimplerEnv中，PhysBrain 1.0在WidowX Robot测试中取得80.2%平均成功率，远超国际标杆π0.5的57.1%，达到行业SOTA； 在RoboTwin 2.0双臂操作泛化能力基准中，深度机智的STARR动作生成增强框架模型在Clean和Random设置下分别取得93.82%、93.30%的平均成功率，一举刷新榜单性能上限； 在家庭日常任务泛化基准RoboCasa中，PhysBrain 1.0仅通过千小时人类数据做VLM增强，即实现64.5%的平均成功率，达到行业SOTA； 在LIBERO多任务连续操作与领域适应基准中，采用TwinBrainVLA双脑架构取得97.6%的平均成功率，基于LangForce训练机制达到98.4%到平均成功率成功率，融合数据、架构、训练方法后的PhysBrain1.0基座模型体系达到98.8%的平均成功率，刷新了行业最好成绩。 无论是在VLM、VLA还是世界模型与空间智能领域，深度机智都交出了一组可被公开评测验证的成绩。 它要证明“人类学习”路线可以持续转化为模型能力。 去年12月，深度机智发布了首个基于人类第一视角多模态数据集DeepAct。 今年3月中关村论坛活动上，深度机智正式发布了PhysBrain 1.0具身通用智能基座模型体系，同时，公司也对外展示了其工业级全尺寸拟人体机器人Prime，完成了具身智能“数据+大脑+身体”的最后一块拼图，标志着深度机智作为具身智能基础设施的雏形已然成型。 率先押注“人类学习”路线，驶向具身AGI 2026年GTC大会上，英伟达创始人兼首席执行官黄仁勋的一句话点破了行业痛点：“收集真实世界的训练数据过程缓慢且成本高昂，而且永远都不够充分。” 英伟达机器人方向负责人Jim Fan更是指出，英伟达将彻底押注第一视角人类视频。 实际上从2025年下半年开始，全球具身智能领域出现明确方向转变，越来越多国际头部团队，包括Figure、Tesla等，开始重新重视人类行为数据在物理常识学习与模型通用能力提升中的核心作用。 这些路线背后的核心都是机器人需要建立对真实物理世界的稳定理解能力。 作为国内最早将“人类学习”路线作为核心战略并坚定投入的具身公司，深度机智在成立之初便选择了这条行业非共识道路，用一年时间见证了它从非共识到成为行业主流的全过程。 当时具身智能赛道虽热火朝天，但绝大多数公司都走在“轨迹拟合”的老路上，依赖海量真机演示数据教机器人模仿动作。 这类模型存在一个致命缺陷，它们只记住了动作轨迹，却没有理解为什么要这样做，模型靠“猜”来预测动作，导致输出的结果与真实物理交互存在严重失真和错位——动作刻板、不会变通、出错无法纠正。 陈凯带领的深度机智团队从第一性原理出发，将真正实现具身智能AGI作为唯一使命，认为让机器人具备像人类一样的通用判断力和行动力，就需要学习人类在物理世界的行为，因此“人类第一视角数据”尤为重要，因其完整记录了“人看到了什么、听到了什么、怎么和世界交互”，是具身智能不可或缺的训练数据。 这一判断在彼时极为超前，但正是这条“少有人走的路”，让深度机智抓住了重要窗口期。 为解决数据采集、数据转化等方面“卡脖子”的问题，公司构建了行业首个规模化人类经验采集与转化体系： 首创ICDC情景化数据采集方法论，建成数十万小时高质量人类第一视角多模态数据集，完成四类数采设备研发，覆盖真实世界多元物理交互场景； 研发大模型自动化数据清洗与标注技术，将真实世界中的人类经验转化为具身基座模型可学习的训练信号，大幅降低数据处理成本，数据效率实现数量级突破。 当数据瓶颈被突破，“人类学习”路线的规模效应也开始逐步显现。 获数亿元融资，头部机构争相押注 深度机智在具身智能的系统建设和技术实力也获得了头部投资机构的青睐。 最近，深度机智宣布完成新一轮融资，融资额超亿元。 资方阵容强大，包括中关村资本、诚通科创基金、北京熙诚致远等重量级国资平台，普华资本、东方富海、蓝湖资本等头部财务机构，中科大校友基金、未来光锥前沿科技基金等专业投资力量，全球光伏龙头晶科能源控股旗下CVC基金，还有多家老股东跟投。 据了解，资金将全部投向数据基础设施建设、模型研发迭代与关键人才引进，进一步巩固在中国自主机器人大脑领域的早期领先位置。 相比融资金额，更值得关注的其实是这轮融资背后所反映出的行业变化。 深度机智的资方涵盖重量级国资平台、市场化投资机构及产业资本等多种类型，结构呈现出显著的多元化与互补性。 重量级国资平台关注国家战略方向的自主可控，市场化投资机构押注团队的技术深度与长期成长空间，产业资本看重技术落地与场景协同。 多元资本共同下注，既是基于对“人类学习”路线的看好，也是对这家公司团队技术实力的认可。 我们了解到，深度机智的核心团队本身具备非常典型的“AI+Physics+Robotics”复合背景。 创始人陈凯毕业于中科大少年班学院，在人工智能领域深耕15年，在国际上率先将人工智能模型分布式训练规模扩展至百卡以上，是深度机智“人类学习”路线的提出者，也是公司具身基座模型体系的核心牵引者。 联合创始人兼CEO张翼博与陈凯同为中科大少年班学院同学，拥有15年应用物理学背景，博士师从美国UCLA科学智能泰斗、微生物科学院院士，以物理学训练和第一性原理思维，为公司物理智能研发和构建具身智能基座模型战略路线提供重要支撑。 联合创始人兼总设计师何旭国深耕机器人领域十余年，曾担任机器人奥运会First Global Challenge青少年国家队总教练，负责公司拟人体本体设计、精细化操作系统，以及模型能力向真实机器人身体迁移的系统工程。 这种同时具备模型研发、物理理解与机器人系统工程能力的团队结构，重要性正在变得越来越明显。 因为具身智能发展到今天，已经越来越不像传统机器人行业，也越来越不像单纯的大模型行业。 它更像是一场AI、Physics与Robotics的交叉融合。 这场马拉松里，深度机智选择了一条并非当下主流但指向终局的路。 用一年时间，公司获得全球第一的技术成绩，完成数亿元融资，获得投资机构追捧……这家具身国家队创企正在用实际成绩证明，中国同样能诞生从底层原理出发、面向具身AGI长期主义的世界一流硬核模型团队。 下一步，深度机智将继续围绕“人类学习”路线加大投入，推动中国自主机器人大脑走向更强的通用性，最终目标指向具身AGI。

Site key	qbitai
Policy area	具身智能
Category	report
AI score	0.35

Hundreds of Millions in Financing for China's First Human-Learning Embodied Intelligence Company

数亿元融资落地！国内最早布局“人类学习”路线的具身公司，用人类视角重做具身智能